针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法。首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型。为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比。在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征。相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好。

针对传统的FastICA算法对初始权值的敏感性,以及带钢热连轧工业过程数据间呈现非线性和非高斯性的问题,提出一种基于改进的快速核独立元分析(FastKICA)方法进行故障检测。该方法首先对原始数据进行小波包去噪,利用核方法对数据进行特征重构,使数据线性结构化,引入超松弛因子改进FastICA初始权值的选择机制,提取更合理的独立元信号,并且计算相应的统计量和控制限。选用带钢热连轧工业过程实测数据进行仿真,与传统的FastKICA方法相比较,结果证明,基于超松弛因子改进的FastKICA故障检测的方法准确率更高,验证了该方法的有效性和优越性。

复合材料拉挤多腔板在线生产时有时会产生缺陷,导致生产线故障甚至全面停车,因此需要对在线生产的复合材料进行实时无损检测。为此,采用敲击测试的方法,获取振动信号,利用小波包分析对敲击振动信号进行多层分解,分解后的频带能量作为特征向量。把经过归一化处理的特征向量用支持向量机(SVM)进行分类识别。经过实验验证,识别率达到100%。这表明使用小波包分析和支持向量机结合的方法可以对复合材料拉挤多腔板进行故障诊断,在实际应用中具有较好的前景。

柱塞泵是液压系统的关键部件之一,监测其健康状态对液压系统的可靠运行具有重要意义。提出一种基于小波包和流形学习的方法,用于分析柱塞泵出口振动信号,从而对其进行健康评估;该方法利用小波包对原始信号进行分解,从中提取用于描述柱塞泵健康状态的有效特征群;把提取的高维特征群作为输入,利用并比较多种流形学习方法进行特征降维,选取状态识别准确率最高的拉普拉斯特征映射方法,建立起的特征向量到健康状态之间的对应关系,实现液压泵健康状态监测的分类要求。实验结果表明,采用小波包和拉普拉斯特征映射相结合的方法可以有效提高柱塞泵状态评估的准确性。

为了实现超声检测对缺陷的智能识别，引入小波包分析与人工神经网络技术。该方法利用超声信号进行三层小波包分解，提取各频率成分能量为特征值。建立并训练了一种BP缺陷识别的神经网络，该网络使用Levenberg—Marquardt算法。实验分析表明，小波包分析和人工神经网络的引用能为缺陷类型提供有效的智能识别。

提出基于驱动端电流检测的电磁阀故障诊断方法，研究了电磁阀驱动端电流特性及故障阀电流特征分析和识别方法。利用AMEsim软件搭建电磁阀的机、电、液模型，分析其驱动端电流与阀芯位移的关系；采集正常、弹簧断裂、阀芯轻微卡滞和阀芯完全卡死4种状态下的电流信号，分析不同状态的电流特征；针对驱动端电流为直流阶跃信号的特点，选取电流变化率为特征曲线，采用“能量-故障”的诊断方法，利用3层小波包分解对信号进行重构，并提取相应频带能量作为特征向量；利用前馈反向传播（BP）神经网络对提取的特征向量，对电磁换向阀模式识别和故障诊断。实验结果表明：基于“能量-故障”的诊断方法能较好地区分电磁阀的不同状态，并且经过训练的BP神经网络能够准确判别电磁阀的正常、弹簧断裂和阀芯卡死3种状态。

为了精确诊断齿轮泵故障,提出了基于马氏距离的传感器通道选择方法,采用多项式最小二乘法去除采集振动信号的趋势项和五点三次平滑法对信号进行平滑预处理,而后分别提取基于峭度的时域特征、小波包能量特征和经验模态分解特征,运用最小二乘支持向量机进行状态识别。以CB-KP63齿轮泵为例进行应用,结果表明传感器1通道识别率达到85%;采集振动信号趋势项干扰较弱,平滑处理效果较好;以EMD提取各频带能量作为特征参数的LS-SVC状态识别方法识别率达到90%以上,最终证明论文提出的方法有效可行。

通过小波包分析方法，对叶片泵入口压力脉动信号进行了信号分析处理，获得了初生汽蚀信号的各尺度频谱和能量特征值。试验测试信号分析结果表明：汽蚀初生信号尺度能量特征值可作为初生汽蚀状态进行定量识别的判据。

研究基于小波包频带能量的故障诊断方法及其在齿轮泵故障诊断中的应用。论述齿轮泵的典型故障设置及其数据采集,针对齿轮泵实验数据,研究基于小波包和支持向量机的齿轮泵故障诊断方法。实验结果表明：基于小波包-支持向量机的故障诊断方法是有效的,而且可以满足在线实时状态监测与故障诊断的要求。

利用小波包分析的方法,对液压系统故障时的振动信号进行分析,从中提取相应的故障特征频段信号,计算出该特征频段的能量谱大小,实验结果表明,小波包分析技术用来解决液压系统的泄漏故障是可行的,为液压系统的故障诊断提供了新的思路.