强噪声背景下的微弱信号检测新方法

提出了新的强噪声背景下的微弱信号检测方法,设计了一种硬件与软件相结合的实现方案。采用经典的仪表放大技术和单片机控制技术对数据进行检测和处理,并通过虚拟仪器技术仿真和显示,为解决热释电红外探测器中µA级微弱信号的检测提供了十分有效的方法。该系统通过实验对模拟低频微弱信号的检测,充分显示了它在微弱信号检测方面的实用性和优越性。     

强噪声背景下的经验模式分解研究

研究了强噪声混合条件下微弱信号的经验模式分解(EMD)问题,提出了一种基于随机共振降噪的EMD分解方法.该方法利用随机共振在微弱信号检测方面的独特优势,首先对有噪微弱信号进行随机共振输出,微弱信号得到降噪和加强后,再进行EMD分解.在仿真实验中,对随机共振输出前后的信号分别进行EMD分解,分析结果表明该方法不仅能够提高原始信号的信噪比,有效检测出被噪声淹没的微弱信号从而提高了EMD分解的质量,同时减少了EMD分解的层数,提高了运算效率.     

一种强噪声背景下的微弱信号检测的新方法

基于自适应滤波算法对小波滤波器的构造方法进行了研究,重点在于解决对强噪声环境下微弱信号提取所需要的小波变换的子带自适应滤波器的构造,把小波变换技术和自适应滤波技术应用于微弱信号的检测。提出基于自适应小波变换的心电信号的检测,利用小波变换的子带编码理论,通过在多个子带权值的自适应匹配,回复后拟合微弱信号。仿真结果表明,该方法可进一步改善信号的检测能力,在检测微弱信号的特征和改善信噪比方面是一种十分有效的方法。     

基于变分模态分解奇异值熵的滚动轴承微弱故障辨识方法

针对滚动轴承微弱故障难以识别的问题,提出一种基于变分模态分解(Variational Mode Decomposition,VMD)与奇异值熵融合的滚动轴承微弱故障辨识方法。该方法对滚动轴承的振动信号进行VMD分解获得4个本征模态函数(Intrinsic Mode Function,IMF),并根据一种均方差-欧氏距离指标选择出含丰富故障信息的IMF分量进行信号重构;对重构信号进行奇异值分解获得奇异值对角阵,进而结合信息熵理论求取对角阵的奇异值熵;利用奇异值熵的大小区分滚动轴承的工作状态和故障类型。用美国西储大学的滚动轴承振动信号对所述方法进行验证的结果表明:相比传统EMD奇异值熵故障诊断方法,该方法能够更清晰地划分出滚动轴承微弱故障的类别区间,有助于实现微弱故障类型的准确辨识,为滚动轴承微弱故障诊断提供了一种可靠的评估依据。     

基于改进奇异值分解和经验模式分解的滚动轴承早期微弱故障特征提取

针对滚动轴承早期微弱故障特征难以提取的问题,提出了改进奇异值分解(SVD)和经验模式分解(EMD)的滚动轴承早期微弱故障特征提取方法。首先用多分辨奇异值分解将信号分成具有不同分辨率的近似和细节信号,然后对近似信号用奇异值差分谱进行消噪,对消噪后的信号进行经验模态分解,将得到的各本征模函数分量进行希尔伯特包络解调,从而获得滚动轴承故障特征信息,最后通过对滚动轴承早期内圈故障的诊断实验证明了该方法的有效性     

一种强噪声背景下微弱信号检测系统的设计与实现

<正>本文针对工程应用领域微弱信号检测的实际需要,提出了一种基于锁相放大器的微弱信号检测通用方案,设计实现了一种基于AD630和Cypress PSoC4蓝牙低功耗(Bluetooth Low Energy,BLE)微处理器的微弱信号检测系统。系统由AD630、微处理器、A/D采集电路和智能终端等部分组成,可用于对淹没于强噪声背景中特定频率信号的检测,具有通用性强、可扩展     

基于经验模态分解的管道超声回波信号噪声消除

在管道超声无损检测中,超声回波信号往往受到电子噪声、结构噪声等噪声的影响,所以在分析缺陷回波信号时,必须对回波信号进行去噪处理.本文提出了一种新型的基于经验模态分解的方法对超声回波信号进行了良好的消噪处理.通过计算,超声回波信号的信噪比大约提高了11 dB.     

基于自相关和经验模态分解的微弱信号检测方法研究

本文针对自相关方法所存在的只能检测单一正弦信号和EMD方法易受噪声干扰的问题,提出将二者结合,先用自相关方法提高信噪比,而后用EMD方法分解信号,获取其中所包含的各有用信号成分,达到在低信噪比情况下检测出信号中有用成分的目的.仿真结果表明,该方法在低达-23dB的信噪比情况下仍能有效检测出仿真信号中包含的多频正弦成分,方法简单,效果明显.     

基于改进自适应变分模态分解的滚动轴承微弱故障诊断

滚动轴承早期故障信息微弱,且混有大量背景噪声,难以提取其故障特征。提出了一种改进的自适应变分模态分解(AVMD)与Teager能量谱的微弱故障诊断方法。将最小平均包络熵(MMEE)作为目标函数,自动搜寻影响参数最佳值,确保变分模态分解(VMD)实现最优分解,并提出加权峭度指标(WK)用于选择有效模态分量进行信号重构,对重构信号进行Teager能量谱分析,从而识别故障特征频率。对轴承微弱故障振动信号的研究表明,所提方法改进了传统VMD算法分解精度受参数影响较大,导致信号出现过分解或欠分解的问题;与集合经验模态分解和局部均值分解算法相比所提方法具有更强的噪声鲁棒性和故障信息提取能力。     

强噪声背景下频率加权能量算子和变分模态分解在轴承故障提取中的应用

从机械系统中传出的信号通常包含着不同的叠加振动成分,包括有用信息以及不可避免的背景噪声和其他频率干扰,因此波形较为复杂,并且其幅值和频率会随着时间发生变化。当背景环境较为复杂或噪声较大时,从混合信号中提取出的轴承故障特征信号更是如此。对于此类信号,模态分解算法不仅可以去除大量的高频噪声,而且还能将振动信号分解成一系列具有单一成分的模态分量,从而更好地发现振动信号的物理意义。引入一种新的轴承故障特征提取方法,首先利用变分模态分解算法先将故障信号分解为若干个成分单一的模态分量;然后利用一种新的能量算子——频率加权能量算子对含有故障频率的模态分量进行处理,得到其能量谱从而提取出轴承故障特征频率;最后以一种常见的振动筛分设备振动筛为实际案例,对其轴承故障特征进行提取,并通过对比,说明了该算法的优越性和实用性。     

强噪声背景下的语音信号提取研究

针对强噪声背景中语音信号提取的难度,提出一种基于Simulink和FDATool的改进型信号提取模型,该模型在传统自适应噪声消除器SIMULINK模型的基础上通过增加双带通数字滤波器实现.理论分析和仿真结果表明,该方法在强背景噪声中提取语音信号是可行的,且比没有改进时信号提取效果明显增强.     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。     

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法.首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类.为了提高诊断性能,本文利用集合...     

基于信息熵优化变分模态分解的滚动轴承故障特征提取

针对变分模态分解(Variational Mode Decomposition,VMD)的参数需事先人为确定的问题以及如何选取包含故障特征信息的本征模态分量(Intrinsic Mode Function,IMF)的问题,提出了基于信息熵的参数确定方法和基于信息熵的IMF选取方法。该方法首先对原始故障信号进行变分模态分解,通过信息熵最小值原则对其参数进行优化,获得既定的若干IMF分量;在优化参数时获得信息熵最小值所在的IMF,选取其为有效IMF分量进行包络解调分析,提取轴承故障特征频率。通过轴承仿真信号和实际数据分析,表明该方法能够提取滚动轴承早期故障信号的微弱特征,并实现故障的准确判别。     

经验模态分解的人体结肠压力信号分析

结肠测压技术可以提供整个结肠动力活动的信息,是广泛使用的评价消化道功能的检查手段.采用经验模态分解(EMD)方法将人体结肠压力信号分解为不同的固有模态函数,并对该固有模态函数进行Hilbert变换,于是可以清楚地辨别信号的特征.通过对于14例样本数据的第三个固有模态函数进行Hilbert变换,可以区分出正常(3例)和非正常(11例)的人体结肠压力信号,结果说明EMD方法是一种分析结肠压力信号的有效方法.     

强背景干扰中微弱信号检测的新尝试

介绍１种检测强背景干扰中微弱信号的新方法，将其应用于医用Ｘ线滤线栅性能测试后，实现了检测手段的智能化；工作效率提高数１０倍以上。     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

强干扰背景下的鱼雷辐射噪声信号检测方法

常规被动声纳利用宽带波束能量进行目标检测,在低信噪比、强目标干扰情况下,宽带能量检测的性能迅速降低。利用鱼雷辐射噪声信号中含有丰富线谱成分的特点,提出了一种针对鱼雷辐射噪声信号的窄带和宽带联合检测方法。通过对预成波束方向信号的窄带处理和线谱提取,利用特定频段的线谱能量对宽带波束输出进行加权,提高了线谱目标的检测能力。该方法能够有效地抑制非线谱强干扰目标,提高低信噪比信号的检测能力。仿真和海试数据处理结果验证了该方法的有效性。     

基于参数优化变分模态分解的滚动轴承故障特征提取方法

在滚动轴承早期故障阶段,代表轴承故障特征的冲击成分容易被较强的背景噪声淹没,针对这一问题提出相关峭度(Correlated Kurtosis,CK)优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障特征提取方法.针对变分模态分解方法参数不确定问题,提出利用以相关峭度为...