下载文档原格式
利用最优小波包提取轴心轨迹故障特征
韩吉;蒋东翔;倪维斗;王风雨
【期刊名称】《汽轮机技术》
【年(卷),期】2001(043)003
【摘要】该方法将原始故障信号进行最优小波包分解，利用最小Shannon熵［1］准则将子信号中能量比重较大的部分提取出来，作为故障特征，然后经过重构，得到表征故障特征的清晰的轴心轨迹。
最后，举例说明其应用。
【总页数】4页(P133-136)
【作者】韩吉;蒋东翔;倪维斗;王风雨
【作者单位】清华大学热能工程系动力机械及工程研究所,;清华大学热能工程系动
力机械及工程研究所,;清华大学热能工程系动力机械及工程研究所,;清华大学热能工程系动力机械及工程研究所,
【正文语种】中文
【中图分类】TP206.3
【相关文献】
1.小波包特征熵提取水电机组轴心轨迹形状 [J], 桂中华;潘罗平;张浩;周叶
2.基于轴心轨迹的转子升速过程故障特征提取方法研究 [J], 冉祥锋;姜宏;周建平;
章翔峰
3.利用参数自适应多点最优最小熵反褶积的行星轮轴承微弱故障特征提取 [J], 王
朝阁;李宏坤;胡少梁;胡瑞杰;任学平
4.三维轴心轨迹流形图与风电设备故障特征提取 [J], 孟玲霞;徐小力
5.谐波小波包方法及其对转子亚频轴心轨迹的提取 [J], 李舜酩
因版权原因，仅展示原文概要，查看原文内容请购买。
小波变换特征提取小波变换是一种用于信号分析的数学工具，它在信号处理、图像处理、模式识别等领域中有很广泛的应用。
小波变换具有区间局限性和多分辨率分析的特性，可以有效地提取信号中的特征信息，对于信号分析和识别具有重要意义。
小波变换的基本原理是将信号分解成不同频率的小波分量，从而得到信号在不同频率下的信息。
小波基函数的选择和分解层数会直接影响到得到的小波系数，进而影响到特征提取的效果。
通常，小波基函数可以选择Haar、Daubechies、Symlet等常用的小波基函数。
在小波变换的基础上，可以进行特征提取的处理，常见的方法有：1.小波包变换小波包变换可以根据需求对小波分解的结果进行更细致的调整，以更好地提取信号的特征。
小波包变换将小波系数进一步分解成多个分量，可以得到更多的信息，进而进行更精细的特征提取。
2.小波包能量特征小波包能量特征是通过计算小波包分解后的能量分布来提取特征。
利用小波包变换得到的分解系数，可以计算每一层分解后的能量占比，从而得到信号在不同频率下的能量分布。
可以根据某一频带的能量分布情况来分析信号的特征。
小波包熵特征是通过计算小波包分解后的信息熵来提取特征。
信息熵可以反映信号的复杂度和随机性，小波包熵特征可以提取出信号的随机性和更深层次的特征。
小波变换可以有效地提取信号的特征信息，对于信号分析和识别具有重要意义。
特征提取的方法可以根据信号的特点和需求进行选择，可以选择小波包变换、小波包能量特征、小波包熵特征和小波包峰值特征等方法。
在实际应用中，可以根据具体条件和要求进行选择和优化，以更好地提取信号的特征信息。
故障信号特征提取故障信号特征提取是故障诊断和预测领域中的重要研究方向。
通过对故障信号的分析和特征提取，可以有效地识别故障模式，实现故障的自动诊断和预测。
本文将从故障信号的定义、特征提取方法和应用等方面进行探讨。
一、故障信号的定义故障信号是指在设备或系统运行过程中，由于故障引起的信号变化。
故障信号可以是各种物理量的变化，例如振动信号、声音信号、温度信号等。
故障信号具有一定的规律性和特征，通过对信号的分析和特征提取，可以揭示故障的本质和发展趋势。
1. 时域特征提取时域特征是指在时间轴上对故障信号进行分析和提取。
常用的时域特征包括均值、方差、峰值、峭度、偏度等。
这些特征可以反映信号的基本统计信息和波形形态。
2. 频域特征提取频域特征是指通过对故障信号进行傅里叶变换或小波变换，将信号从时域转换到频域，然后对频域信号进行分析和提取。
常用的频域特征包括频谱图、功率谱密度、频率峰值等。
这些特征可以反映信号的频率分布和频率成分。
3. 小波包特征提取小波包特征是指通过对故障信号进行小波包变换，将信号从时域转换到小波域，然后对小波域信号进行分析和提取。
小波包特征可以反映信号的频率分布和时频特性。
4. 统计特征提取统计特征是指对故障信号进行统计分析和提取。
常用的统计特征包括相关系数、互相关函数、自相关函数等。
这些特征可以反映信号的相关性和统计规律。
三、故障信号特征提取的应用故障信号特征提取在故障诊断和预测中具有重要的应用价值。
通过对故障信号的特征提取，可以实现以下应用：1. 故障诊断通过对故障信号的特征提取和分类，可以实现对故障模式的自动诊断。
根据不同的特征组合和分类算法，可以准确地判断故障的类型和程度，为后续的维修和保养提供指导。
2. 故障预测通过对故障信号的特征提取和模式识别，可以实现对故障的预测。
通过分析故障信号的变化趋势和特征演化，可以提前预测故障的发生时间和位置，为设备维修和生产计划提供参考。
3. 故障原因分析通过对故障信号的特征提取和关联分析，可以揭示故障的原因和机理。
基于相关性小波奇异熵的滚动轴承故障特征提取刘霞;孙美岩;薛海峰;庞永贵【摘要】针对轴承故障信号受噪声影响严重，导致故障特征提取稳定性较差的问题，将小波变换、相关性、奇异值分解和信息熵理论相结合，提出一种基于相关性小波奇异熵的轴承故障特征提取方法。
该方法首先将轴承信号进行小波分解，利用小波分解系数和噪声的相关性特点不同，引入相关计算以去除噪声的影响；然后对相关处理后的规范化系数进行奇异值分解，轴承的不同故障信息就体现在奇异值中；再利用信息熵的统计特性对奇异值进行不确定度计算；最后，以相关性小波奇异熵作为特征向量，通过概率神经网络对滚动轴承故障进行识别。
实验表明：该方法能够有效地提取轴承故障特征，具有良好的容噪能力和稳定性。
%Aiming at the poor stability in extracting bearing’s fault signals seriously affected by noises,and through combining the information entropy theory with wavelet transform and correlation as well as the singular value decomposition,the correlation wavelet singular entropy-based new method of extracting the bearing’s fault signal feature was proposed,in which,having the bearing signals processed through wavelet decomposi-tion;and considering the difference in correlation characteristics of the wavelet decomposition coefficients and the noises,having the related calculation introduced to remove the noise influence;having the normalized cor-relation coefficients handled with singular value decomposition can find the bearings’fault informatio n in the singular value;according to the statistical features of the informationentropy,having the singular value’s un-certainty calculated;taking thecorrelation wavelet singular entropy as the characteristic vector and making use of the probability neur al network,the rolling bearing’s faults can be identified.Experimental results show that this method can effectively extract the bearing’s fault characteristics and it has better stability and tolerance to the noises.【期刊名称】《化工自动化及仪表》【年(卷),期】2015(000)007【总页数】5页(P765-769)【关键词】轴承故障;特征提取;小波变换;奇异熵;概率神经网络【作者】刘霞;孙美岩;薛海峰;庞永贵【作者单位】东北石油大学电气信息工程学院，黑龙江大庆 163318;东北石油大学电气信息工程学院，黑龙江大庆 163318;中国石油集团测井有限公司，西安710021;大庆物探一公司，黑龙江大庆 163357【正文语种】中文【中图分类】TH165+.3根据传感器测得的振动信号对机械故障进行诊断，是机械故障诊断中一种常用的有效方法。
基于小波分析的机械故障特征提取与诊断技术研究的开题报告一、选题背景及意义机械故障的发生会导致生产设备的停机，直接影响企业的生产效率和经济效益，因此机械故障的预测和诊断一直是机械工程领域的研究热点。
传统的机械故障诊断方法多采用震动信号分析，随着计算机技术和信号处理技术的不断发展，小波分析作为一种新的信号处理方法被广泛应用于机械故障诊断领域。
小波分析能够把信号分解成多个尺度的信息，同时也能够检测出信号中的高频细节部分和低频整体部分，为机械故障诊断提供了更多的信息。
因此，基于小波分析的机械故障诊断技术研究具有很高的理论和实际意义。
二、研究内容和目标本次研究将基于小波分析的机械故障特征提取和诊断技术进行研究。
具体内容包括：对机械故障数据进行采集和预处理；利用小波分析对信号进行分解和重构，提取故障特征；建立机械故障的分类模型，实现自动诊断。
研究目标：建立基于小波分析的机械故障特征提取和诊断技术，实现对机械故障进行准确快速的识别和预测，提高设备的可靠性和运行效率。
三、研究方法和步骤1. 数据采集和预处理本次研究将采集不同工作状态下机械设备的振动信号和噪声信号，并对信号进行预处理（去噪、滤波、降采样等）和特征提取。
2. 小波分析将信号进行小波分解，得到多个频率范围内的小波系数，利用小波重构原理进行信号重构。
3. 特征提取在不同尺度下，提取小波系数中的能量、方差、标准差等特征量，分析特征变化的规律性，找到与机械故障相关的特征。
4. 模型构建和诊断建立机械故障的分类模型（如SVM、神经网络等），根据提取的故障特征进行模型训练和测试，实现机械故障的自动诊断。
四、研究进展和难点目前，已采集到多种机械设备的振动信号和噪声信号，并进行了预处理和小波分析。
正在进行特征提取和模型建立的相关工作。
本研究中的难点主要是：如何有效提取机械故障的特征，并选择合适的模型进行分类和诊断。
此外，如何应对信号中的干扰、噪声等问题也是需要重点考虑的难点。
基于小波包分析的电动机转子断条故障检测电动机在工业生产中起着至关重要的作用，而电动机的故障往往会导致生产线的停止和损失。
其中，电动机转子的断条故障是一种常见的故障类型。
因此，开发一种高效可靠的电动机转子断条故障检测方法具有重要的实际意义。
小波包分析是一种信号处理的方法，具有多分辨率、局部特征提取等优点，特别适合用于故障诊断。
基于小波包分析的电动机转子断条故障检测方法可以通过对电动机转子振动信号进行分析，提取出转子断条故障所具有的特征信息。
首先，将电动机转子的振动信号进行小波包分解。
小波包分解可以将信号分解成多个子频带，每个子频带对应不同的频率范围。
通过对不同子频带的分析，可以提取出不同频率范围内的特征信息。
然后，对每个子频带的信号进行特征提取。
可以使用多种特征提取方法，如能量、方差、峰值等，来描述信号的统计特性。
通过对这些特征进行分析，可以发现转子断条故障所具有的特征模式。
接下来，使用机器学习算法对提取的特征进行分类。
可以使用支持向量机、神经网络等算法进行分类，以判断转子是否存在断条故障。
通过训练样本的学习，可以建立一个高效的分类模型，用于对未知样本进行故障检测。
最后，根据分类结果进行故障诊断。
如果分类结果表明电动机转子存在断条故障，那么需要对电动机进行维修或更换转子。
如果分类结果表明电动机转子正常，那么可以排除转子断条故障的可能性，继续进行其他故障的排查。
综上所述，基于小波包分析的电动机转子断条故障检测方法具有很高的实用性和准确性。
通过该方法可以提高电动机的可靠性和稳定性，减少生产线的停机时间和损失。
在工业生产中的应用前景广阔，有着重要的实际意义。
数据采集与处理测控技术2018年第37卷第6期• 103 -基于最优提升小波局部熵的轴承故障特征提取张园$$李力2(1.三峡大学科技学院，湖北宜昌443002; 2.三峡大学机械与动力学院，湖北宜昌443002)摘要：为了解决轴承故障诊断中，传统无量纲指标没有考虑其他噪声干扰，且分析结果有一定偏差等问题，提出一种基于提升小波分解的局部熵无量纲指标特征提取方法。
该方法采用最优提升小波进行分解，并结合局部熵提出一种无量纲指标，对滚动轴承振动实验信号进行故障特征提取，并与常用无量纲指标进行对比，验证了该方法的有效性。
关键词：滚动轴承;最优提升小波;局部熵；无量纲指标中图分类号:TP206;TH133.3 文献标识码:A 文章编号:1000 -8829(2018)06 -0103 -06d o i:10.19708/j. ckjs.2018.06.023Rolling Bearing Fault Feature Extracting Based on Best Lifting WaveletLocal EntropyZHANG Yuan1, L I?(1. College of Science and Technology,China Three Gorges University,Yichang443002, China;2. College of Mechanical &Power Engineering,China Three Gorges University,Yichang443002, China)A b stra c t：I n order to solve the problems that traditional dimensionless index does notinterference and the analysis resiult has certain deviations in fault diagnosis of bearing, sionless index featiure extraction metliod based on lifting wavelet decomposition is proposed. The the optimal lifting wavelet to decompose, and combined the local entropy to propose the dimensionless index.The fault features of the fault signal of rolling bearing vibration experiment are extrac other commonly used dimensionless index methods, the effectiveness of the proposed method is verified.K ey w ords： rolling bearing; best lifting wavelet; local entropy; dimensionless index滚动轴承在机械装备中是常用零件，其状态影响 设备的性能、可靠性以及寿命，因此对轴承的故障诊断 具有重要意义。
