针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法。首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型。为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比。在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征。相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好。

针对传统的FastICA算法对初始权值的敏感性,以及带钢热连轧工业过程数据间呈现非线性和非高斯性的问题,提出一种基于改进的快速核独立元分析(FastKICA)方法进行故障检测。该方法首先对原始数据进行小波包去噪,利用核方法对数据进行特征重构,使数据线性结构化,引入超松弛因子改进FastICA初始权值的选择机制,提取更合理的独立元信号,并且计算相应的统计量和控制限。选用带钢热连轧工业过程实测数据进行仿真,与传统的FastKICA方法相比较,结果证明,基于超松弛因子改进的FastKICA故障检测的方法准确率更高,验证了该方法的有效性和优越性。

复合材料拉挤多腔板在线生产时有时会产生缺陷,导致生产线故障甚至全面停车,因此需要对在线生产的复合材料进行实时无损检测。为此,采用敲击测试的方法,获取振动信号,利用小波包分析对敲击振动信号进行多层分解,分解后的频带能量作为特征向量。把经过归一化处理的特征向量用支持向量机(SVM)进行分类识别。经过实验验证,识别率达到100%。这表明使用小波包分析和支持向量机结合的方法可以对复合材料拉挤多腔板进行故障诊断,在实际应用中具有较好的前景。

针对以微控制器MCU为控制核心的电动开度阀控制系统难以集成高效且计算量小的故障检测子系统的问题,基于小波包变换和优化K近邻(K-Nearest Neighbor,KNN)算法提出了一种电动开度阀故障检测方法。对阀门振动信号进行小波包变换,计算小波包节点的能量值与其重构信号的时域特征参数。根据Pearson系数筛选出两种与能量强相关的故障特征参数:峰峰值与均方根,并将两者作为KNN算法的样本评价指标;通过对评价指标进行加权优化了KNN算法的距离计算公式,分别在MATLAB和实验样机中进行故障检测测试,对应最高分类准确率分别为92.5%与86.7%。结果表明:实验测试与仿真分析具有较好的一致性,该故障检测方法的优势在于计算量小、故障识别率较高,并能有效地应用于以MCU为核心的电动开度阀控制系统。

传统的基于FFT的声强计算方法是分析平稳噪声信号的有效工具，但是它却无法对机电设备发生故障时所辐射出的非平稳噪声信号进行有效的分析。由于小波包分析可以实现非平稳噪声信号在不同频带和不同时刻的合理分离，因此可以利用小波包分析对声强进行计算。文中应用自行研制的噪声自动分析系统对声强的计算方法进行了研究，提出了一种基于小波包信号分析技术的声强计算方法：并通过实验验证了该方法的正确性。该方法不同于传统的基于FFT分析的声强计算方法，可以实现对非平稳故障噪声信号的分析，为机电设备的噪声监测和故障诊断提供了一条研究途径。

简要介绍了支持向量机和小波包分析理论，在此基础上提出将故障信号经小波包分解后各子频带信号能量与信号总能量之比作为故障特征并构造特征向量作为SVM分类器的输入，实现故障状态的诊断。设计实验进行验证，在转子实验台上测得滚动轴承各种状态下的振动信号，经小波包分解后计算各子频带相对能量作为实验数据。将数据分为训练样本较多和训练样本较少两组数据集，分别使用四种不同核函数和一对一与一对多两种算法进行故障状态分类计算，以了解其对SVM分类性能的影响，最后与BP神经网络分类结果比较，对比SVM分类器与传统故障诊断方法的优缺点。

提出基于驱动端电流检测的电磁阀故障诊断方法，研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型，分析其驱动端电流与阀芯位移的关系；采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号，分析不同状态的电流特征；针对驱动端电流为直流阶跃信号的特点，选取电流变化率为特征曲线，采用“能量-故障”的诊断方法，利用3层小波包分解对信号进行重构，并提取相应频带能量作为特征向量；利用前馈反向传播（BP）神经网络对提取的特征向量，对电磁换向阀模式识别和故障诊断。实验结果表明：基于“能量-故障”的诊断方法能较好地区分电磁阀的不同状态，并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。

选取某型装备溢流阀为研究对象，根据实际需求设计了DAQ硬件平台，并结合LabView虚拟仪器对采集到的数据进行小波包分析，将信号的能量分解到各个频带，通过能量柱形图反映出不同故障时的能量变化，并提取了故障的特征参量，为故障预测打下基础。

本文简述了小波变换的基本原理及利用小波包对振动信号进行分解的方法.小波分析良好的时频局部化性质,适于检测正常信号中夹带的瞬态反常现象并展示其成分,这在旋转机械状态监侧及早期故障诊断中具有重要意义.本文给出利用小波包分析在内燃机车静液压齿轮箱故障诊断中提取微弱轴承冲击故障特征的实例.

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点，及传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷，提出了一种将小波包变换和改进Elman神经网络相结合，进行液压泵故障诊断的新方法．利用具有紧支结构的小波函数对信号进行分解，削减小波系数以滤除信号中的噪声；单支重构以有效提取各频带的故障特征，并以频带能量作为识别故障的特征向量；应用改进的Elman神经网络建立从特征向量到故障模式之间的映射，实现液压泵故障分类．试验结果表明，采用小波包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断．