高强度聚焦超声（HIFU）换能器是HIFU治疗系统的关键部件,其电阻抗特性是决定各系统参数和换能器工作特性的重要参数。目前采用的阻抗分析仪和频域测量方法成本较高,且难以实现在线测量。为此,对基于脉冲响应的超声换能器电阻抗时域测量方法进行了研究,对测量原理进行了理论分析和仿真验证,并组建了脉冲响应测量实验平台,通过实际测量,比较了脉冲响应法和阻抗分析仪的测量结果,分析了影响测量结果的因素。研究结果表明：在通过电流取样电阻校正和小波去噪后,基于脉冲响应的电阻抗测量方法能取得较高的测量准确度,且测量成本低,可集成于设备实现超声换能器电阻抗的在线测量,为进一步研究高强度聚焦超声换能器的电阻抗特性提供了有力的手段。

为提高血液净化系统中漏血监测的可靠性,减少漏血检测易出现的误报、漏报现象,提出一种可靠的漏血检测方法。采用小波分析技术对检测的光电转换信号进行处理,去除气泡通过时对漏血检测的噪声影响,并针对管壁污染的现象,采取漂移跟踪算法进行报警阈值自适应调整,以减少检测的误报和漏报。实验结果表明采用小波分析技术和漂移跟踪算法用于血液净化系统的漏血监测取得了较好的效果。

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明:通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。

针对轴承故障诊断问题,提出一种融合小波去噪与HHT变换的故障特征信号提取方法。对圆柱滚子轴承的内圈故障和滚子故障进行了跑合检测试验。对采集的时域信号通过小波去噪方法进行去噪处理;采用HHT变换进行时频分析,得到一系列的本征模态函数分量;根据分析的试验结果判定轴承故障情况。试验结果表明:内圈故障和滚子故障轴承的特征信号提取值与理论计算值基本一致。

机床冲孔产生的声音信号包含了许多有用信息,为了滤除声音信号提取过程中的工厂环境产生的噪声,使用改进阈值小波去噪方法对声音信号进行处理。利用信噪比(SNR)和均方误差(MSE)作为去噪效果指标,使用新的阈值选取规则,提出了一种分段连续的阈值函数,对传统小波去噪方法进行改进。该改进函数通过引入常数a,解决了传统阈值函数中软硬阈值函数不连续和恒定偏差问题。采集机床冲孔声音信号并叠加高斯白噪声作为机床冲孔含噪信号进行验证。通过实验确定了最佳小波函数类型和分解层数,将改进阈值小波去噪算法与传统算法进行对比,结果表明:改进后的算法去噪效果良好,且有效保留了较低的信号能量。

磨削加工是高精密零件的重要加工环节,且影响磨削工件尺寸精度的因素复杂。针对传统预测模型无法准确预测其趋势变化或预测效果较差,且预测精度不高这一问题,通过对磨加工过程进行分析,对尺寸预测技术的适用性进行研究,提出将小波变换与时间序列分析相结合的预测模型。通过实验验证小波时间序列模型预测平均误差不超过1μm,平均绝对误差MAE=0.105,均方根误差RMSE=0.185,平均绝对百分比误差MAPE=0.159,证明了基于小波时间序列模型的磨加工尺寸预测技术的精确性与可行性。

针对常规检测法测试螺栓轴向应力准确度不高的问题，提出采用超声波对螺栓轴向应力进行测量的方法，研究适用于工程实际的超声纵波检测法。结合胡克定律和声弹性效应原理推导螺栓应力与超声波声时差的关系，并分析温度对测量结果的影响。建立简便有效的标定测试试验系统，采用高速率和高分辨率的测试系统对超声回波信号进行采集，利用小波去噪的方法，消除高频噪声对测试信号的影响。通过对8.8级碳钢和12.9级合金钢两种不同材质螺栓的实际测试和数据处理，实现基于声弹性效应的螺栓轴向应力的标定测试，得到反映螺栓轴向应力和超声波声时差的线性函数关系，其重复准确度达2%~5%，线性关系高度显著。

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。