小波频带能量累加法主要利用小波包将信号中不同分量无冗余、无疏漏、正交地分解到独立的频带内,根据各频带内能量变化来判断机械系统技术状况。发动机气门出现磨损故障时,会对缸体振动信号的各频率成分产生不同的抑制或者增强效果,与正常状态相比就是某些频带能量会增加,而有些频带的能量会减少,因此在信号各频率成分的能量包含着丰富的故障信息,某个或某几个频带的能量改变代表着某种故障状态,利用这一特征可以建立振动信号各频带能量与异响各故障状态间的映射关系,通过各频率成分能量的变化进行故障诊断。 具体方法步骤如下 (1)振动信号采集:诊断对象为斯太尔实车发动机一缸进气门、排气门故障,振动传感器放置在一缸缸盖上,通过调整气门间隙来模拟气门异响故障。采样频率为128kHz,采集转速为800r/min、1300r/min,采集点数为16384点。 (2)小波分解:将振动信号进行4层小波分解,得到高频信号的小波系数S1低频小波系数S2、S3、S4、S5。 (3)计算频段能量:将分解得到的5个频段信号的小波系数平方后求和,再进行归一化得到E1、E2、E3、E4、E5,作为信号特征参数。

matlab分解求小波频带分布

为有效识别轴承故障特征,以轴承内圈故障的信号为例,采用在非平稳信号消噪和以频带能量分布作为故障特征方面有着广泛应用的小波包进行Mat-lab仿真,获得小波包降噪后的信号和作为内圈故障特征的频带能量分布。通过分析频带能量,其结果与实际故障相一致,得出小波包在轴承故障特征提取方面有着一定的优越性。

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.