提出了一种基于小波包分解与EMD的故障诊断特征提取方法。对故障振动信号进行小波包分解,并将其高频部分节点信号进行重构,对2个节点的重构信号分别进行EMD分解,得到一系列的IMF分量;提取每个节点的各个IMF分量的能量值并归一化后作为轴承的故障特征量输入神经网络进行诊断。通过实验证明2种方法的结合具有良好的局部分析能力及自适应分解的特点,可以提取更加有效的特征值,因此在进行诊断时,具有更快的速度与更高的准确率。
2021-03-09 14:31:12
258KB
1
最近做到信号处理的相关课题，处理压缩机壳体震动信号，该百度云链接里面采用两种不同的方法提取小波包分解之后每个频段的能量，经过自己的验证发现，两种方法求取的各个频率段所占总能量的百分比是一样的。可供入门者学习采纳。
2019-12-21 21:55:57
48B
1
针对轴承故障信号的非平稳性和非线性的特点，采用小波包分解和自回归（auto-regressive，AR）谱估计相结合的方法提取振动信号特征值；为了提高诊断结果的精度，提出用深度信念网络（deep believe network，DBN）进行诊断模型训练。首先，对轴承振动信号进行小波包分解和自回归谱估计，计算不同频段的能量实现轴承故障特征提取；其次，将提取到的特征值作为深度信念网络的输入向量，进行模型训练；最后，用训练好的模型进行故障诊断。为验证所提方法的有效性，采用美国凯斯西储大学提供的旋转轴承数据集，将提出的算法与三种故障诊断方法进行对比实验。实验结果表明，所提方法具有更好的诊断性能。
2019-12-21 21:40:09
1.4MB
1
通过小波包分解三层分解获取语音信号，然后得到八个节点的与原信号的能量比作为特征向量，然后输入到SVM中进行模式识别
2019-12-21 21:18:45
636B
1
内容包含两部分代码，分别是原始信号和加噪声信号经小波（包）分解，并绘制相应波形图的MATLAB代码，仅供初学者学习使用！
2019-12-21 21:02:32
2KB
1
自己构造一个数字信号，然后分解成3层，自己可以把信号换成自己的实验数据，进行分解就可以啦。可以的话，求评论。
2019-12-21 20:57:12
1KB
1