基于表面肌电信号的腰背动作识别新方法

为提高基于表面肌电信号的人体腰背动作识别率,提出一种基于小波包能量与改进NARX神经网络的分类识别新方法。利用小波包变换对动作部位进行表面肌电信号特征提取,并采用改进NARX神经网络进行分类识别。选取8名实验者分别在扭腰、弯腰、侧弯腰3种动作下进行表面肌电信号数据采集,选择db4小波包函数对信号进行6层分解,得到第6层64个频带的小波包分解系数,代表各个动作信息的特征向量,作为改进NARX神经网络的输入进行分类识别。对照实验组中,改进NARX神经网络的识别率较高,总体识别率达到96.7%。实验结果表明,利用该识别方法对腰部动作进行分类识别,分类准确,且识别率更高。     

能谱熵向量法及改进LM神经网络在液压油缸内泄漏故障诊断中的应用

针对基于时域组合特征的故障诊断方法的不足,提出一种基于小波包能谱熵分析的液压油缸内泄漏故障诊断方法。分析无杆腔压力信号的时域特征,采用小波包变换提取压力信号的能谱熵并输入到改进LM神经网络进行内泄漏的故障诊断。实验结果表明,无泄漏压力信号的能谱熵向量各元素分布较均匀;而泄漏信号的能谱熵向量各元素差异较大;改进LM神经网络在精度、准确率等方面高于传统BP、LM神经网络。与时域组合特征法进行比较,结果验证算法的高效可检测性。以不同分类器、不同小波基对算法诊断性能的影响进行分析,结果表明,该方法具有很强的稳定性和优越性。     

最优小波包变换在齿轮箱振动信号去噪中的应用研究

通过对小波变换和小波包分析研究,寻找最优小波包基,结合不同阈值去噪方法,对加噪信号以及齿轮箱振动信号进行去噪处理。实验表明最优小波包基的惩罚阈值去噪结果比小波变换常用的stein无偏风险阈值去噪结果和小波包默认阈值去噪结果要好很多。该方法不仅可以有效去除噪声,还可以很好地保留信号中的细节信息。     

基于小波特征的油浸式变压器电弧光故障诊断

基于小波分解频带能量特征和BP神经网络的方法识别油浸式变压器短路故障。利用电弧光信号进行油浸式变压器短路故障诊断,对不同工况下的光信号进行多分辨率分析的四层小波分解,选择合适的重构小波系数,提取特征频带。对提取出的特征频带的小波系数作平方和归一化处理,求出每个特征频带的能量,作为特征参数输入到BP神经网络模型中进行训练和故障识别。     

风机齿轮箱故障诊断系统的设计与实现

针对风力发电机关键部件齿轮箱故障频率高、诊断难的问题,开发了包含传统时频域分析和现代分析模块的故障诊断系统。该系统对所采集的振动信号进行了小波去噪、小波包分解并重构后得到各频段能量占比的特征向量,将该特征向量输入到Back Propagation（BP）神经网络模型进行振动信号与正常或各故障状态之间映射,从而智能识别运行状态。应用Matlab和Labview开发系统,输入齿轮箱的4种典型运行状态进行验证,结果表明,所设计的系统可较好地对风机齿轮箱的故障进行诊断。     

基于BP神经网络的不同转速下切削声音识别

机械加工发出的声音可用于制造过程智能化监控。加工时参数不同,发出的声音也不相同。对不同转速下切削声音加以识别,可为进一步综合考虑其它切削加工参数和条件下的声音识别打下基础。为识别不同转速下的切削加工声音,设计了一个三层BP神经网络,且先对采集声音进行小波包分解,求出分解后各频率段成分的能量,归一化处理后构成特征向量,再将处理后的信号分为训练样本集和测试样本集,对网络进行训练和测试。测试结果表明该网络具有训练速度快和识别准确率高的特点。     

风力发电机齿轮箱故障诊断系统的设计与实现

针对风力发电机关键部件齿轮箱故障频率高、诊断难的问题,开发了包含传统时频域分析和现代分析模块的故障诊断系统。该系统对所采集的振动信号进行了小波去噪、小波包分解并重构后得到各频段能量占比的特征向量,将该特征向量输入到Back Propagation(BP)神经网络模型进行振动信号与正常或各故障状态之间映射,从而智能识别运行状态。应用Matlab和Labview开发系统,输入齿轮箱的4种典型运行状态进行验证,结果表明,所设计的系统可较好地对风机齿轮箱的故障进行诊断。     

基于振动信号分析的异步电机转子故障特征提取

研究异步电机转子断条、动态偏心这两种状态下的故障特征,并通过实验室的鼠笼式异步电机转子故障实验系统,对采集的定子电流信号首先通过FFT变换,进行归一化处理,提取出定子电流特征向量;对采集的电机机壳X-Y振动信号则通过db3小波包分析进行去噪处理和频域能量特征向量的提取,实现了故障的分类     

小波包分解在迎角传感器信号预处理中的应用

针对基于四象限压力传感器阵列的迎角测量方法中传感器信号受到干扰的问题,讨论了在其预处理中应用小波包变换进行信号分离提取的方法。根据小波包分解理论,对信号进行小波包分解,信号中频率不同的部分落在不同的尺度上,剔除反映干扰的变换尺度,提取出有用信息。结果表明,该方法可很好地提取信号的主要特征信息,也有效地去除了确定性干扰和随机噪声,与传统的信号滤波方法相比较具有明显的优点,同时为后续的信号处理奠定了基础。     

小波包分解在迎角传感器信号预处理中的应用

针对基于四象限压力传感器阵列的迎角测量方法中传感器信号受到干扰的问题。讨论了在其预处理中应用小波包变换进行信号分离提取的方法。根据小波包分解理论,对信号进行小波包分解,信号中频率不同的部分落在不同的尺度上,剔除反映干扰的变换尺度,提取出有用信息。结果表明,该方法可很好地提取信号的主要特征信息,也有效地去除了确定性干扰和随机噪声,与传统的信号滤波方法相比较具有明显的优点,同时为后续的信号处理奠定了基础。