激光外差振动谱提取分析的车辆标识技术

结合机械振动原理方程分析计算了不同结构参数下的3自由度的1/4汽车结构的振动响应理论曲线及振动频谱图;运用激光外差技术测量原理设计搭建了汽车振动信息实验测量方案;针对外形近似、发动机输出信息相同的情况,采用视频成像法对存在识别盲点的两车进行了振动信息采集实验。通过分析采集到的振动信号的时域、频谱曲线,成功地找到了甲乙两车频谱的标志特征点,很好地对两车进行了标志与区分,弥补了视频成像车型识别法的盲点,为基于激光检测汽车振动信号的车辆识别技术提供了理论和实验基础依据。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法。首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量。在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构。在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验。实验结果表明:在数据连续丢失率不高于30%或随机丢失率不高于60%的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号。     

基于变分模态分解和压缩感知的弱观测条件下雷达信号重构方法

针对弱观测条件下雷达信号存在数据残损的问题,该文提出一种基于变分模态分解和压缩感知(VMD-CS)的雷达信号重构方法.首先通过变分模态分解对采样数据进行降解去噪处理,其次在压缩感知框架下构造观测矩阵、稀疏表示字典矩阵,然后基于正交追踪匹配(OMP)算法重构出稀疏表示向量.在此基础上利用离散余弦稀疏矩阵重构信号,实现对残损雷达信号的数据重构.在连续丢失数据和随机丢失数据两种情况下,对实际采集的线性调频(LFM)雷达信号进行仿真实验.实验结果表明:在数据连续丢失率不高于30％或随机丢失率不高于60％的情况下,该文方法能有效重构雷达信号,在时域、频域和瞬时频率上能够准确逼近原始信号.     

基于平均周期图法提高光纤光栅微弱振动信号检测能力的研究

光纤布拉格光栅(FBG)用于微弱振动检测时,当被测振动太微弱时系统输出传感信号的信噪比小于1,从时域采集的数据很难直接测得到信号的幅度和频率信息。提出一种信号处理方法,即将传感器在时域测量获得的连续数据分段后,对每段数据分别进行快速傅里叶变换获得其对应的功率谱信号,然后将频域信号做叠加平均得到新的数据。实验结果表明,采用这种频域叠加平均的方法处理后,FBG传感信号在频域内的信噪比提高了15.6dB,明显提升了微弱信号的检测能力。初步实验表明:该系统对FBG波长变化的检测灵敏度可提高到1.5fm。该信号处理方法特别适合噪声环境恶劣、被测信号以一定频率持续存在的工程应用领域,对实际环境下微小振动的识别与检测具有较大的意义。     

基于稀疏分量分析的振动信号源识别方法

振动传感器接收的信号往往包含不同部件的振动信号和环境噪声,为了从少量振动传感器的接收信号中识别信号源数和各频率分量,提出了一种基于稀疏分量分析的欠定盲源分离方法。该方法首先对混合信号进行时频变换,通过主成分分析提取各个时频点邻域的局部主成分,筛选出单源域特征数据。然后利用余弦距离改进聚类验证技术与模糊聚类算法,对振动源个数进行识别、对聚类参数进行更新,获得信号源数和混合矩阵估计。最后用一系列最小二乘法从混合信号对应的时频点中抽取出源信号。通过仿真实验和实测数据实验验证了本文方法的有效性和稳健性,相比经典时频比方法得到了更稳健、更精确的分离结果,这有助于对机械振动源进行识别和定量评估,以方便后续进行机械状态监测和减振降噪处理。      

振动传感电缆报警信号处理技术

本文提出了一种振动传感电缆报警信号处理技术.报警信号的误报问题一直是安防系统重点要解决的问题,而传统的时域门限分析方法对信号识别的准确率不高,不利于降低安防系统报警信号的误报率.本文提出的对各种随机报警信号按照各自的功率谱特征进行判断和识别的方法,可以很大程度上减少信号的误报.结合振动传感电缆报警网络产生的信号特点,本文用MATLAB语言中的工具包方便地解决了实际工程中信号的功率谱分析,用以替代传统的报警信号识别方法.取得了明显的效果,实际测试表明,报警信号的误报率由原来平均43%降到10%以下.     

利用调和最小二乘提高阻尼识别精度的ITD法

ITD模态识别方法[1]可以不用系统的输入信息识别系统的模态参数,同时避免了数据变换(FFT变换[1])而引起的截断误差,但是识别的模态参数常常很不精确,且阻尼比的识别精度很差.采用调和最小二乘算法,并且在此基础上对阻尼比分两步进行识别.通过理论推导和算例验证得到:提出的算法能显著的提高阻尼的识别精度.     

基于两级ＳＶＭ的Φ－ＯＴＤＲ系统振动事件识别算法

相位敏感光时域反射计(Phase-sensitive Optical Time Domain Reflectometer,φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,本文对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(Support Vector Machine,SVM)识别算法,对振动事件进行了两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。     

宽带谱相关时空DOA矩阵方法

本文提出了一种新的基于信号时空特征结构的二维DOA估计方法－－宽带谱相关时空DOA矩阵方法。该方法利用信号的循环平稳特性实现了对宽带信号的有效处理,同时通过空时变换将传统的一维空域处理拓展到了二维空间处理,更充分地利用了信号的时域特征,从而大大简化了阵列结构,提高了算法的性能。理论分析与仿真结果表明,该方法既继承了循环平稳方法在谱估计方面的优势,又具有原DOA矩阵方法无需二维谱峰搜索和参数配对的特点。     

基于ICA的雷达信号欠定盲分离算法

该文针对源信号时域和频域不充分稀疏的情况,提出了欠定盲源分离中估计混合矩阵的一种新方法。该方法对等间隔分段的观测信号应用独立分量分析(ICA)的盲分离算法获得多个子混合矩阵,然后对其分选剔除了不属于原混合矩阵的元素,最后利用C均值聚类的学习算法获得对混合矩阵的精确估计,解决了源信号在时域和频域不充分稀疏的情况下准确估计混合矩阵的问题。在估计出混合矩阵的基础上,利用基于稀疏分解的统计量算法分离出源信号。由仿真结果,以及与传统的K均值聚类,时域检索平均算法对比的实验结果说明了该文算法的有效性和鲁棒性。     

风电轴承多源振动信号故障诊断的数据融合方法研究

针对风电回转支承的故障振动信号为低频信号,不平稳、非线性,难以检出等难题,提出了基于数据融合的方案：首先提出了B型关联度加权法和小波去噪相结合的方法,对多源振动信号进行融合去噪,然后以EEMD为基础对融合后的信号进行分解,此方案不仅提高了融合信号的信噪比,而且抑制了在经验模态分解中的模式混叠现象,实验结果表明与理论计算的故障特征频率相吻合,充分显示了其应用在回转支承故障诊断系统中的可行性。     

基于改进时域多尺度散布熵与支持向量机的转辙机故障诊断

为充分挖掘转辙机振动信号的有效故障信息，提高故障诊断准确率，提出了一种基于集合经验模态分解（Ensemble Empirical Mode Decomposition,EEMD）、改进时域多尺度散布熵（Improved Time-domain Multiscale Dispersion Entropy,TMDE）与粒子群优化算法（Particle Swarm Optimization algorithm,PSO）优化支持向量机（Support Vector Machine,SVM）的故障诊断方法 .首先，通过EEMD方法将不同故障类型的振动信号分解成若干个模态函数（Intrinsic Mode Functions,IMFs）；其次，采用相关系数与峭度的混合筛选准则筛选IMFs并重构信号；再次，应用所提ITMDE算法提取重构信号的多尺度故障特征；最后将得到的特征向量输入经PSO搜索最优参数后的SVM进行训练和测试.实验分类准确率为100%，分析表明所提方法优于传统的多尺度排列熵、多尺度散布熵的故障诊断方法，能精确地识别转辙机故障类型.     

D-S证据理论在振源目标识别中的应用

本文采用D-S证据理论对振动目标脉冲宽度进行融合，可以很好地解决振动目标识别问题。地面目标激励产生的振动信号，主要受到运动状态、目标质量、传感器的距离以及地质条件等因素的影响。对传感器采集到的振动信号进行处理、特征抽取进而通过分类识别的方法可以确定产生地振动信号的目标类别[1]。     

地面运动目标振动信号的特性分析与目标识别

地面目标振动信号的特征提取是进行目标识别技术的关键,针对人员行走、车辆行驶等地面目标运动时产生的振动信号,首先进行实验测试建立包含反映目标属性特征信息的信号样本数据库,然后通过过零数分析方法得到信号的时域特征,实现了单人与车辆的目标识别,最后采用Welch谱分析法对信号进行了频域分析并实现了单人与多人的目标识别。实验表明这两种方法简便、易实现,有较好的识别效果。     

基于压缩感知理论的随机噪声雷达目标检测算法研究

随机噪声雷达通常利用时域相关完成脉冲压缩从而进行目标检测。该文根据压缩感知理论提出一种适用于噪声雷达目标检测的新算法,它用低维投影测量和信号重建取代了传统的相关操作和压缩处理,将大量运算转移到后期处理。该算法以噪声雷达所检测的目标空间分布满足稀疏性为前提;利用发射信号形成卷积矩阵,然后通过随机抽取卷积矩阵的行构建测量矩阵;并采用迭代收缩阈值算法实现目标信号重建。该文对算法作了详细的理论推导,形成完整的实现框架。仿真实验验证了算法的有效性,并分析了对处理结果影响较大的因素。该算法能够有效地重建目标,具有良好的运算效率。与时域相关法相比,大幅度减小了目标检测误差,有效抑制了输出旁瓣,并保持了信号的相位特性。     

基于MEEMD-HHT的分布式光纤振动传感系统信号特征提取方法

实际应用中,分布式光纤振动传感系统所测信号多为非平稳随机信号,对其进行模式识别的关键是准确获取信号的幅值-时间-频率瞬时特征。现有的相关研究表明,经验模态分解EMD方法结合希尔伯特变换可获得所测信号中固有模态分量的瞬时能量和瞬时频率,但存在模态混叠问题,后续改进的总体经验模态分解EEMD方法存在伪分量,重构误差大,互补经验模态分解CEEMD方法减小了重构误差的同时增加了运算量,无法保证特征提取与分类的效率与准确性。文中基于改进型经验模态分解方法结合希尔伯特变换MEEMD-HHT方法实现分布式光纤振动传感系统的特征提取,引入的排列熵的评价机制优化了分解过程中随机噪声迭代次数,通过仿真分析与实验对比,验证了该方法可有效解决上述方法中存在的问题,使系统在处理时间、特征准确度等性能皆有提高。实验结果表明,所提出的方法对于单频振动信号平均特征提取准确率达99.2%;对于混频振动信号平均特征提取准确率达98.1%,相对于EMD和CEEMD分别提高15.6%和7%,算法平均耗时最短,为3.8259 s,为分布式光纤振动传感系统的信号特征提取提供了一种可靠、高效的方法。     

多视角判别分析的情感识别

自主神经系统（ANS）活动在情感表达上的客观性,使得基于生理信号的情感识别引起了研究者的广泛关注。然而,情感表达是多模态的,仅使用单一模态或简单地对多模态情感数据进行拼接不能保证情感识别的精度。因此,本文提出使用多视角判别分析方法（Multi-view Discriminant Analysis Method ,MDAM）进行情感识别,将多个模态的情感生理数据看作情感表达的多个视角,通过最大化所有模态下情感数据的类间散度矩阵和类内散度矩阵之比,找到多组投影,使得投影后的情感数据位于一个具有判别性的通用空间中,在此空间中,同类情感样本的类内距离最小,而异类样本间的距离最大,从而为多模态情感识别提供有效的情感判别特征。实验结果表明,相较于传统情感识别方法,本文的方法在公开的情感数据集DEAP dataset上取得了很好的识别效果。      

基于时频特征的光纤周界入侵振动信号识别与定位

针对光纤周界安防系统入侵信号的非线性、非平稳性和间歇性等特点,提出了一种时域与频域特征相结合的方法,对光纤周界安防系统入侵振动信号进行识别与定位。采用计算嵌入维数方法,确定信号的最小分帧长度,因而能够较好地保留信号时间序列内在的动力学特性;提出了对入侵振动信号两级判定识别方法,利用短时能量和短时平均过零率特征来判断是否有振动信号产生,依据振动信号各层小波系数的能量分布特点来识别入侵信号,该方法有效地降低了周界安防系统的漏识率和误识率;为提高入侵信号定位的准确性,采用小波域贝叶斯自适应阈值对入侵信号作降噪处理,将重建的信号转换到频率域来确定入侵信号的位置。通过实验验证了所提方法的有效性。     

某结构体的振动特性分析

通过对振动信号处理方法研究和基于MATLAB的某产品振动信号处理,运用了解和掌握的振动信号处理的一些方法以及MATLAB中与信号处理相关的工具包及函数,同时用给出的实测振动数据给出了7个加速度计在532转速下的时域和频域内的处理图形。根据测试数据的处理结果,分析出了各测振点的振动情况及其相关性,并确定结构体的振源所在,使我们能更直观地解决复杂结构振动问题。同时分析结果表明时域表示较为形象和直观,频域表示信号则更为简练,剖析问题更加深刻和方便。     

光纤振动信号特征提取及线性分类方法

在光纤预警系统(OFPS)中产生的入侵事件主要分 为有害入侵和无害入侵。目前对于这两类扰动常规 的特征提取方法通常是采用时域分析,但是对于不同有害入侵事件其时域特征区分不明显, 因此时域处理 不能更好体现它们之间的细节差别。通过对有害入侵信号的频谱进行统计研究发现,不同信 号的频谱分布 存在较为明显的差异性,因此本文将入侵信号变换到频域并借鉴声信号的处理方法,提出了 一种基于能量 占比特征的有害入侵事件识别算法。对采集到的振动信号进行预处理并计算功率谱密度(PSD ),计算各信号 不同频段的能量占比,并将其作为信号分类识别的特征。之后将能量占比特征作为样本送入 分类器进行 OFPS振动信号识别。在分类器的选择上,本文采用线性判别分析(LDA)分类器对信号进行识 别,LDA能 最大限度的保持原始数据信息,并有效区分振动信号。通过实验结果表明该算法在OFPS 振 动信号的识别 研究中提高了有害入侵信号的识别率,从而验证了本算法的可行性,同时有效减少了识别时 间。