小波变换在机器状态监控和故障诊断的运用：参考文献目录回顾（节选[外文翻译].rar
小波变换在机器状态监控和故障诊断的运用：参考文献目录回顾（节选[外文翻译],小波变换在机器状态监控和故障诊断的运用：参考文献目录回顾（节选）作者：z.k. peng, f.l. chu*摘要：最近十年运用小波分解解决机器故障诊断方法飞速发展。不可能完全的回顾所有参考文献。本文的目的是做一个简要的概括小波在机器故障诊断的运用，主要包括下面几个方面：时域信号分析，故障特征信号抽取，信号奇点检测，降...
该文档为压缩文件,包含的文件列表如下:
内容介绍
原文档由会员 yaagoo 发布
小波变换在机器状态监控和故障诊断的运用：参考文献目录回顾（节选）
作者：Z.K. Peng, F.L. Chu*
摘要：
最近十年运用小波分解解决机器故障诊断方法飞速发展。不可能完全的回顾所有参考文献。本文的目的是做一个简要的概括小波在机器故障诊断的运用，主要包括下面几个方面：时域信号分析，故障特征信号抽取，信号奇点检测，降噪和弱信号抽取，振动信号压缩和系统识别。同时也简单介绍一些其他运用，例如小波网络，基于小波频响函数分析等等。另外分析了小波在故障诊断上的一些问题。讨论了小波分析在非线性问题上的前景。
1. 介绍
状态监测和故障诊断对保证机器安全运行是很有用的。状态监测和故障诊断最重要的方法是信号分析，可以对原始信号做简单有效地变换。因此能够得到信号包含的重要信息；可以提取信号主要特征用来做故障诊断。迄今为止，许多信号分析方法已经被用来做故障诊断，这其中FFT是确定下来运用最广泛的方法。但是基于FFT的方法不适用于分析不平稳信号，不能揭示不平稳信号的固有信息。然而各种因素的影响，如环境变化和机器固有故障，采集机器运行信号经常产生包含非平稳部件信号。通常这些非平稳信号包含大量的机器故障信息；因此分析非平稳信号是很重要的[1]。因为FFT的劣势，所以有必要找到一种新的方法来补充分析非平稳信号。时频分析是分析非平稳信号最流行的方法，例如魏格纳分布（WVD）[2]和短时傅里叶变换[3]（STFT）。这些方法表现为把一维信号x（t）转化为二维时间和频率TFR（x：t，w）图像，因此可以把信号x（t）的真实时频响应。但是每一种时频分析方法都出现了一些问题。WVD在时频平面压缩上有优势。但是信号混叠的部分会显现在时频平面图上，这会误导信号分析。为了克服这些问题，提出了许多改进方法，如Choi-willams分布(CWD)和cone-shaped分布（CSD）等等。无一例外这些方法可以克服前面的劣势但是又产生了新的问题。举例消除混叠部分又会使时频扩散[4]。STFT的问题是用同样的窗函数分析整个信号，全部频率的分辨率都是一样的。意思是我们想用宽频要获得好的频率分变率，对低频组件很有用，就不能得到好的窄带谱时间分辨率。因此STFT方法适用于办稳定信号分析（窗固定而信号不固定）。此外，STFT不存在正交基底，因此很难找到快速有效地算法来计算STFT。
2. 小波变换
最近十年，小波理论因为其许多突出的优点已经成为新兴的，快速发展的数学和信号处理工具。1984年Morlet首先明确的提出新的小波的概念。然而当时他的同事们都批评他。随后在Grossman的帮助下，Morlet变形发明出连续小波变换（CWT），如等式（1）所示，和逆变换
， （1）
是尺度参数， 是时间参数， 是分析小波， 是 的复共轭。
1985年，基于很好的时间和频率定位性能， 构造了一个非常漂亮的正交
作者：Z.K. Peng, F.L. Chu*
摘要：
最近十年运用小波分解解决机器故障诊断方法飞速发展。不可能完全的回顾所有参考文献。本文的目的是做一个简要的概括小波在机器故障诊断的运用，主要包括下面几个方面：时域信号分析，故障特征信号抽取，信号奇点检测，降噪和弱信号抽取，振动信号压缩和系统识别。同时也简单介绍一些其他运用，例如小波网络，基于小波频响函数分析等等。另外分析了小波在故障诊断上的一些问题。讨论了小波分析在非线性问题上的前景。
1. 介绍
状态监测和故障诊断对保证机器安全运行是很有用的。状态监测和故障诊断最重要的方法是信号分析，可以对原始信号做简单有效地变换。因此能够得到信号包含的重要信息；可以提取信号主要特征用来做故障诊断。迄今为止，许多信号分析方法已经被用来做故障诊断，这其中FFT是确定下来运用最广泛的方法。但是基于FFT的方法不适用于分析不平稳信号，不能揭示不平稳信号的固有信息。然而各种因素的影响，如环境变化和机器固有故障，采集机器运行信号经常产生包含非平稳部件信号。通常这些非平稳信号包含大量的机器故障信息；因此分析非平稳信号是很重要的[1]。因为FFT的劣势，所以有必要找到一种新的方法来补充分析非平稳信号。时频分析是分析非平稳信号最流行的方法，例如魏格纳分布（WVD）[2]和短时傅里叶变换[3]（STFT）。这些方法表现为把一维信号x（t）转化为二维时间和频率TFR（x：t，w）图像，因此可以把信号x（t）的真实时频响应。但是每一种时频分析方法都出现了一些问题。WVD在时频平面压缩上有优势。但是信号混叠的部分会显现在时频平面图上，这会误导信号分析。为了克服这些问题，提出了许多改进方法，如Choi-willams分布(CWD)和cone-shaped分布（CSD）等等。无一例外这些方法可以克服前面的劣势但是又产生了新的问题。举例消除混叠部分又会使时频扩散[4]。STFT的问题是用同样的窗函数分析整个信号，全部频率的分辨率都是一样的。意思是我们想用宽频要获得好的频率分变率，对低频组件很有用，就不能得到好的窄带谱时间分辨率。因此STFT方法适用于办稳定信号分析（窗固定而信号不固定）。此外，STFT不存在正交基底，因此很难找到快速有效地算法来计算STFT。
2. 小波变换
最近十年，小波理论因为其许多突出的优点已经成为新兴的，快速发展的数学和信号处理工具。1984年Morlet首先明确的提出新的小波的概念。然而当时他的同事们都批评他。随后在Grossman的帮助下，Morlet变形发明出连续小波变换（CWT），如等式（1）所示，和逆变换
， （1）
是尺度参数， 是时间参数， 是分析小波， 是 的复共轭。
1985年，基于很好的时间和频率定位性能， 构造了一个非常漂亮的正交
