基于小波包能量谱的往复式隔膜泵故障诊断研究
基于小波包分析的电机故障检测

基于小波包分析的电机故障检测
王芳;鲁顺昌
【期刊名称】《电机与控制应用》
【年(卷),期】2008(35)7
【摘要】电机是一种复杂的旋转机械,故障种类多而且难以辨别.为了对电机的常见故障进行正确、快速地检测,在分析电机故障特征的基础上,对采集来的电机振动信号的时域和频域进行了小波包分解;利用分解的小波系数,在各个频段上进行小波系数重构,诊断故障发生的类型.仿真试验结果表明:小波包分析是对电机故障进行检测的有效方法,同时也给出了一种思路,为电机故障实时检测提供了理论依据.
【总页数】4页(P53-56)
【作者】王芳;鲁顺昌
【作者单位】西华大学电气信息学院,四川,成都,610039;西华大学电气信息学院,四川,成都,610039
【正文语种】中文
【中图分类】TM307+.1
【相关文献】
1.基于小波包能量谱的微电机故障检测方法研究 [J], 胡文明;陈胜义;
2.基于小波包分析的异步电机转子故障检测 [J], 刘杰;陈卫文;方瑞明;戴茵茵
3.基于小波包分解的船舶发电机轴承故障检测 [J], 张云法;李明
4.基于小波包能量谱的微电机故障检测方法研究 [J], 胡文明;陈胜义
5.基于改进小波包变换和信号融合的永磁同步电机匝间短路故障检测 [J], 陈勇; 梁洪; 王成栋; 梁思远; 钟荣强
因版权原因,仅展示原文概要,查看原文内容请购买。
021往复式压缩机故障诊断的小波分析方法_李旭朋

断提供依据。
五 、结 论
从上述的实验分析可以看出, 小波包变换可以有效的提取
信号的特征向量, 小波分析对于压缩机的故障分析研究有着非
常重要的作用, 小波分析方法可以为压缩机进一步的故障诊断
提供理论依据。
参考文献
1 吴广宇等.往复压缩机气阀的振动测试分析[J].压缩机技术, 2007( 5) :
23~25
2 姚利斌等.基于小波包分析的往复式压缩机故障诊断[M].状态监测与
诊断技术, 2006( 2) : 48~49
W08.10- 24
— — — — — — — — — — — — — — —
作者通联: 北京化工大学 356 信箱 北京市朝阳区 100029
E- mail: lixup@163.com
〔编辑 王 其〕
诊断技术
!" 设备管理与维修 2008 №10
在不同频率带下分离出来。采用能量—故障的方法, 直接采集压
缩机气阀的振动信号并对采集数据进行小波分析, 得到系统的
故 障 模 型 。利 用 这 一 特 征 可
以建立起振动信号各频带
能量与往复式压缩机各故
障状态间的映射关系, 通过
各频率成分能量的变化来
达到故障诊断目的。
二、气阀 振 动 信 号 的 采
时造成阀片对阀座和升程限制器的碰撞以及机器本身的运转
对气阀的振动影响最大, 其他因素可以忽略不计。在以上因素
中 , 由 阀 片 撞 击 阀 座 和 升 程 限 制 器 产 生 的 振 动 为 高 频 振 动[1],
由压缩机运转、气流脉动
冲击引起的振动为低频振
动。
图 5~8 中 , 横 坐 标 表
示振动信号经小波包变换
基于小波能量谱分析的电机故障诊断

基于小波能量谱分析的电机故障诊断①张敬春,谷爱昱,莫慧芳(广东工业大学自动化学院,广州510090)摘要:电机是一种复杂的旋转机械,故障种类多而且难以辨别,利用傅里叶变换对噪声信号分析很难得出满意的结果。
为了对小功率异步电机的常见故障进行正确快速地声频诊断,采用小波分析技术对小功率异步电机的几种常见故障噪声进行了多分辨率分析,从能量分布的角度出发,快速且较为准确地诊断出电机故障,诊断效果明显好于傅里叶分析。
表明小波分析是对电机故障进行声频诊断的有效方法,同时也提供了一种思路,为电机故障在线实时诊断提供了理论依据。
关键词:电机;小波;噪音;故障诊断;能量谱中图分类号:TM301.4 文献标识码:A 文章编号:100328930(2006)0320055204Fault D i agnosis for Electr ic M otor Ba sed onW avelet-Energy Spectru mZHAN G J ing2chun,GU A i2yu,M O H u i2fang(Co llege of A u tom ati on,Guangdong U n iversity of T echno logy,Guangzhou510090,Ch ina)Abstract:It is difficult to identify vari ous faults of electric mo to rs by using FFT to analyze the no ise signal. T h is paper introduces w avelet theo ry and app lies it to the common fault diagno sis of m icro2pow er inducti on mo to r.Several types of fault no ise are analyzed w ith m ulti2reso luti on analysis.T he results show that the p ropo sed m ethod has a better perfo r m ance in rap idity and validity.It also sheds ligh t on further research. Key words:electric mo to r;w avelet;no ise;fault diagno sis;energy spectrum1 前言 小功率异步电动机,特别是单相异步电动机在家用电器中应用十分广泛。
基于小波包频带能量检测技术的故障诊断

基于小波包频带能量检测技术的故障诊断
张兢;路彦和
【期刊名称】《微计算机信息》
【年(卷),期】2006(022)004
【摘要】在机械设备的在线检测和故障诊断中,振动信号分析是十分重要的手段.小波包变换能将振动信号按任意时频分辨率分解到不同频段,而各频段信号的能量变化包含着丰富的信息.在机械设备运行正常和非正常两种状况下,小波包分解后各频段信号的能量谱尺度图有明显差异.将小波包能量谱尺度图检测方法用于轴承振动信号的诊断处理,验证了该检测方法有效、可行,为机械故障诊断提供了一条新的途径.
【总页数】3页(P202-204)
【作者】张兢;路彦和
【作者单位】400050,重庆工学院电子信息与自动化学院;400050,重庆工学院电子信息与自动化学院
【正文语种】中文
【中图分类】TN911.23;TH165.3
【相关文献】
1.基于小波包频带能量检测的神经网络故障诊断技术 [J], 王锟;韩华亭;何广军
2.基于小波包频带能量分布的往复机故障诊断方法研究 [J], 李宏坤;鞠培刚;张志新;马孝江
3.基于小波包频带能量检测技术的故障诊断 [J], 张兢;路彦和
4.基于小波包频带能量检测技术的结构损伤诊断 [J], 何振宇;张森文
5.基于小波包频带能量特征提取的低速重载滑动轴承故障诊断研究 [J], 荆双喜;吴新涛;华伟
因版权原因,仅展示原文概要,查看原文内容请购买。
基于小波分析的电机故障诊断

小波变换的原理是将信号通过小 波函数进行滤波和叠加,从而得
到信号在不同尺度上的分解。
小波变换的性质
01
小波变换具有变焦特性,即可以在不同的尺度上观察信号的细 节。
02
小波变换具有方向性,可以提取信号在不同方向上的特征。
小波变换具有移位不变性,即对于同一小波函数的不同移位,
03
其变换结果相同。
小波分析在电机故障诊断中的应用
实时数据采集
使用传感器和数据采集设备,实时监 测电机的运行状态,如电流、电压、 温度等参数。
数据预处理
对采集到的原始数据进行清洗和整理 ,去除异常值和噪声,提高数据质量 。
小波变换
将处理后的数据进行小波变换,提取 特征信号,如谐波、突变等。
特征提取与诊断
根据小波变换的结果,提取故障特征 ,如电机内部磨损、断线等,进行故 障诊断。
展望了未来电机故障诊 断技术的发展趋势,如 结合深度学习等先进技 术的运用、多源信息融
合等研究方向。
提出了未来电机故障诊 断技术在实际应用中的 潜在挑战和解决方案。
THANKS
感谢观看
案例一
某钢铁企业轧机电机出现异常振动和噪音,通过基于小波分析的在线监测系统, 诊断出电机内部轴承磨损严重,建议企业及时更换轴承,避免了电机损坏和生产 线停产。
案例二
某化工企业泵电机在运行过程中出现电流波动异常,通过基于小波分析的在线监 测系统,诊断出电机绕组短路故障,及时维修避免了电机烧毁和生产事故的发生 。
数据处理方法
将采集到的数据进行小波 分析,提取故障特征。
实验结果与分析
正常状态
对正常运行的电机数据进行小波分析,获取正常运行状态下的特 征值,作为对比参考。
基于小波包分析的气泵故障诊断方法

文章编号 :(9 382 0 )4 00 2 10 —4 1{09 0 —0 1 —0 1
连 云港职业 技术学 院学报
Jun lo i y n agT c nc l olg o ra f a u gn eh ia l e L n C e
尺度适应性改变。故障诊 断时既能 提取特 征信号 的频率特 征, 又保持 了诊断信息 的时域 特征 , 析时把 信号分解 为低 分 频和高频两部分 , 在低频部 分具有较高 的频率 分辨率和较低 的时间分辨率 ; 在高频部分具有较高 的时 间分辨率和较低 的 频率分辨率。小波分 解 中低 频部分 失去 的信 息 由高频 部分
故障隐患 的缺点 。
r 2 3h -(。 )
2 )
2 故 障特征提取
3 ) j
(, ) 36
(. ) 37
本文采用风扇罩壳和泵 体上 的振 动信 号作为检测信号 , 利用小波包对检测信号进行多层分解 , 通过分频带能量特 征
提取故 障特征 向量可有 效检测气泵故障。
I 小 波分 析 … 与 小 波 包分 析
捕获 , 在下一层的分解中 , 只分解上一层的低频部分 , 留上 保
一
真空压力复合气泵 主要 由传 动部分 ( 电机 、 轴节 ) 工 联 、
作部分 ( 体、 泵 转子 、 滑片 ) 等组 成 , 子偏心配 置在泵体 内, 转 转子上开有若 干条 纵向槽 , 在槽 中装有 能径 向自由滑 动的滑
V0 . 2 No. 12 4 De 2 0 c. 0 9
基 于小 波 包 分 析 的气 泵 故 障 诊 断 方 法
戴金 跃
( 江高等 专科学 校 , 镇 江苏 镇 江 220 ) 103
05 基于小波包能量谱分析的电机故障诊断要点
应用天地 2008年 2月第 27卷第 2期基于小波包能量谱分析的电机故障诊断唐友怀张海涛罗珊姜喆(工程兵工程学院南京 210007摘要 :小波包是继小波分析后提出的一种新型的多尺度分析方法 [1], 解决了小波分析在高频部分分辨率差的缺点 , 体现了比小波分析更好的处理效果。
文章描述了小波包分析方法的基本原理及其实现算法 , 并从能量分布的角度出发 , 阐述了在电机故障诊断中 , 利用小波包分析方法将模糊故障信号进行量化、分解 , 从而便于用单片机进行处理、判断的一种新的应用途径 , 在实验室中模拟各种电机故障进行了实验验证 , 实验进一步表明基于小波包能量谱分析的电机故障诊断方法是一种方便灵活并且准确度很高的故障诊断方法。
关键词 :小波包 ; 故障诊断 ; 能量谱 ; 电机中图分类号 :TP182文献标识码 :AB ased on w avelet p acked energy motor fau lt diagnosisHaitao L uo Shan Jiang Zhe(College of Engineering Corps , Nanjing 210007Abstract :The wavelet packed is presented as a new kind of multiscale analysis technique followed Wavelet analysis. it re 2solved t he wavelet analysis disadvantage on t he part of high frequency resolution lower , showed better treat ment effect t han wavelet analysis. The f undamental and it s realization arit hmetic of t he wavelet packed analysis met hod are described in t his paper. A new application approach of t he wavelet packed met hod on t he motor fault diagnosis from energy distrib 2uting angle is expatiated. And given t he experimental met hod and t he conclusion. and a new application approach which is convenient for t he microchip to process and judge by using t he wavelet packed analysis met hod to make the f uzzy motor fault diagnosis signals quantized and analyzedis proposed in t his paper. K inds of motor fault s experiment s are simulated in t he lab and t he experiment s prove t hat it is a more convenient and accurate motor fault diagnosis met hod which is based on wavelet packed enemy spectrum analysis.K eyw ords :wavelet packed ;failure diagnosis ;enemy spectrum ;motor作者简介 :唐友怀 (19742 , 讲师 , 主要研究方向为电力工程及其自动化、氢能发电、机电一体化等。
隔膜泵复杂故障诊断技术研究与应用
隔膜泵复杂故障诊断技术研究与应用摘要:隔膜泵是一种常见的固液两相远距离输送设备,随着工业化进程的加速和对生产效率的要求越来越高,对隔膜泵能够稳定运行的要求也日益增加。
复杂的故障诊断技术研究及其应用已经成为了一个值得关注的研究方向。
本文主要介绍了隔膜泵故障诊断技术的研究现状以及应用实例。
其中,介绍了数据采集、分类诊断等技术的研究现状,并结合实际应用,分析了该技术在企业中的应用前景。
关键词:隔膜泵;故障诊断;传感器;机械故障;引言隔膜泵在矿山生产过程中被广泛应用,但由于生产环境的复杂性,隔膜泵的故障诊断十分困难,且对技术人员的要求较高,往往不能及时有效地排除故障。
因此,基于数据采集、分类诊断的隔膜泵复杂故障诊断技术研究已经成为了一个研究热点。
1 数据采集数据采集是指通过各种传感器对隔膜泵运行时产生的振动、压力、温度、流量等信号进行实时监测,并将这些原始数据采集下来。
通过数据采集,可以获取到隔膜泵的运行状态,包括其性能指标和故障情况等信息,为隔膜泵的故障诊断和预测提供有力的支持。
在实际应用中,通常需要通过多个传感器进行数据采集,以获取到更加全面、准确的数据信息。
例如,采用振动测量传感器可以对隔膜泵的振动进行监测,采用压力传感器可以对隔膜泵的压力进行监测,采用温度传感器可以对隔膜泵的温度进行监测,采用流量计可以对隔膜泵的流量进行监测等。
这些数据采集设备可以通过有线或者无线的方式与计算机进行连接,实现对隔膜泵运行状态的实时监测,并将采集到的数据进行存储和处理。
隔膜泵运行时产生的振动和声音是评价其性能的重要指标,通过对这些信号进行采集和分析,可以对隔膜泵的状态进行实时监测和评估。
例如,在隔膜泵的工作过程中,如果存在异常振动或噪声,可能意味着隔膜泵部件的磨损或松动,甚至可能导致设备故障。
因此,合理的数据采集和分析是保障隔膜泵正常运行的必要手段。
在隔膜泵数据采集的过程中,需要考虑采集设备的选择、采集频率、采集时间等一些关键参数。
基于小波包能量和神经网络的柱塞泵故障诊断
基于小波包能量和神经网络的柱塞泵故障诊断刘安宁;轩建平;高明【摘要】针对泵车用柱塞泵常出现的若干故障状态和正常状态,提取泵壳上方的振动加速度信号,利用小波包分解后得到的各频段的能量向量作为特征参数,在Fuzzy ARTMAP神经网络中进行故障分类研究,得到了非常好的诊断准确率,为泵车的远程故障诊断系统的搭建提供了理论依据.【期刊名称】《山西建筑》【年(卷),期】2011(037)008【总页数】2页(P227-228)【关键词】小波包能量;柱塞泵;故障诊断;神经网络【作者】刘安宁;轩建平;高明【作者单位】华中科技大学机械科学与工程学院,湖北武汉430074;华中科技大学机械科学与工程学院,湖北武汉430074;三一重工股份有限公司智能院,湖南长沙4100104【正文语种】中文【中图分类】TU6460 引言柱塞泵是泵车故障中较常见的故障源,柱塞泵作为整个液压系统的动力源,相当于液压系统的“心脏”,在系统中起着举足轻重的作用。
柱塞泵状态正常与否直接关系到整个系统的运行,此外柱塞泵运行情况对系统其他元件的寿命也有很大的影响。
研究柱塞泵的智能诊断方法,可以降低对维修人员经验的依赖性,并且可以提高诊断效率和准确率,降低故障发生的风险。
工程机械用柱塞泵工作环境一般较为恶劣,工作过程中背景噪声很大,时域、频谱等传统信号分析方法很难将故障特征频率提取出来,轴承、柱塞等微弱故障信号往往被泵中的配流冲击、流量脉动等引起的振动所淹没。
本文采用小波包分解方法对柱塞泵振动信号进行多层分解,将不同频段上的小波包能量作为特征参数,利用Fuzzy ARTMAP神经网络对柱塞泵的五种常见故障和正常状态进行分类识别。
1 小波包能量小波包分解[1]克服了小波分析中高频部分频率分辨率差的缺点,可以对信号在全频带范围内进行正交分解,以更高的分辨率展示信号在不同频段的时域信息。
小波包分解后可以把信号无泄漏、不重叠地分解到多个独立频段上。
原始信号的能量与小波变换的能量之间存在一定的等价关系,应用小波包能量谱来表述信号内的能量分布关系是可靠的。
基于小波包分解和MCKD的水泵轴承故障诊断方法
第43卷第2期2024年4月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报JournalofShenyangLigongUniversityVol 43No 2Apr 2024收稿日期:2023-05-04基金项目:辽宁省教育厅科学研究经费项目(LG202014)作者简介:蒋辉(1984 )ꎬ男ꎬ高级工程师ꎬ博士ꎬ研究方向为智能检测与控制技术㊁物联网应用技术ꎻ蒋强(1974 )ꎬ通信作者ꎬ男ꎬ教授ꎬ研究方向为智能控制理论及算法ꎮ文章编号:1003-1251(2024)02-0038-07基于小波包分解和MCKD的水泵轴承故障诊断方法蒋㊀辉1ꎬ2ꎬ邱露鹏1ꎬ蒋㊀强1(1.沈阳理工大学自动化与电气工程学院ꎬ沈阳110159ꎻ2.沈阳天眼智云信息科技有限公司ꎬ沈阳110179)摘㊀要:针对水泵在实际应用中所处环境复杂㊁故障信号包含大量噪声难以提取的问题ꎬ提出了一种结合小波包分解和最大相关峭度解卷积(MCKD)的水泵轴承故障诊断方法ꎮ首先ꎬ应用小波包分解对原始信号进行分解ꎬ根据分解信号的信噪比和标准差选取合适的分量进行重构ꎻ然后ꎬ采用MCKD算法对重构信号降噪处理ꎬ突出信号中的有效周期冲击成分ꎻ最后ꎬ对处理好的信号进行包络谱分析ꎬ从包络谱中得到故障频率ꎮ实验结果表明ꎬ小波包分解和MCKD方法能够有效提取水泵轴承故障特征频率ꎬ可为工程实际应用提供参考ꎮ关㊀键㊀词:最大相关峭度解卷积ꎻ小波包分解ꎻ故障诊断ꎻ轴承中图分类号:TH133.33文献标志码:ADOI:10.3969/j.issn.1003-1251.2024.02.006AFaultDiagnosisMethodforWaterPumpBearingsBasedonWaveletPacketDecompositionandMCKDAlgorithmJIANGHui1ꎬ2ꎬQIULupeng1ꎬJIANGQiang1(1.ShenyangLigongUniversityꎬShenyang110159ꎬChinaꎻ2.ShenyangSkyEyeIntelligenceCloudInformationandTechnologyCo.ꎬLtd.ꎬShenyang110179ꎬChina)Abstract:Fortheproblemthatthepumpisinacomplexenvironmentinpracticalapplicationsandthefaultsignalcontainsalotofnoisethatisdifficulttoextractꎬapump ̄bearingfaultdiagnosismethodcombiningwaveletpacketdecompositionandmaximumcorrelationkurtosisdeconvolution(MCKD)isproposed.Firstlyꎬwaveletpacketdecompositionisappliedtodecomposetheoriginalsignalꎬandtheappropriatecomponentsareselectedforreconstructionaccordingtothesignal ̄to ̄noiseratioandstandarddeviationofthedecomposedsignal.ThentheMCKDalgorithmisusedtoreducethenoiseofthereconstructedsignalandhighlighttheeffectiveperiodicshockcomponentsinthesignal.Finallyꎬtheprocessedsignalisanalysedbyenvelopespectrumꎬfromwhichthefaultfre ̄quencyisobtained.TheexperimentalresultsshowthatthewaveletpacketdecompositionandMCKDmethodscaneffectivelyextractthecharacteristicfrequencyofwaterpumpbearingfaultsꎬwhichcanbeusedasareferenceforengineeringpracticalapplications.Keywords:maximumcorrelationkurtosisdeconvolutionꎻwaveletpacketdecompositionꎻfaultdiag ̄nosisꎻbearing㊀㊀水泵是工业生产中最常用的一种设备ꎬ工业循环水系统的正常运转需要水泵的稳定运行ꎮ滚动轴承是水泵最重要的组成部分ꎬ其出现故障会对水泵甚至整个系统运转造成重大的影响[1]ꎮ轴承故障诊断是工业4 0时代智能制造等新兴产业的重要研究方向之一ꎬ对滚动轴承进行运行状态的监测和诊断对工业生产及推动智能制造具有积极作用[2]ꎮ由于实际生产中水泵所处环境复杂ꎬ对滚动轴承振动数据进行采集时不可避免地会包含大量噪声ꎬ从而影响其故障频率的提取[3-4]ꎮ针对含噪的非平稳故障信号ꎬ已有很多学者提出了具有针对性的降噪算法ꎮ易文华等[5]针对经验模态分解(EMD)滤波对爆破振动信号去噪效果不佳的问题ꎬ提出了EMD改进算法ꎬ解决了EMD分解信号过程中出现的模态混叠问题ꎮ徐乐等[6]针对齿轮箱振动故障特征难以识别的问题ꎬ提出了基于局部均值分解(LMD)能量熵故障诊断方法ꎬ该方法能显著区分齿轮箱的故障类型ꎮ熊常亮等[7]提出了联合LMD与EMD的全球导航卫星系统(GNSS)站坐标时间序列去噪方法ꎬ使降噪后的信号均方根误差更小ꎬ相关系数与信噪比更大ꎮ由于EMD和LMD存在模态混叠和端点效应ꎬ会对降噪效果产生影响ꎮ曹玲玲等[8]提出了一种基于集合经验模态分解(EEMD)和快速谱峭度的故障诊断方法ꎬ有效克服了EMD分解的模态混叠和端点效应ꎬ检测出了滚动轴承的故障频率ꎮ何玉灵等[9]利用最大相关峭度解卷积(MCKD)算法对发电机振动信号进行故障特征提取ꎬ更加清晰地获取了信号的故障信息ꎮ唐道龙等[10]提出了基于参数优化的MCKD方法ꎬ用于行星齿轮箱微弱故障的诊断ꎬ该方法可从强背景噪声下的行星齿轮箱振动信号中提取微弱的故障信号ꎬ有效抑制了噪声干扰ꎮ上述方法虽然在故障振动信号降噪方面取得了一定的效果ꎬ但均无法完全消除分解算法中存在的模态混叠和端点效应ꎬ对于噪声更大或者更微弱故障信号的提取仍然难度很大ꎮ基于上述分析ꎬ本文将小波包分解和MCKD两种算法相结合进行故障特征提取ꎮ首先采用算法复杂度较小且无需考虑端点效应的小波包分解方法对信号进行分解ꎬ计算分量的峭度值和信噪比ꎬ选择合适的分量重构信号ꎻ然后利用MCKD[11]突出处理后信号被噪声淹没的周期性故障特征ꎻ最后采用包络谱分析轴承故障特征ꎮ1㊀基本理论1.1㊀小波包分解小波分析对处理非平稳信号具有很好的效果ꎬ小波包分解在小波变换的基础上产生并发展[12]ꎮ相较而言ꎬ小波包分解是一种更加精细的分解算法ꎬ其不仅能够有效地对信号低频部分进行分解ꎬ还能更加强化对信号高频部分的分解能力ꎮ三层小波包分解原理如图1所示ꎮ图中第一层的S(0ꎬ0)为振动原始信号ꎬ经过三层小波包分解ꎬS(0ꎬ0)分解为八段不同频段的子信号S(3ꎬi) (i=0ꎬ1ꎬ ꎬ7)ꎮ设原始信号频率为0~xꎬ第三层八个频段范围如表1所示ꎮ图1㊀三层小波包分解原理图Fig.1㊀Schematicdiagramofthree ̄layerwaveletpacketdecomposition表1㊀第三层小波包分解各频段范围Table1㊀Thethirdlayerwaveletpacketdecompositionforeachfrequencybandrange第三层节点子信号频段范围/HzS(3ꎬ0)0~0 125xS(3ꎬ1)0 125x~0 25xS(3ꎬ2)0 25x~0 375xS(3ꎬ3)0 375x~0 5xS(3ꎬ4)0 5x~0 625xS(3ꎬ5)0 625x~0 75xS(3ꎬ6)0 75x~0 875xS(3ꎬ7)0 875x~x1.2㊀MCKD算法MCKD以滤波后信号的相关峭度为目标函数求解最优解卷积滤波器参数[13]ꎬ该算法在强噪声环境下更易于提取轴承故障信号中的相关成分ꎬ在轴承故障诊断中获得了广泛应用ꎮ相关峭度CKM(T)定义为CKM(T)=ðNn=1(ᵑMm=0yn-mT)2(ðNn=1y2n)M+1(1)式中:T为解卷积周期ꎻN为输入信号长度ꎻM为位移数ꎻyn为传感器采集的振动信号ꎮ解卷积周期T由信号的采样频率fs和轴承故障特征频率ff决定ꎬ其计算式为93第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法T=fsff(2)yn计算式为yn=ðLk=1fkxn-k+1(3)式中:xn为输入信号ꎻ以f表示长度为L的滤波器的系数向量ꎬf=[f1㊀f2㊀ ㊀fL]TꎮMCKD算法的目标函数为maxfCKM(T)=maxfðNn=1(ᵑMm=0yn-mT)2(ðNn=1y2n)M+1(4)由式(3)和式(4)可得f表达式为f= y 2(M+1) β 2(X0XT0)-1ðMm=0XmTαm(5)其中y=XT0ˑf(6)Xr=x1-rx2-rx3-r xN-r0x1-rx2-r xN-1-r00x1-rxN-2-r⋮⋮⋮⋱⋮000xN-L-r+1éëêêêêêêêùûúúúúúúúLˑN(7)式中r=0ꎬTꎬ2Tꎬ ꎬmTꎮαm=y-11-mT(y21y21-Ty21-MT)y-12-mT(y22y22-T y22-MT)⋮y-1N-mT(y2Ny2N-T y2N-MT)éëêêêêêùûúúúúúNˑ1(8)β=y1y1-T y1-MTy2y2-T y2-MT⋮yNyN-T yN-MTéëêêêêêùûúúúúúNˑ1(9)最大相关峭度求解过程如下:1)初始化周期T㊁位移数M和滤波器长度Lꎻ2)根据输入信号xn计算XmT㊁X0XT0和(X0XT0)-1ꎻ3)根据式(3)计算经过滤波后的信号ynꎻ4)根据yn计算αm和βꎻ5)根据式(5)更新滤波器系数fꎻ6)如滤波前后信号相关峭度差值ΔCKm(T)大于ε(ε为迭代终止限)时ꎬ跳转到步骤2)ꎬ否则结束迭代ꎮ1.3㊀故障诊断流程图基于小波包分解和MCKD算法的水泵轴承故障诊断流程如图2所示ꎮ图2㊀基于小波包分解和MCKD算法的水泵轴承故障诊断流程图Fig.2㊀FlowchartforfaultdiagnosisofwaterpumpbearingsbasedonwaveletpacketdecompositionandMCKDalgorithm2㊀试验验证及结果分析2.1㊀开源轴承数据分析本节采用美国西储大学的开源轴承数据ꎬ数据采集试验台如图3所示ꎮ图3㊀开源轴承数据采集试验台Fig.3㊀Opensourcebearingdataacquisitiontestbench㊀㊀进行算法验证的模拟试验台采用SKF公司的深沟球滚动轴承(型号为6205 ̄2RS)ꎬ轴承转速约为1797r/minꎬ采样频率为12kHzꎬ连续采样ꎮ轴承部分参数如表2所示ꎮ㊀㊀轴承的内圈故障特征频率finner计算式为finner=Z21+dDcosαæèçöø÷fr(10)式中fr为轴承固有旋转频率ꎬfr=r/60ꎮ04沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷表2㊀轴承部分参数Table2㊀Partialparametersofthebearing参数数值滚珠数量Z/个9接触角α/(ʎ)0节径D/mm39 04滚动体直径d/mm7 94㊀㊀根据式(10)可计算得到在转速为1797r/min下轴承的内圈故障频率finnerʈ162Hzꎮ内圈故障信号时域波形如图4所示ꎬ直接对其进行包络谱分析ꎬ如图5所示ꎮ图5中虽然能看到近似内圈故障的故障频率ꎬ但该故障频率及其倍频成分均被淹没在噪声频率中ꎬ无法对轴承状态诊断结果提供决定性信息ꎮ图4㊀原始信号时域波形Fig.4㊀Time ̄domainwaveformoftheoriginalsignal图5㊀原始信号包络谱Fig.5㊀Envelopespectrumoftheoriginalsignal㊀㊀小波包分解第三层各个节点的时域波形如图6所示ꎮ小波包分解第三层各个节点子信号的信噪比与峭度值如表3所示ꎮ图6㊀第三层小波包分解波形Fig.6㊀Waveletdecompositionwaveformofthethirdlayer表3㊀第三层节点子信号信噪比和峭度值Table3㊀Signal ̄to ̄noiseratioandkurtosisvalueofthethirdlayersignal第三层节点子信号信噪比/dB峭度值S(3ꎬ0)28 565 42S(3ꎬ1)22 944 85S(3ꎬ2)8 103 39S(3ꎬ3)4 796 21S(3ꎬ4)3 935 31S(3ꎬ5)13 625 28S(3ꎬ6)9 324 13S(3ꎬ7)10 034 08㊀㊀综合比较表3中各节点子信号的信噪比和峭度值ꎬ选择节点S(3ꎬ0)㊁节点S(3ꎬ2)和节点S(3ꎬ5)子信号数据进行重构ꎮ图7为原始信号经过小波包分解重构后的时域波形图ꎬ图8为小波包分解重构信号经过MCKD降噪后信号的时域波形图ꎮ㊀㊀经过MCKD降噪后信号的包络谱如图9所示ꎮ由图9可明显看到故障频率及其2倍频和3倍频ꎬ据此可精准判断该轴承内圈发生故障ꎮ2.2㊀现场试验数据分析现场水泵试验台如图10所示ꎬ图中各数字表14第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法图7㊀小波包分解重构后信号的时域波形Fig.7㊀Timedomainwaveformofthereconstructedsignalafterwaveletpacketdecomposition图8㊀MCKD降噪后信号时域波形Fig.8㊀SignaltimedomainwaveformafterMCKDnoisereduction图9㊀MCKD降噪后信号包络谱Fig.9㊀EnvelopespectrumoftheMCKDdenoisedsignal示测点位置ꎮ采用深沟球滚动轴承ꎬ转速约为1400r/minꎬ采样频率为2 5kHzꎬ连续采样ꎮ轴承部分参数如表4所示ꎮ㊀㊀试验中采集正常状态㊁轴承内圈故障㊁外圈故障三种工况下的轴承振动数据ꎬ限于篇幅ꎬ本文只对轴承内圈故障数据进行详细的算法验证分析ꎮ根据实际水泵各部分连接情况ꎬ采用6个传感器接收不同部位振动数据ꎬ图10中测点1为进水口位置ꎬ测点5为出水口位置ꎬ测点2㊁3㊁4为基座位置ꎬ测点0为接线盒位置ꎬ6个测点可以保证水泵各重要位置振动数据完备ꎮ图10㊀现场水泵试验台Fig.10㊀Waterpumptestbenchonsite表4㊀现场轴承部分参数Table4㊀Partialparametersofthefieldbearing参数数值滚珠数量Z/个8接触角α/(ʎ)0节径D/mm80滚动体直径d/mm9㊀㊀根据测点0内圈故障原始数据绘制包络谱如图11所示ꎮ由式(10)计算得到该轴承理论内圈故障特征频率finnerʈ103Hzꎬ但图11中故障频率被大量噪声频率掩盖ꎬ无法判断轴承运行状态ꎮ图11㊀原始信号包络谱(测点0)Fig.11㊀Originalsignalenvelopespectrum(measuringpoint0)㊀㊀对测点0原始信号数据进行三层小波包分解ꎬ分解后第三层各节点子信号的时域波形如图12所示ꎮ24沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷图12㊀第三层小波包分解波形(测点0)Fig.12㊀Thirdlayerwaveletpacketdecompositionwaveform(measuringpoint0)㊀㊀小波包分解第三层各节点子信号的信噪比与峭度值如表5所示ꎮ综合比较各节点子信号的信噪比和峭度值ꎬ选择节点S(3ꎬ0)㊁节点S(3ꎬ2)和节点S(3ꎬ4)子信号数据进行重构ꎮ表5㊀第三层信号信噪比和峭度值(测点0)Table5㊀Signaltonoiseratioandkurtosisvalue(measurementpoint0)ofthethirdlayersignal第三层节点子信号信噪比/dB峭度值S(3ꎬ0)14 083 89S(3ꎬ1)12 492 63S(3ꎬ2)11 804 15S(3ꎬ3)5 484 25S(3ꎬ4)9 873 81S(3ꎬ5)7 423 23S(3ꎬ6)7 702 90S(3ꎬ7)8 493 18㊀㊀测点0的原始信号经过小波包分解重构和MCKD降噪处理后的包络谱如图13所示ꎮ对比图11中直接对测点0原始信号进行包络谱处理ꎬ由图13中经过处理后的数据可以清楚提取到故障频率(103Hz)附近频率以及2㊁3㊁4倍频ꎮ剩余5个测点使用本文方法达到的效果如图14所示ꎬ可见ꎬ其他测点亦显示出内圈故障的特征频率及其倍频ꎮ图13㊀经过MCKD降噪后包络谱(测点0)Fig.13㊀EnvelopespectrumafterMCKDnoisereduction(measurementpoint0)图14㊀原始信号经处理后的包络谱(测点1~5)Fig.14㊀Theenvelopespectrumoftheoriginalsignalafterprocessing(measurementpoints1~5)㊀㊀图15为轴承外圈故障数据经过本文方法降噪处理后的包络谱ꎬ根据理论计算得到轴承外圈故障频率约为67Hzꎬ由图15可以看到外圈故障频率的1㊁2㊁3倍频ꎮ由此证实了本文提出方法的有效性ꎮ图15㊀外圈故障包络谱Fig.15㊀Outerringfaultenvelopespectrum34第2期㊀㊀㊀蒋㊀辉等:基于小波包分解和MCKD的水泵轴承故障诊断方法3 结论针对传统分解算法存在模态混叠㊁端点效应以及算法复杂度高的问题ꎬ提出了一种基于小波包分解与MCKD的水泵轴承故障诊断方法ꎮ相比传统分解算法ꎬ小波包分解可以避免模态混叠和端点效应对原始数据分解造成的影响ꎬ且能够简化计算ꎻMCKD方法可以增强信号中的冲击成分ꎮ对两种不同试验台数据进行分析ꎬ结果表明ꎬ将小波包分解和MCKD两种方法相结合可以明显消除原始信号中的噪声ꎬ能够更容易地提取轴承的故障特征ꎮ本文方法为滚动轴承故障诊断提供了一种新思路ꎬ具有重要的指导意义ꎮ参考文献(References):[1]㊀王星河ꎬ王红军ꎬ刘国庆.基于谱峭度的滚动轴承故障诊断方法[J].设备管理与维修ꎬ2021(9):151-153.WANGXHꎬWANGHJꎬLIUGQ.Faultdiagnosismethodofrollingbearingbasedonspectralkurtosis[J].PlantMainte ̄nanceEngineeringꎬ2021(9):151-153.(inChinese) [2]㊀舒相挺ꎬ杨璋ꎬ徐逸哲ꎬ等.某循环海水泵振动故障诊断与趋势分析[J].振动㊁测试与诊断ꎬ2022ꎬ42(4):791-796ꎬ831.SHUXTꎬYANGZꎬXUYZꎬetal.Vibrationfaultdiagnosisandtrendanalysisofcirculatingseawaterpump[J].JournalofVibrationꎬMeasurement&Diagnosisꎬ2022ꎬ42(4):791-796ꎬ831.(inChinese)[3]㊀潘云杰ꎬ李颖ꎬ王欣威ꎬ等.基于SPA和SQPE的往复压缩机滑动轴承故障特征提取方法[J].沈阳理工大学学报ꎬ2022ꎬ41(4):20-25.PANYJꎬLIYꎬWANGXWꎬetal.FaultfeatureextractionmethodforreciprocatingcompressorslidingbearingbasedonSPAandSQPE[J].JournalofShenyangLigongUniversityꎬ2022ꎬ41(4):20-25.(inChinese)[4]㊀邬天骥.基于机器学习的数据驱动故障诊断方法研究[D].杭州:浙江工业大学ꎬ2019.[5]㊀易文华ꎬ刘连生ꎬ闫雷ꎬ等.基于EMD改进算法的爆破振动信号去噪[J].爆炸与冲击ꎬ2020ꎬ40(9):77-87.YIWHꎬLIULSꎬYANLꎬetal.Vibrationsignalde ̄noisingbasedonimprovedEMDalgorithm[J].ExplosionandShockWavesꎬ2020ꎬ40(9):77-87.(inChinese)[6]㊀徐乐ꎬ李伟ꎬ张博ꎬ等.基于LMD能量熵的齿轮箱故障诊断研究[J].机械传动ꎬ2022ꎬ46(10):24-29.XULꎬLIWꎬZHANGBꎬetal.Researchongearboxfaultdi ̄agnosisbasedonLMDenergyentropy[J].JournalofMe ̄chanicalTransmissionꎬ2022ꎬ46(10):24-29.(inChinese) [7]㊀熊常亮ꎬ贺小星ꎬ马下平ꎬ等.联合LMD与EMD的GNSS站坐标时间序列去噪方法[J].测绘通报ꎬ2022(2):78-82.XIONGCLꎬHEXXꎬMAXPꎬetal.DenoisingmethodofGNSSstationcoordinatetimeseriesbasedonLMDandEMD[J].BulletinofSurveyingandMappingꎬ2022(2):78-82.(inChinese)[8]㊀曹玲玲ꎬ李晶ꎬ彭镇ꎬ等.基于EEMD和快速谱峭度的滚动轴承故障诊断研究[J].机电工程ꎬ2021ꎬ38(10):1311-1316.CAOLLꎬLIJꎬPENGZꎬetal.Faultdiagnosisofrollingbear ̄ingbasedonEEMDandfastspectralkurtosis[J].JournalofMechanical&ElectricalEngineeringꎬ2021ꎬ38(10):1311-1316.(inChinese)[9]㊀何玉灵ꎬ王珂ꎬ仲昊ꎬ等.基于最大相关峭度解卷积算法的发电机特征振动信号增强检测[J].华北电力大学学报(自然科学版)ꎬ2017ꎬ44(3):67-73ꎬ89.HEYLꎬWANGKꎬZHONGHꎬetal.Enhanceddetectionofgenerator scharacteristicvibrationsignalbasedonmaximumcorrelatedkurtosisdeconvolution[J].JournalofNorthChinaElectricPowerUniversity(NaturalScienceEdition)ꎬ2017ꎬ44(3):67-73ꎬ89.(inChinese)[10]唐道龙ꎬ李宏坤ꎬ王朝阁ꎬ等.基于参数优化MCKD的行星齿轮箱微弱故障诊断研究[J].机电工程ꎬ2018ꎬ35(8):779-785.TANGDLꎬLIHKꎬWANGCGꎬetal.Faultdiagnosisofplanetgearboxbasedonparameteroptimization sMCKD[J].JournalofMechanical&ElectricalEngineeringꎬ2018ꎬ35(8):779-785.(inChinese)[11]MCDONALDGLꎬZHAOQꎬZUOMJ.Maximumcorrelatedkurtosisdeconvolutionandapplicationongeartoothchipfaultdetection[J].MechanicalSystemsandSignalProcessingꎬ2012ꎬ33:237-255.[12]DAVOODISꎬMOSTAFAPOURA.Gasleaklocatinginsteelpipeusingwavelettransformandcross ̄correlationmethod[J].TheInternationalJournalofAdvancedManufacturingTechnologyꎬ2014ꎬ70(5/6/7/8):1125-1135.[13]刘兴教ꎬ赵学智ꎬ李伟光ꎬ等.基于峭度原则的EEMD ̄MCKD的柔性薄壁轴承故障特征提取[J].振动与冲击ꎬ2021ꎬ40(1):157-164.LIUXJꎬZHAOXZꎬLIWGꎬetal.EEMD ̄MCKDfaultfea ̄tureextractionmethodforflexiblethin ̄wallbearingbasedonkurtosisprinciple[J].JournalofVibrationandShockꎬ2021ꎬ40(1):157-164.(inChinese)(责任编辑:宋颖韬)(上接第37页)[21]王然然ꎬ魏文领ꎬ杨铭超ꎬ等.考虑协同航路规划的多无人机任务分配[J].航空学报ꎬ2020ꎬ41(S2):724234.WANGRRꎬWEIWLꎬYANGMCꎬetal.TaskallocationofmultipleUAVsconsideringcooperativerouteplanning[J].ActaAeronauticaetAstronauticaSinicaꎬ2020ꎬ41(S2):724234.(inChinese)[22]张梦颖ꎬ王蒙一ꎬ王晓东ꎬ等.基于改进合同网的无人机群协同实时任务分配问题研究[J].航空兵器ꎬ2019ꎬ26(4):38-46.ZHANGMYꎬWANGMYꎬWANGXDꎬetal.Cooperativereal ̄timetaskassignmentofUAVgroupbasedonimprovedcontractnet[J].AeroWeaponryꎬ2019ꎬ26(4):38-46.(inChinese)[23]王轩.多无人机任务分配与航迹规划算法研究[D].西安:西安电子科技大学ꎬ2020.(责任编辑:和晓军)44沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第43卷。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
Ke y wor ds: r cprc tng da r g pu e i o a i iph a m mp;vir to in l a l a n ss; v ltp c e ; neg p cr b ai n sg a ;f u tdig o i wa ee a k t e r y s e tum
的频 带能量谱 某一或几个频带 内信号能量 的改变 , 即代表
基金项 目: 国家 自然科学基金资助项 目(1 6 0 7 ; 5 1 9 0 ) 云南省科 技计划资助项 目( 00 H 0 ,0 1 A 0 ; 2 1 D O 4 2 1 D 05) 云南省 中青 年学术和技术带 头人 后备人才培养计划资助项 目(0 1 11 ) 2 1 C0 7
21 0 2年 第 3 卷 第 1 1 0期
传 感器与微 系统 ( rndcr n c ss m Tc nl is Tasue dMi oyt eh o g ) a r e oe
4 5
基 于 小 波 包 能 量 谱 的往 复 式 隔膜 泵 故 障诊 断研 究
印 嘉 ,吴建德 ,王 晓 东 ,范玉 刚 , 国勇 , 黄
f ) u( =∑ h n 。 k( 一) u2
? . () 4
tn () /+ =∑ g |  ̄1 2 ( 一) “2 j }
其中 , -1 。 即两 系数也具有正交关系 , g :( )h~ , 特别
是 , n=O时 , 以上 两 式 直 接 得 到 当 由 )
细 的 分 析 方 法 , 过 对 频 带 进 行 多层 次划 分 , 没 有 细 分 的 通 把
(x-k ,^ 2 ) {
E z .
.
【) ( 0 5J
【 ( =∑ g o , } f 。) k( 一) U2
式 () 5 分别为尺度函数 u( 与小波 函数 “ ( 的双尺 。 ) 。 ) 度方程 。利用式( ) 4 和式( ) 5 可以得 到如下空 间分解
号多耦合性 以及强烈 的非线形性 , 以, 所 对其进行故 障诊 断 比较 困难 J 。小 波包 变换 具有对 非平 稳信 号进 行 局部 化
分 析 的功 能 , 是 在 多 分 辨 率 基 础 上 构 成 的 一 种 更 精 细 的 它
直接决定 整个 管道输送系统 的可靠性 , 因此 , 对其进行状 态 监测与故 障诊 断具 有重要意义 。对于机械设备故 障诊 断方 法有很多 , 中, 于振 动信号的分析方法是一种广泛使 用 其 基 的有效方法 , 它是通过采集 往复式 隔膜泵 工作 时的振 动
定 义 子 空 间 为 函 数 “ ( 的 闭 包 空 间 , ) 而
是 函
数 u ( 的 闭包 空 间 , 令 1( 满 足下 面 的双 尺 度 方 程 。 ) 并 1 ) ,
小波包 分析是小 波分析 的改进 , 它兼顾 了加窗傅 里叶 变换 和小波变换 的优 点。小波变换 中的多分辨分 析的基本 思想是把信号投影到一组互相正交的小波 函数构 成的子空
隔膜泵 的故障特征频率 , 断出故 障。实验 表明 : 诊 通过小 波包 能量谱对往复式隔膜泵进行故障诊断是有效
可行 的。
关 键 词 :往 复式 隔 膜 泵 ; 动 信 号 ; 障 诊 断 ;小 波 包 ; 量 谱 振 故 能 中 图分 类 号 :T 2 9 P 0 文 献 标 识码 :A 文 章 编 号 :10 -7 7 2 1 ) 004 -3 009 8 ( 0 2 1-0 50 -
隔膜 泵故 障诊断方法 。小波包能将振 动信 号分解 到不 同子频带 , 过各子频带 信号 的能 量变化反 映设备 通
运行状况 。通 过采集往复式隔膜泵振动信 号 , 进行小波包分解为多个子频带 , 求出各频带的能量和能量 比 例, 然后对 比故 障振动信 号和正常振动信号的频带能量谱 比例 图 , 出发 生故 障的频带 , 而找 出往复式 找 进
正交分解方法 , 它可以根据被分析信号本身的特点 , 自适 应
地选择频带 , 确定信 号在不 同频段 的分辨率 对小波 包分解
得到的各频带 内的信号 进行统 计分析 , 形成 反映信 号特征
信号 , 并对振 动信 号进行分 析和研 究来 诊断往 复式 隔膜泵
收 稿 日期 :02 0 - 1 2 1 -8 2
Ab t a t Ai n a i est ,u c ran y n c n u r n y h r ce it s f f i r o t e e i r c t g sr c : mi g t v r i d y n et i t a d o c re c c a a trs c o al e f h rc p o ai i u n
Ja - e - 一 YI i 1 w u in d 1 N ja 一
,
,
WA GXa- n , A ugn , U N u一 nl N i d g- F NY . g- H A GG。 0g2 o0 - a 一 y ,
( . c o lo n o ma inEn ie rn n tmain, n n ie s y o 1 S h o fI fr t gn e iga d Au o t o o Ku mig Unv ri f t
sg a o f d fi r e t r e u n y S s t n u h a l c a a tr tc fe u n y o h e i r c t g in l n al e fau e f q e c , O a o f d o t t e fu t h r ce i i q e c ft e r cp o ai t i u r i s r n
Re e r 1 ' s a C 0n e i oc ・ ' ’ ag ~ n r c ‘ pr atng di i ● ● aphr m PUm p ●ul t 1 ● a t J
d a n ss ba e n w a ee c e n r y s e t u i g o i s d 0 v ltpa k te e g p c r m
0 引 言
故障 。 由于 往 复 式 隔膜 泵 结 构 复 杂 、 励 源 多 、 损 件 多 、 激 易 信
目前 , 由于 管 道 输 送 行 业 的 迅 速 发 展 , 成 往 复 式 隔 膜 促
泵大量使 用。作 为管道输送 的核 心动力 输 出设 备 , 往复 式
隔膜 泵 发 挥 着 关 键 作 用 。往 复 式 隔膜 泵 的运 行 性 能 的好 坏
传 感 器 与 微 系 统 了一种故 障情况 。因而 , 以提取 包含 待诊断 部件 故障 可 信息 的频带 能量谱 , 进而得到故障诊断 的特征 频带 , 以此作 为故障诊 断的依 据。
1 小 波 包 分 析
( . 明 理 工 大 学 信 息 工程 与 自动 化 学 院 , 南 昆 明 6 00 1昆 云 5 50; 2 云 南 省 矿 物 管 道 输 送 工 程 技 术 研 究 中 心 , 南 昆 明 60 0 ) . 云 5 50
摘 要 :针对往复式隔膜泵故 障的多元性 、 不确定性和并发性 的特点 , 出了基于小波包能量谱 的往复式 提
+ = ① 。 . () 6
高频部分进一步分解 , 并能够根据被分 析信号 的特 征 , 自适
应地 选择 频段 , 与信号 频谱 相互 匹配 , 而提 高时频 分辨 从 率’, 因此 , 具有极为广泛的应用价值。图 1为一个三层小
波包树形分解 图。
小波包分解算法 : { “' 求 { 由 }
d a h a m m p, fu t ig ss eh d o e i oc tng i p r g i p r g pu a a l d a no i m to f r r cpr a i d a h a m p ump a e o wa e e c e e e g b s d n v l tpa k t n ry s cr m s prpo e pe tu i o s d.W a l tpa k tc n e o os vbrto sg lt dfee u b n ,a h o g e c vee c e a d c mp e i a in ina o ifr nts b— a ds nd t r u h a h s — n ina neg ha g s,e e t q p e to e a ig c n ii n . r ug h c u sto f rcpr c tng ub ba d sg le r y c n e r f cs e uim n p r tn o d to s Th o h te a q iii n o e i o ai l d a r g pu p v b ai n sg a ,h v ltpa ke c m p s s t utpl u b n iph a m m i r to in t e wa e e c tde o o e o m li e s b— a ds, ac lt st e e e g n l c l u ae h n r y a d e e g ai fe c a d, nd t n omp r e r a i p cr n ry r to o a h b n a he c a e ne g r to s e tum ff u tvb ain sg a n n r a i ain y o a l ir to in la d om lvbrto
Sce e a inc nd c Te hno o y, unm i 5 0 , lg K ng 6 05 0 Chi na;
2 E gn e igRee rh Ce e o ie a i ei eTr n p rain o n a Ku mi g6 0 0 Chn . n ie rn sa c ntrf rM n r l p l a s o tto fYu n n. n n 5 5 0, ia) P n