机械故障信号小波包分解的时域特征提取方法研究
故障信号特征提取
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
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。
基于小波包的舵机故障特征提取方法研究
舰 船 电 子 工 程
Ｓ ｉ ｅ ｔ ｏ ｉ Ｅｎ ｉ ｅ ｒｎ ｈ ｐ Ｅｌｃ ｒ ｎ ｃ ｇｎ ｅｉｇ
Ｖｏ ． １ Ｎｏ ６ １３ ．
１ ４６
基 于 小 波 包 的 舵 机 故 障 特 征 提 取 方 法 研 究
周 晶 宋 辉 余 家祥
ｗｈ ｎｅ ｕｐ ｎ ｓｒ ｎ ｉｇｕ ｄ ｒｅｆｃｓｏ ｎ ｉｏ ｍｅ ｔ ｎ ｈ ａ ｌ Ｆ ｕｔｆａｕ ｅｅ ｔａｔ ｎｉ ｈ ｎ ｆｔ ｅｍｏ ｔｄｆｉｕｔ ｅ ｑ ｉｍｅ ｔｉ ｕ ｎｎ ｎ ｅ ｆｅ ｔ ｆ ｖｒ ｎ ｎ ｄｔ ｅｆｕｔ ａ ｌ ｅ ｔ ｒ ｘ ｒ ｃｉ ｓｔ ｅｏ ｅｏ ｈ ｓ ｉ ｃ ｌ ｅ ａ ． ｏ ｆ
取 的特 征 向量 为 ： ８－［ Ｅ ， ， ］ Ｅ ￣ Ｅ徊， １… Ｅ ／ －
３ 舵 机 故 障 特 征 提 取 步 骤
设 备发 生故 障 时 ， 障信号 往 往会 被 高频 振 动 故
信 号调 制 ， 调 制信号 的包 络更 集 中地 携 带 了有 效 故
分析 信号 的特 征 ， 自适 应 地选 择 相 应 的 频 带 ， 之 使 与信 号频 谱相 匹配 ， 现 了对 信 号 时频 域 任 意精 确 实
严 重威胁 船舶 航行 安全 。因此通 过 日常 监 控 ， 提早
诊 断设备 的故障显 得 至关重 要 。 近年 来 ， 基于样 本 分析 的智 能故 障 诊 断方法 发
同时对各种高频振动和噪声也全部接收， 在故障发 生初期 ， 故障特征信号往往淹没在高频振动和噪声
中难 以分辨 。较 弱 的故 障 信 号甚 至会 被 高 频 振 动
－
—
１
Ｅ一
机械振动信号的特征提取与故障诊断
机械振动信号的特征提取与故障诊断引言：机械振动作为一种常见的故障信号，具有广泛的应用领域。
振动信号的特征提取和故障诊断是现代工业中一个重要的问题，它对于提高设备的运行稳定性和可靠性具有重要意义。
本文旨在探讨机械振动信号的特征提取方法，并分析其在故障诊断中的应用。
一、机械振动信号的特征提取1. 时间域分析时间域分析是对振动信号进行快速分析的一种方法，它主要通过对信号的幅值和时间的分析，提取振动信号的周期、幅值和波形等特征。
其中，最常用的方法是时域波形图、方差和峰值等统计指标。
2. 频域分析频域分析是一种将振动信号从时域转换到频域的方法。
通过对振动信号进行傅里叶变换，可以将其分解成不同频率的分量。
常见的频域特征包括功率谱密度、频谱图和频率响应等。
3. 小波分析小波分析是一种将振动信号分解成不同尺度的子信号的方法，它可以提取振动信号的时频特性。
常用的小波分析方法包括小波包分析和连续小波变换，通过对小波系数进行分析，可以得到振动信号的频谱图和时频图等特征。
二、机械振动信号的故障诊断1. 轴承故障诊断轴承是机械设备中常见的易损件，其故障会导致振动信号的异常变化。
通过对振动信号进行特征提取，可以分析轴承故障的类型和严重程度。
常用的特征包括峰值指标、频域特征和小波包能量等，通过对这些特征进行分析，可以判断轴承是否存在异常。
2. 齿轮故障诊断齿轮是机械传动中的重要组成部分，其故障会导致振动信号的变化。
通过对振动信号进行特征提取，可以判断齿轮是否存在故障。
常用的特征包括颗粒度指标、Kurtosis指标和脉冲指标等，通过对这些指标进行分析，可以诊断出齿轮的损伤程度。
3. 泵故障诊断泵在工业生产中的应用非常广泛，其故障会导致振动信号的变化。
通过对振动信号进行特征提取，可以分析泵的故障类型和严重程度。
常用的特征包括重心指标、峰值指标和频谱特性等，通过对这些特征进行分析，可以判断泵是否存在异常。
结论：机械振动信号的特征提取和故障诊断是实现设备运行稳定性和可靠性的关键技术。
基于小波包变换的电机定子故障特征提取方法
基于小波包变换的电机定子故障特征提取方法邱赤东;薛征宇;邵萍波;任光【摘要】针对感应电机定子故障的特征频率处在低频段,小波分解系数易受电机负荷波动影响的问题, 提出一种采用希尔伯特变换对信号进行预处理,利用小波包分解来实现定子故障特征的提取方法.通过小波包分解,使相应分解子频段能始终覆盖随电机转差率以及供电电源频率变化的故障特征频率.增加小波时域波形的波峰数,减少了子频段间的频域混叠及频谱泄漏现象.对原始信号进行希尔伯特变换的预处理,降低了电机负荷波动对分解系数的影响;采用子频段节点重构系数的均方根值变化率作为故障特征指标.通过对实测故障数据的应用,利用上述方法可以有效地识别出电机的定子故障.【期刊名称】《电力系统保护与控制》【年(卷),期】2010(038)022【总页数】6页(P52-56,62)【关键词】感应电机;小波包变换;希尔伯特变换;电流特征分析法【作者】邱赤东;薛征宇;邵萍波;任光【作者单位】大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026;大连海事大学轮机工程学院,辽宁,大连,116026【正文语种】中文【中图分类】TM341感应电机是船舶动力及电力系统的重要支撑设备。
定子故障是感应电机经常出现的故障类型，其出现几率占电机总发生故障的37%[1]，而且是船舶管理人员唯一没有能力进行现场维修的故障类型，一般需要到港后由专业厂家修理。
由于船舶电网是低压电网（380 V），且电机的制造工艺要求高于陆地电机，所以，通常在定子故障出现时，还可以运行一段时间，在这段潜伏期内，准确地发现定子故障及其严重程度，通过及时安排靠港期间的修理，可以确保船舶航行的安全。
基于电流特征分析（Motor Current Signature Analysis）的方法将电机的常见故障与定子电流的频率特征量建立了函数关系。
基于小波分析的机械故障特征提取研究_陈长征
( 3)
因 s = 2- j , j 表示分解的级数, 当 s y 0 时, 即 j y
] 时小波变换就反映了 x0 点的局部状态。此时 Wf ( s , x ) 趋于 0 的速度在 x 0 点为 sa , 小于其他点趋于
0 的速度 s, 可见 s 很小时奇异点在小波变换中取最大 值。因此, 根据模极大值在各尺度上的变化即可确定
Journal of Mechanical Strength
机械强度
2001, 23( 2) : 161~ 164
基于小波分析的机械故障特征提取研究X
FAULT FEATURE EXTRATION OF MACHINERY BASED ON WAVELET ANALYSIS
陈长征XX 罗跃纲
张 省 虞和济
值在各尺度上的分布如图 2 所示。一般地, 由信号引
起的模极大值随尺度的增大而增大, 而白噪声引起的
奇异性则有截然不同的性质。理论上, 白噪声产生的 模极大值随尺度的增大而减小, 即尺度越低噪声越大。
它们清晰地反映了活塞对汽缸套的冲击信号的位置和
大小, 即可作为诊断汽缸磨损位置和程度的特征量。统
图 1 柴油机冲击响应信号 Fig. 1 Shock response signal of diesel engine
相应奇异点的位置 x 0, 进而可以确定奇异指数 A的大
小。
信号奇异性指数的大小, 反映了故障的程度。通
常, 故障的发生往往引起时域波形的波峰突变, 因此, 通过奇异性指数提取和统计, 可作为信号时域的敏感 因子, 以实现故障的自动诊断[ 8] 。
图 1 是柴油机冲击响应信号, 其四次冲击形成四 个主要的奇异点。对它进行奇异性分析, 它的模极大
机械振动信号的时频分析与特征提取
机械振动信号的时频分析与特征提取引言：机械振动信号是工程中经常遇到的一类信号，在机械故障预测、机器诊断等领域具有重要应用。
时频分析与特征提取是对机械振动信号进行分析和诊断的基础工作，本文将探讨这一领域的相关方法和技术。
一、时频分析的意义及方法时频分析是一种将时域和频域分析方法结合起来的信号分析技术。
它能够反映信号在时间和频率上的变化特征，对于提取信号中的瞬态信息和谐波成分具有重要意义。
时频分析方法常见的有短时傅里叶变换(STFT)、小波变换(WT)等。
1. 短时傅里叶变换(STFT)：STFT是将信号分割成若干段，并对每一段进行傅里叶变换的方法。
它能够较好地描述信号在时间和频率上的变化，但是时间和频率的分辨率有一定的限制。
2. 小波变换(WT)：WT是在不同尺度下对信号进行变换的方法。
它克服了STFT时间和频率分辨率的限制，能够更准确地提取信号的瞬态特征和频率成分。
二、特征提取的意义及方法特征提取是从信号中提取出具有代表性的特征，用于描述和区分不同的信号。
在机械振动信号分析中，特征提取是判断机械故障类型和程度的关键步骤。
1. 统计特征：统计特征是对信号的统计性质进行分析和提取的方法。
常见的统计特征包括均值、方差、标准差等，可以反映信号的分布情况和波形的稳定性。
2. 谱特征：谱特征是对信号在频域上进行分析和提取的方法。
常见的谱特征有峰值频率、能量集中度等，可以反映信号的频率分布和能量分布情况。
3. 小波包特征：小波包特征是对信号进行小波包分解并提取各层系数的方法。
它能够更全面地描述信号的时频特性和频率成分。
三、综合应用实例为了更好地说明时频分析与特征提取在机械振动信号分析中的应用，我们以轴承振动信号为例进行综合分析。
1. 采集并预处理振动信号：首先，采集轴承振动信号，并对其进行预处理，如去噪和滤波等。
2. 时频分析：将预处理后的振动信号进行时频分析，可以观察到信号在不同时间和频率上的变化特征。
通过STFT或WT等方法，得到信号的时频图像。
基于小波包分析的机械故障特征提取方法研究
数对应的频带和能量如表 1 所示 :
煤 矿 机 械 2003 年第 3 期 ・94 ・
文章编号 :100320794 (2003) 0320094202
煤矿机械常见液压故障的分析与处理
郭丽颖
( 大同煤炭高级技工学院 , 山西 大同 037003)
1 引言
由式 ( 3) 可知 , 小波变换系数 d ( j , k ) 的平方具
在机械设备故障诊断中 , 当机器设备发生故障 时 ,由于机器各零部件结构不同 ,产生的信号往往含 有大量的非平稳成分 。利用小波包分析方法可以自 动地把不同频率的信号分解到不同的频带中 , 从而 为故障特征因子提取提供了理论依据 。 2 小波包故障特征提取算法[1 ,2 ] 离散信号按小波包基展开时 , 包含低通滤波与 高通滤波两部分 ,每一次分解就将上层 j + 1 的第 n 个频带进一步分割变细为下层 j 的第 2 n 与 2 n + 1 两个子频带 。 离散信号的小波包分解算法
4 结论
图3 原信号按图 2 小波包分解树的分解结果
Fig13 The result of decomposition for the orignal signal according to wavelet packet decomposition tree in Fig12
对小波包分解所得的 8 个频段信号的小波系数
dl ( j , 2 n ) = a ∑
k
有能量的量纲 , 因此可以用于机械故障诊断的能量 特征提取 。 下面用小波系数的平方来计算小波包分解第 j 级分解水平上第 k 个子频带上的平均能量
E ( j , k) =
1
N
N
l =1
2 [ d ( j , k ) ] ( l ∑
基于小波包能量谱的航空发动机故障特征提取方法
第31卷第1期2014年2月沈阳航空航天大学学报Journal of Shenyang Aerospace UniversityVo l .31No .1Feb .2014收稿日期:2013-09-21作者简介:郭立全(1987-),男,河南辉县人,硕士研究生,主要研究方向:航空发动机强度、振动及噪声,E⁃mail :330159020@qq.com ;王克明(1954-),男,辽宁沈阳人,教授,主要研究方向:航空发动机强度、振动及噪声,E⁃mail :wkm 308@ 。
文章编号:2095-1248(2014)01-0012-04基于小波包能量谱的航空发动机故障特征提取方法郭立全袁王克明(沈阳航空航天大学航空航天工程学部(院),沈阳110136)摘要:使用成熟的旋转机械振动信号频谱分析方法,对采集到的多台航空发动机试车振动信号进行分析,找出能反应出发动机转子不对中、转子不平衡和转静件碰磨3种故障频谱特征的振动信号。
再使用小波包将信号分解为不同的频段,之后分别计算能反应出故障信息的特征频段的能量,将它们组成用来区分上述3种故障的特征向量,为以后的航空发动机故障的模式识别做准备。
关键词:小波包;能量谱;故障特征提取;小波包树中图分类号:V 231.92 文献标志码:A doi :10.3969/j.issn.2095-1248.2014.01.003The extraction of aero⁃engine fault feature based on waveletpacket energy spectrumGUO Li⁃quan ,WANG Ke⁃ming(Faculty of Aerospace Engineering ,Shenyang Aerospace University ,Shenyang 110136)Abstract :Using the method of rotating machinery vibration signal frequency spectrum analysis ,this paper analyzes the collected vibration signals of some aero⁃engines ,and finds out the vibration signals which can show the three kinds of fault frequency of rotor misalignment ,rotor imbalance and rotor⁃stator rubbing.Then we use the wavelet packet to decompose the signal to some frequency ranges and calculate the energy of fea⁃ture frequency ranges which indicate the fault information.In the end ,we adopt the wavelet packet energy spectrum to distinguish the three kinds of faults and prepare for the aero⁃engine fault pattern recognition for the future.Key words :wavelet packet ;energy spectrum ;fault feature extraction ;wavelet packet tree 航空发动机的可靠性关系到飞机飞行的安全,全球范围内有很多由于发动机故障而造成的机毁人亡的事故,造成巨大的损失;航空发动机试车时的振动信号能反映出其本身大量的振动相关信息,如何充分地发掘振动信号所能反映的航空发动机的健康状况信息,即航空发动机的故障诊断,如何从存在故障的振动信号中完成故障特征的提取就显得尤为重要。
机械系统振动信号处理与特征提取
机械系统振动信号处理与特征提取引言机械系统振动信号的处理与特征提取是一门重要的学科，它在机械故障诊断、结构健康监测和质量控制等领域起着关键作用。
本文将探讨机械系统振动信号的处理方法及特征提取技术，旨在帮助读者进一步了解这一领域的基本知识，并为实际应用提供一些思路和参考。
一、机械系统振动信号的采集机械系统振动信号的采集是开始振动信号处理的第一步。
常用的振动信号采集方法有加速度传感器和速度传感器。
加速度传感器可以测量运动物体在空间方向上的加速度，并通过积分得到速度信号；速度传感器则可直接测量物体的速度。
一般情况下，采用加速度传感器以获得机械振动信号的更详细信息。
二、机械系统振动信号的预处理振动信号在采集过程中常伴随着噪声的干扰，因此需要对信号进行预处理，以提高信号的质量和可靠性。
常用的振动信号预处理方法包括滤波、去除基线漂移、数据对齐和数据归一化等。
滤波可以去除高频噪声，低通滤波器常用于去除高频噪声，而带通滤波器常用于滤除特定频率的噪声。
去除基线漂移可以使信号的均值为零，提高后续特征提取的准确性。
数据对齐和归一化是为了保证不同采集点的数据具有可比性，方便后续数据分析和特征提取。
三、机械系统振动信号的时域特征时域特征是对振动信号振动行为的直接刻画，是机械系统振动信号处理中最常用的特征。
常见的时域特征包括平均值、方差、峰值、峭度和偏度等。
平均值可以反映振动信号的整体能量；方差可以表征振动信号的波动性；峰值则表示信号的局部极大值；峭度和偏度分别刻画了信号的尖锐程度和偏斜程度。
通过提取时域特征，可以初步了解振动信号的基本状态和特性。
四、机械系统振动信号的频域特征频域特征是通过对振动信号进行傅里叶变换得到的。
振动信号的频域特征可以反映振动信号的频率成分和能量分布，对故障检测和结构健康监测具有重要意义。
常见的频域特征包括功率谱密度、频率响应函数和谱峰等。
功率谱密度可以显示振动信号在不同频率下的能量密度分布；频率响应函数可以反映系统在不同频率下的振动特性；谱峰则表示频谱中的主要频率，是故障诊断中常用的特征之一。
机械振动信号的特征提取与识别
机械振动信号的特征提取与识别一、引言在工业领域中，机械设备的正常运行对于生产效率和安全性至关重要。
机械振动信号是反映机械设备运行状态的重要指标，通过对机械振动信号进行特征提取和识别，可以有效地监测和维护设备状态，提前发现故障，并进行及时维修，从而降低设备故障率和提高生产效率。
本文将介绍机械振动信号的特征提取和识别方法。
二、机械振动信号特征提取机械振动信号的特征提取是将原始信号转化为一组具有代表性的数值指标，以描述信号的特征和状态。
常用的特征提取方法包括时域特征、频域特征和小波分析。
1. 时域特征时域特征是指在时间轴上对振动信号进行采样和统计分析，常用的时域特征包括均值、标准差、峰值、峭度、偏度等。
这些特征能够反映振动信号的整体情况和分布特征，对于正常和异常状态的判断具有一定的能力。
2. 频域特征频域特征是指将时域信号转化为频域信号，通过对频谱进行分析，提取能量、频率等特征。
常用的频域特征包括功率谱密度、频谱熵、主频提取等。
频域特征能够反映信号的频率分布和能量分布，对于频谱分析和频率成分的提取具有重要意义。
3. 小波分析小波分析是一种将信号分解成多个不同频率和幅度的小波基函数，通过对不同尺度和频率上的分析，提取信号的特征。
小波分析具有时频局部化的特点，能够在时域和频域上同时对信号进行分析，提取局部特征。
常用的小波特征包括小波包能量、小波包熵等。
三、机械振动信号的识别方法机械振动信号的识别方法是将特征提取后的信号与已知状态进行比较和判断，从而实现对机械设备运行状态的自动识别。
常用的识别方法包括模式识别、神经网络和支持向量机。
1. 模式识别模式识别是将信号与已有的样本数据进行比对，通过对比样本数据和待识别信号的相似程度，判断待识别信号属于哪一类别。
常用的模式识别方法包括最邻近分类、线性判别分析等。
2. 神经网络神经网络是一种基于生物神经系统的计算模型，它可以通过学习和训练，获得对信号的识别能力。
通过构建适当的神经网络结构和算法，将特征提取后的信号输入神经网络，通过神经网络的学习和模型拟合能力，实现对信号的识别和分类。
机械振动信号的特征提取与识别方法
机械振动信号的特征提取与识别方法随着工业化进程的不断推进，机械设备的使用越来越广泛。
为了确保机械设备的正常运行，人们通常需要进行振动监测。
振动信号是一种重要的工程信号，可以反映机械设备的运行状态。
因此，对机械振动信号的特征提取与识别方法进行研究，具有重要的理论和应用价值。
一、机械振动信号的特征提取机械设备在运行过程中会产生不同频率和幅值的振动信号。
通过对振动信号进行特征提取，可以获取有关机械设备状态的有效信息。
常用的机械振动信号特征参数有：时域参数、频域参数和小波参数。
时域参数是指对信号在时间上的统计特征进行分析。
常见的时域参数包括均值、方差、峰值等。
时域参数的计算简单直观，但对于复杂的振动信号来说，提取的信息较为有限。
频域参数是通过将振动信号转换到频域上进行分析得到的。
常见的频域参数有功率谱、频率特性等。
频域参数可以提供信号在不同频率上的能量分布情况，能够反映机械设备在不同频段上的工作状态。
小波参数是一种新兴的特征提取方法，通过小波变换将信号分解为不同尺度和频率的成分。
常见的小波参数有小波能量、小波包能量等。
小波参数可以提供信号在不同尺度上的局部特征，适用于分析非平稳振动信号。
二、机械振动信号的识别方法基于特征提取的机械振动信号识别方法有很多种，常见的方法包括：支持向量机（SVM）、神经网络、模糊逻辑等。
支持向量机是一种常用的机器学习算法，通过构建超平面将不同类别的样本分开。
在机械振动信号识别中，可以将提取到的特征参数作为输入，利用支持向量机进行分类。
支持向量机具有较好的普适性和鲁棒性，能够有效地对机械振动信号进行分类。
神经网络是一种模拟大脑神经网络结构和功能的计算模型。
在机械振动信号识别中，可以通过训练神经网络模型，将特征参数映射为相应的输出类别。
神经网络具有较强的拟合能力和学习能力，能够有效地识别机械振动信号。
模糊逻辑是一种模糊数学方法，可以处理不确定性和模糊性的问题。
在机械振动信号识别中，可以通过建立模糊逻辑模型，将特征参数与相应的类别之间建立模糊的关联关系。
机械故障振动信号特征分离和提取的信号处理方法
故障・诊断 机械故障振动信号特征分离和提取的信号处理方法陈婀娜(贵州师范大学机电工程学院,贵阳550014)摘要:在机械故障的振动信号分析诊断中,故障特征信号的分离和提取是最重要和最关键的步骤之一。
针对机械故障振动信号特征周期性和冲击衰减响应特点,论述了自适应滤波、时频滤波、自适应信号分解和信号盲分离等方法,并展望这些方法的发展方向。
关键词:机械故障;振动信号;特征分离和提取;信号处理中图分类号:TP39 文献标志码:A 文章编号:100320794(2008)022******* Signal Processing Approaches to Feature Extraction and Separation of Vibration Signal From Mechanical F aultsCHEN E-nuo(C ollege of Mechanical and E lectrical Engineering,G uizhou N ormal University,G uiyang550014,China)Abstract:The feature extraction and separation of vibration signals from mechanical faults are the m ost im por2 tant and key steps in mechanical vibration diagnosis.Briefly reviews the recent research contents inv olved in the extraction and separation of mechanical vibration periodic and im pulse response signals.Several m odern signal processing approaches and their applications are discussed.These approaches include adaptive filtering, time-frequency filtering,adaptive signal decom position and blind signal separation.S ome prospects about their development trend are represented.K ey w ords:mechanical fault;vibration signal;feature extraction and separation;signal processing0 引言通常机械振动信号是由多种特征波形叠加构成的,其中2种最基本的波形是正弦波组合的周期波形和冲击衰减响应波形,这种不同特征的波形共存给特征提取造成了困难。
机械振动信号特征提取与分类方法研究
机械振动信号特征提取与分类方法研究引言机械振动信号作为一种常见的故障诊断手段，被广泛应用于工业生产中。
通过对机械振动信号的特征提取和分类，可以有效地诊断、预测和防止机械故障的发生。
本文将探讨机械振动信号特征提取与分类方法的研究。
一、机械振动信号特征提取方法1.1 时域特征提取方法时域方法是最常用的特征提取方法之一。
通过对机械振动信号进行时域分析，可以提取出信号的均值、方差、偏斜度、峭度等统计特征。
此外，还可以利用时域方法提取信号的相关系数、自相关函数等特征。
这些特征对于刻画信号的整体趋势和离散程度具有重要作用。
1.2 频域特征提取方法频域方法是另一种常用的特征提取方法。
通过对机械振动信号进行频谱分析，可以得到信号在不同频率下的能量分布情况。
常用的频域特征包括功率谱密度、频率矩、频带能量比等。
这些特征可以反映出信号在不同频率范围内的能量分布状况，对于故障的判断和诊断具有重要意义。
1.3 小波变换特征提取方法小波变换方法是一种在时频域上的分析方法。
通过对机械振动信号进行小波变换，可以将信号分解成不同频率的小波系数。
这些小波系数具有时间和频率的双重特性，可以提取出信号的瞬时特征和频率特征。
常用的小波变换特征包括小波包能量、小波包熵等。
这些特征能够有效地描述信号的时频特性，对于不同故障类型的分类具有一定的优势。
二、机械振动信号分类方法2.1 统计学分类方法统计学分类方法是最基础的分类方法之一。
通过对提取的机械振动信号特征进行统计分析，可以建立起不同故障类型的统计学模型。
常用的统计学分类方法包括判别分析、主成分分析、聚类分析等。
这些方法能够根据不同特征之间的相互关系，将机械振动信号分类到不同的故障类型中。
2.2 机器学习分类方法机器学习分类方法是近年来发展迅速的分类方法。
通过对机械振动信号特征进行训练和学习，可以建立起机器学习模型，实现对不同故障类型的自动分类。
常用的机器学习分类方法包括支持向量机、神经网络、决策树等。
基于小波包能量谱的航空发动机故障特征提取方法
２ ０ １ ４年 ２ 月
沈 阳 航 空 航 天 大 学 学 报
Ｊ ｏ ｕ ｒ ｎａ ｌ ｏ ｆ Ｓ ｈ ｅ ｎ ｙ ａ ｎ ｇ Ａｅ ｒ ｏ ｓ ｐ ａ ｃ ｅ Ｕｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ
Ｖ Ｏｌ ＿ ３１ Ｎ ｏ ． １ Ｆ ｅ ｂ． ２ ０ １ ４
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｕ ｓ ｉ ｎ ｇ ｔ ｈ ｅ ｍｅ ｔ ｈ ｏ ｄ ｏｆ ｒ ｏ ｔ ａ ｔ ｉ ｎ ｇ ｍａ ｃ ｈ ｉ ｎ ｅ ｒ ｙ ｖｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇｎ ａ ｌ ｒｅ ｆ ｑ ｕ ｅ ｎｃ ｙ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ ａ ｎ ａ ｌ ｙｓ ｉ ｓ， ｔ ｈｉ ｓ ｐ ａ ｐｅ ｒ
ａ ｎ ａ ｌ ｙ ｚ ｅ ｓ ｈｅ ｔ ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｅ ｄ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇｎ ａ ｌ ｓ ｏ ｆ ｓ ｏ ｍｅ ａ ｅ ｒ ｏ — ｅ ｎ ｇ ｉ ｎ ｅ ｓ， ａ ｎｄ ｉｎ ｆ ｄ ｓ ｏ ｕ ｔ ｈｅ ｔ ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｓ ｉ ｇ ｎ ａ ｌ ｓ ｗｈｉ ｃ ｈ ｃ ａ ｎ
航 空 发 动 机 的可 靠 性 关 系 到 飞 机 飞 行 的安
全， 全球 范 围 内有 很 多 由于 发动 机 故 障 而造 成 的
ｗｅ ｕｓ ｅ ｔ ｈ ｅ ｗａ ｅ ｃ ｏ ｍｐ ｏ ｓ ｅ ｈｅ ｔ ｓ ｉ ｇ ｎ ｌ ａ ｔ ｏ ｓ ｏ ｍｅ ｒｅ ｆ ｑ ｕ ｅ ｎｃ ｙ ｒ ａ ｎ ｇ ｅ ｓ ｎｄ ａ ｃ ａ ｌ ｃ ｕ ｌ ａ ｔ ｅ ｔ ｈ ｅ ｅ ｎ ｅ ｒ ｇｙ ｏ ｆ ｌ ｅ ａ —
ｐ ａ ｃ ｋ ｅ ｔ ｅ ｎｅ ｒ ｇ ｙ ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ
基于小波变换的特征提取方法分析
基于小波变换的特征提取方法分析首先，从基本原理上讲，小波变换是一种将信号从时域转换到频域的方法。
与传统的傅里叶变换不同，小波变换不仅可以提供频域信息，还可以提供时域信息。
它通过对信号进行多尺度分析，将信号分解为不同频率的小波子项，再对每个小波子项进行进一步的分解，直到达到所需的尺度。
这样可以将信号的频域和时域特征同时提取出来。
小波变换具有一些特点和优势。
首先，小波变换具有局部性，即在时域上对信号的其中一局部进行分析。
这使得小波变换能够更准确地捕捉信号的瞬态特征。
其次，小波变换具有多尺度分辨率，可以适应不同频率的信号。
它能够精确地分解信号的不同频率成分，进而提取出更多的频域信息。
此外，小波变换还具有平移不变性，即对于信号的平移不敏感。
这使得小波变换具有较好的时移不变性，可以更好地应对信号中存在的时间偏移。
基于小波变换的特征提取方法主要有以下几种。
第一种是基于小波包变换的特征提取方法。
小波包变换是小波变换的一种扩展形式，能够将信号进一步分解为更小的子带。
通过对小波包系数的统计特征进行提取，如均值、方差等，可以获得一组反映信号频域特征的特征向量。
第二种是基于小波能量谱的特征提取方法。
通过计算不同尺度小波变换系数的能量，可以得到信号在不同尺度上的频域特征。
第三种是基于小波熵的特征提取方法。
小波熵是一种量化信号中的不确定性和复杂性的指标，可以反映信号的时域和频域特征。
通过计算小波熵和其它相关指标，可以提取出信号的时频特征。
基于小波变换的特征提取方法在各个领域都有广泛的应用。
例如，在语音信号处理中，可以利用小波变换提取语谱图，用于语音识别和语音合成。
在图像处理中，可以利用小波变换提取图像的纹理特征，用于图像分类和图像检索。
在生物医学信号处理中，可以利用小波变换提取脑电图和心电图的时频特征，用于疾病诊断和治疗。
综上所述，基于小波变换的特征提取方法是一种强大的信号处理工具，能够同时提取信号的频域和时域特征。
它具有局部性、多尺度分辨率和平移不变性等特点，适用于各种领域的特征提取和信号分析任务。
机械振动信号的小波分析与故障诊断
机械振动信号的小波分析与故障诊断机械振动是指机械系统在运行过程中所产生的振动现象。
振动信号是机械故障的重要指标，因为它可以反映机械系统的运行状态和内部结构的变化。
因此，对机械振动信号进行分析和诊断是实现机械故障预测和维护的关键技术之一。
在振动信号的分析方法中，小波分析作为一种多尺度分析方法，因其在时频域上具有出色的分辨能力，成为了机械振动信号分析与故障诊断领域中广泛应用的技术。
一、小波分析的基本原理小波分析是一种基于时频分析原理的分析方法。
其基本思想是将信号分解成不同尺度的小波基函数，用小波基函数对信号进行变换。
小波分析的核心是小波变换，其可以将信号转换为时域和频域的双重信息，从而更好地理解信号的特性和内在结构。
二、小波分析在机械振动信号处理中的应用小波分析在机械振动信号处理中具有较高的应用价值。
首先，小波变换可以提取信号的频谱信息和时域特征，通过对频谱分布进行分析，可以识别出机械系统中存在的频率分量和谐波分布，从而判断机械系统的正常运行状态。
其次，小波包分解和重构方法可以对振动信号进行时频分析，通过对振动模态和频率变化的研究，可以了解机械系统在不同工况下的振动特性和变化规律。
此外，小波模态分解方法可以提取出机械振动信号的分量，实现故障信号的提取和识别，为故障诊断提供有力的依据。
三、小波包分析在滚动轴承故障诊断中的应用滚动轴承是机械系统中常见的易损部件之一，其故障常表现为振动信号的不稳定性和频率分量的变化。
针对滚动轴承故障诊断问题，小波包分析方法能够更好地提取滚动轴承振动信号中的故障特征。
通过对滚动轴承振动信号进行小波包分解，可以得到一系列分量信号。
其中，能量集中的低频分量对应轴承的正常工作状态，而能量集中的高频分量则对应轴承的故障状态。
通过对不同尺度的高频分量进行分析，可以判断轴承故障的类型和程度。
此外，小波包分析方法还可以通过构建滚动轴承的特征向量，实现对不同故障状态的自动分类和识别。
四、小波熵在齿轮故障诊断中的应用齿轮是机械系统传动的重要部件之一，其故障常表现为齿面接触不良和齿面断裂等现象。
机械振动信号压缩与特征提取方法研究
机械振动信号压缩与特征提取方法研究引言：机械振动信号的分析与处理是工程中非常重要的一环，对于故障诊断、预测和维护具有重要的意义。
在机械振动信号的处理中，信号的压缩和特征提取是关键的步骤。
本文将介绍一些机械振动信号压缩与特征提取的方法及其研究进展。
一、机械振动信号压缩方法1. 小波变换压缩方法小波变换是一种基于频域分析的方法，通过将信号分解为不同频率的子带，可以有效地提取信号的特征信息。
小波变换可以将原始信号表示为频谱和时频域信息，在压缩机械振动信号方面具有很好的效果。
2. 主成分分析压缩方法主成分分析(PCA)是一种常用的数据降维方法，它可以通过线性投影将高维数据压缩到低维空间。
在机械振动信号处理中，PCA可以将多个振动特征合并到一个维度中，从而实现信号的压缩。
3. 奇异值分解压缩方法奇异值分解(SVD)是一种矩阵分解方法，广泛应用于信号处理领域。
在机械振动信号的处理中，SVD可以将信号分解为奇异值、左奇异向量和右奇异向量。
通过保留较大的奇异值，可以实现信号的压缩。
二、机械振动信号特征提取方法1. 能量特征提取能量是机械振动信号的基本特征之一，可以用于表征信号的整体能量水平。
通过计算信号的能量，可以有效地反映信号的强度和幅值变化。
2. 频率特征提取频率是机械振动信号的另一个重要特征，可以用于揭示信号中的周期性变化。
常用的频率特征提取方法包括傅里叶变换、短时傅里叶变换和小波包变换等。
3. 统计特征提取统计特征提取是机械振动信号处理中常用的一种方法，包括均值、方差、偏度和峭度等。
通过计算统计特征，可以得到信号的一些统计属性，从而用于故障诊断和预测。
4. 时域特征提取时域特征提取是指从机械振动信号的时序数据中提取特征信息。
常用的时域特征包括平均值、时域波形形态因子和时域自相关函数等。
结论：机械振动信号的压缩和特征提取是机械振动信号处理中重要的步骤。
本文介绍了一些常用的压缩和特征提取方法，包括小波变换、主成分分析、奇异值分解以及能量、频率、统计和时域特征等。
小波包分解算法研究及其在机械故障诊断中的应用
小波包分解算法研究及其在机械故障诊断中的应用徐 红(燕山大学电子实验中心 秦皇岛 066004)摘要 基于小波包的多分辨率特性,研究了B 样条小波的小波包分解算法。
小波包分析能够为信号提供一种更加精细的分析方法,它将频带进行多层次划分,对多分辨分析没有细分的高频部分进一步分解,从而提高了频率分辨率。
并且基于上述算法,对齿轮传动系统的振动加速度信号进行了小波分解,建立了一套基于小波包能量分布的机器运行特征和诊断特征参数,并给出了实验数据及分析结果。
关键词 小波包分析 故障特征提取 故障诊断Study of W avelet Packet D ecompose and It ’s Appl ica tion on M ach i nery Fault D etectionXu Hong(Y anshan U niversity ,Q inhuang d ao 066004,Ch ina )Abstract It studied w avelet packet decompo se algo rithm of B 2sp line w avelet based on it’s good ti m e 2frequency localizati on .W avelet packet analysis offers a k ind of mo re delicate m ethod fo r signal p rocess .It takes a m ultilay 2er divisi on to frequency band ,and it take a further divisi on to h igh frequency secti on that is no t subdivide by m ul 2tireso luti on analysis .So it i m p roved the frequency reso luti on .T he vibrati on accelerati on signal of gear trans m is 2si on system of is decompo sed based on above algo rithm ,and a set of m ach inery operati on character and diagno sis character param eters is establised .T he data and analysis results of experi m ent are given .Key words W avelet transfo rm P redicti on of fault characteristic M echanical fault diagno sis1 引 言小波包变换将信号分解到独立的频带里,这些频带的信号能量对机器状态监测是很有用的。
- 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)。
机械故障信号小波包分解的时域特征提取方法研究
作者：杨国安， 钟秉林， 黄仁， 贾民平， 许云飞
作者单位：东南大学机械系,
刊名：
振动与冲击
英文刊名：JOURNAL OF VIBRATION AND SHOCK
年，卷(期)：2001,20(2)
被引用次数：55次
1.Hammond J K;White P R The analysis of non-stationary signals using time-prequency methods[外文期刊] 1996(03)
2.Mallat S;Hwang W L Singularity detection and processing with wavelets[外文期刊] 1992
3.Daubechies ⅠTen Lectures on Wavelets 1992
4.程正兴小波分析算法与应用 1998
5.陈逢时子波变换理论及其在信号处理中的应用 1998
6.华东石油学院石油矿场往复泵 1975
7.屈梁生;何正嘉机械故障诊断学 1986
8.钟秉林;黄仁机械故障诊断学 1997
9.胡昌华基于MATLAB的系统分析与设计--小波分析 1999
1.蒋康保神经网络在滚动轴承故障诊断中的应用[期刊论文]-装备制造技术 2010(1)
2.孙惠琴.钟原小波分析与 Hilbert 变换在 25T 型客车故障诊断中的应用[期刊论文]-铁道机车车辆 2010(2)
3.任锴胜.王增才.朱淑亮基于频谱分离与小波包分析相结合的滚动轴承故障诊断[期刊论文]-煤矿机械 2010(10)
4.王宝强.欧方平.任德均.姚进基于小波包变换和径向基神经网络技术的汽车后桥总成故障诊断研究[期刊论文]-机械 2010(10)
5.郭超小波包分析对舱音背景声中微弱信号的检测[期刊论文]-民用飞机设计与研究 2010(4)
6.孙盛宇基于小波神经网络的往复压缩机故障诊断方法研究[期刊论文]-压缩机技术 2009(5)
7.郭超.姚红宇.陈果.舒平民机驾驶舱舱音小波包分析及特征提取[期刊论文]-振动与冲击 2009(7)
8.梅检民.周斌.司爱威.张威.肖云魁基于变精度粗糙集理论提取发动机振动故障特征[期刊论文]-军事交通学院学报 2009(3)
9.陈果滚动轴承表面损伤故障智能诊断新方法[期刊论文]-仪器仪表学报 2009(1)
10.董宁娟.赵洪金.高晶波基于参数识别和小波包分析的故障特征提取[期刊论文]-噪声与振动控制 2008(5)
11.张振飞.夏利民基于神经网络的滚动轴承故障诊断智能方法[期刊论文]-信息技术 2008(8)
12.李扬.刘一民.郭庆军小波包络分析在轴承故障诊断中的应用[期刊论文]-计量与测试技术 2008(11)
13.崔硕时域指标在滚动轴承故障诊断中的应用[期刊论文]-机械工程与自动化 2008(1)
14.李宇飞.李军.杨金福.陈策气体润滑轴承-转子系统碰摩信号能量特征辨识[期刊论文]-机械科学与技术
2008(7)
15.柏林.刘小峰.秦树人时频面上基于瞬频估计的信号提取方法[期刊论文]-振动与冲击 2008(7)
16.邓堰.陈果转子故障信号的小波能量特征自动提取[期刊论文]-应用科学学报 2007(5)
17.梁平.白蕾.龙新峰.范立莉基于小波包分析及神经网络的汽轮机转子振动故障诊断[期刊论文]-控制理论与应用 2007(6)
18.肖晨静.李艾华基于SVM的柴油机故障诊断方法研究[期刊论文]-微计算机信息 2007(13)
19.范立莉.梁平小波包分析在汽轮机转子振动故障诊断中的应用[期刊论文]-广东电力 2007(11)
20.曲志刚.靳世久.周琰.曾周末基于RBF网络的油气管道侵入事件识别方法研究[期刊论文]-化工自动化及仪表2007(3)
21.靳世久.曲志刚.周琰.曾周末基于RBF网络的油气管道侵入事件识别方法研究[期刊论文]-中国科技论文在线2006(3)
22.吴斌.尉询楷.刘国庆.李应红支持向量机的滚动轴承状态监测[期刊论文]-火力与指挥控制 2006(11)
23.曲志刚.靳世久.周琰油气管道安全分布式光纤预警系统研究[期刊论文]-压电与声光 2006(6)
24.贾军峰.杨国安.李新华.吴振生基于小波包和包络分析的滚动轴承故障自动诊断方法[期刊论文]-石油矿场机械 2006(5)
25.姜绍飞.徐云良.张春梅.陈林基于小波包分解的数据融合损伤识别方法[期刊论文]-沈阳建筑大学学报（自然科学版） 2006(6)
26.陈原基于振动信号的蚕茧质量无损检测方法[期刊论文]-农业机械学报 2006(2)
27.贾军峰机械设备状态分析与自动诊断便携仪的研究开发[学位论文]硕士 2006
28.张庆涛离心压缩机智能故障诊断方法研究[学位论文]硕士 2006
29.林宝龙小波变换在结构损伤识别中的应用研究[学位论文]硕士 2006
30.陈原基于小波包原理的蚕茧无损检测研究[期刊论文]-农业工程学报 2005(9)
31.黄荣基.黄伟民柴油机燃油系统故障诊断的探讨[期刊论文]-广州大学学报（自然科学版） 2005(4)
32.沈申生.杨奕电器中交流电磁机构的故障诊断[期刊论文]-电力自动化设备 2005(9)
33.赵玉明.冯子明.赵卫华往复泵泵阀故障诊断方法[期刊论文]-流体机械 2005(1)
34.严骏.王建新.周朝霞.杨敏小波消噪和AR谱技术在汽车传动轴故障诊断中的应用[期刊论文]-解放军理工大学学报（自然科学版） 2005(3)
35.基于Hilbert-Huang变换的振动信号分解方法[期刊论文]-炼油与化工 2005(3)
36.王鹏基于金氏脉学的脉诊仪关键技术研究[学位论文]硕士 2005
37.张蕾基于小波能量谱的轴承振动噪声缺陷辨识方法[学位论文]硕士 2005
38.罗忠辉大型薄板坯热连轧机异常振动与故障监测研究[学位论文]博士 2005
39.魏霞基于HHT的往复机械故障诊断研究[学位论文]硕士 2005
40.魏霞基于HHT的往复机械故障诊断研究[学位论文]硕士 2005
41.郝志华基于局域波法和盲源分离的故障诊断方法应用研究[学位论文]博士 2005
42.韩清凯.俞建成.邓庆绪.闻邦椿转子系统油膜振荡的小波包分解与频带能量比例特征分析[期刊论文]-中国机械工程 2004(4)
43.张晓峰.李功燕应用小波分析提取故障诊断信号的特定频段[期刊论文]-振动与冲击 2004(4)
44.张静.孔凡让.张平.张盛.李晓峰基于谐波小波重构相位谱的齿轮故障诊断[期刊论文]-振动与冲击 2004(4)
45.赵吉文.冯志华.刘志刚.张平.李晓峰.孔凡让混沌理论与小波包分析相结合的状态监测方法研究[期刊论文]-振动与冲击 2004(4)
47.程军圣.于德介.邓乾旺.杨宇.张邦基时间-小波能量谱在滚动轴承故障诊断中的应用[期刊论文]-振动与冲击2004(2)
48.程军圣.于德介.邓乾旺.杨宇.张邦基时间-小波能量谱在滚动轴承故障诊断中的应用[期刊论文]-振动与冲击2004(2)
49.肖云魁.李世义.王建新.杨万成.曹亚娟以粗糙集近似逼近理论提取发动机振动故障特征[期刊论文]-振动、测试与诊断 2004(4)
50.陈原.刘民.罗先利蚕茧质量无损检测方法的研究[期刊论文]-蚕桑通报 2004(4)
51.肖云魁.李世义.王建新.杨万成.邢文华基于小波包-AR谱技术提取柴油发动机曲轴轴承故障特征[期刊论文]-北京理工大学学报 2004(6)
52.窦唯.刘树林.孙明.陈业生往复压缩机气阀故障诊断的信息融合方法研究[期刊论文]-压缩机技术 2004(1)
53.窦唯往复压缩机气阀故障诊断的智能方法研究[学位论文]硕士 2004
54.段玉波.由大伟往复泵泵阀的状态监测及智能故障诊断综述[期刊论文]-自动化技术与应用 2003(9)
55.冷军发基于小波-神经网络的故障诊断技术研究[学位论文]硕士 2003
56.郭超小波包分析对舱音背景声中微弱信号的检测[期刊论文]-民用飞机设计与研究 2010(4)
本文链接：/Periodical_zdycj200102008.aspx。