调频随机共振实现大参数信号检测

针对传统随机共振只适用于检测低频信号的约束,提出用被测信号和背景噪声调制频率的方法,实现在大参数情况下从强噪声中检测微弱信号.分析了调频信号的频谱,理论分析和数值仿真表明:此方法能降低噪声的有效强度,调频信号中含有的低频分量能产生明显的随机共振.     

基于EEMD和自相关函数特性的自适应降噪方法

在机械设备早期故障中,反映故障特征的冲击信号非常微弱,容易被噪声淹没,使得故障诊断有一定难度。集合经验模式分解方法将含噪信号分解为多个固有模式分量,其中包括噪声分量和有用信号分量。根据两者自相关函数特性的不同,提出了利用能量集中比找到噪声分量分界点的自适应降噪方法,并利用改进的软阈值方法拾取噪声分量中的高频有用信号。对不同频率的含噪信号进行降噪处理,结果表明,该方法对中低频信号的降噪具有很好的效果。故障轴承振动信号的降噪效果表明该方法的实用性。     

基于稀疏分解的微弱多分量LFM信号参数估计

Wigner-Ville分布是线性调频(LFM)信号参数估计方法中的常用方法,但其缺点是对多分量LFM信号有严重的交叉项.文中以稀疏分解方法为基础,利用匹配追踪(MP)算法将微弱多分量LFM信号在过完备原子库上进行分解,由分解得到的原子参数可以估计出各个LFM信号的起始频率和调频斜率,从而实现了微弱多分量LFM信号的参数估计.仿真验证了该方法的有效性.     

阵列调制随机共振在微弱信号特征提取方面的应用

论述了阵列调制随机共振方法在强噪声背景下多频微弱信号特征提取中的工作原理和实现步骤;采用预先设定系统参数的多个并联非耦合随机共振单元形成阵列,将被测强噪声背景下的多频微弱信号分别与不同频率的载波进行调制,生成多个差频均为0.01Hz的信号作为各对应随机共振单元的激励信号,采用龙格-库塔算法求取各单元输出并进行频谱分析,根据0.01Hz处的信噪比判断在微弱信号中是否存在载波频率与差频值之和大小的频率分量,最后综合各个随机共振单元的检测结果生成微弱信号的频率特征向量;仿真结果表明,阵列调制随机共振在微弱信号特征提取方面效果明显,具有很好的应用前景。     

基于多准则融合的滚动轴承振动信号消噪方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出了基于多准则融合的滚动轴承振动信号消噪方法。该方法采用集合经验模态分解(EEMD)方法对原始振动信号进行分解得到一组IMF分量,计算各阶IMF分量和原始振动信号的相关系数、各阶IMF分量和原始振动信号包络谱的J散度、各阶IMF分量的峭度值;分别根据相关系数准则、J散度准则、峭度准则选取有效IMF分量,将同时保留的IMF分量作为有效分量进行信号重构。实验结果表明,该方法可以有效地提取滚动轴承早期微弱故障信息,能够有效抑制经验模态分解(EMD)中的模态混叠问题,同时削弱低频噪声,突出高频共振成分,具有良好的自适应性。     

自适应经验小波塔式分解的齿轮微弱故障诊断方法

针对强背景噪声下齿轮微弱故障特征难以有效提取的问题,本文提出了一种基于自适应经验小波塔式分解的齿轮故障诊断方法 .首先,在齿轮故障信号傅立叶变换基础上,通过设定分解层数对信号频谱进行有效划分,进行经验小波变换;然后进一步提出时-频峭度指标,绘制信号在不同分解层数下各分量信号的时-频峭度图,确定所感兴趣的最优共振频段范围;最终得到最优单分量信号,利用包络解调分析提取齿轮微弱故障特征.采用所提方法对齿轮故障信号进行分析,结果表明该方法可以有效提取齿轮微弱故障特征,而传统经验小波方法因为受强背景噪声影响较大,无法准确提取齿轮微弱故障特征信息.     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法。首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量构建初始特征矩阵,然后利用SVD对特征矩阵进行分解,得到特征矩阵的奇异值作为表征微弱故障信号的特征向量,最后应用多变量预测模型对单向阀微弱故障进行诊断。工程实验结果表明,该方法能有效地提取出单向阀微弱故障信号特征并能对单向阀状态类型进行有效识别。     

基于大数据挖掘的立式击弦机磁力自复位水平测试研究

针对传统立式击弦机微弱信号检测率低,导致磁力自复位水平不高的问题,提出一种基于WT-LSTM的微弱信号检测方法。首先,基于长短时神经网络构建基于LSTM的微弱信号检测模型,以检测立式击弦机的原始信号;然后引入小波分解,得到基于WT-LSTM的微弱信号检测模型,通过小波分解提取信号分量的近似系数,去除噪声分量;最后将数据传输至LSTM中进行新特征学习。结果表明,在-13 dB～0 dB的信噪比下,提出的WT-LSTM微弱信号检测方法的检测准确率均保持在85%及以上,其ROC曲线和AUC值明显高于传统的LSTM检测方法和RBF检测方法,虚警概率和漏警概率低于前两种方法。在信噪比为-13 dB时,本方法的检测准确率最高可达99.87%,比另外两种方法分别高出了8.8%和25.8%。由此说明,本方法可实现噪声抑制,提升微弱信号检测准确率,进一步增强立式击弦机磁力自复位水平。     

基于Matlab周期信号的分解与合成

分析三角形式傅里叶级数中周期信号的分解与合成,用Matlab软件对方波信号的分解与合成进行仿真。结果显示方波信号可以分解成直流分量和不同频率余弦分量（或正弦分量）的叠加;满足一定关系的直流信号和有限次谐波分量之和可以近似表示方波信号,对方波信号合成过程中误差和吉布斯现象进行分析。利用Matlab软件仿真可以直观地理解周期信号的分解与合成原理,它对于建立信号频谱的概念以及系统频谱分析都有非常重要作用。     

基于DSP的取样数字式平均器的设计与实现

介绍了微弱信号检测的背景和应用,提出以数字式多点平均器的算法来检测微弱信号,并从理论上进行了分析和论证。这种方法的核心是用累加平均来消除随机的噪声,增强确定的有用信号,改善被检测信号的信噪比,恢复出淹没于强背景噪声中的微弱信号,从而实现微弱信号检测。设计出了以TMS320C54x为核心处理器的数据处理系统,利用DSP实现时域信号的取样积累数字式平均算法,这种系统能很方便地嵌入各种仪器中,用途十分广泛。     

基于形态分量分析的图像去噪算法研究

由于信号采集,信号传输等原因,随机噪声对信号有着很大的影响,甚至降低信号质量。传统的去噪方法无法自动的在去除随机噪声,和保存有用信息之间做出最佳选择。在本文中,我们展示了一种以相对无损的方法从有用信息中去除所有明显的随机噪声。该文设计的模型是建立在一种如下的理论假设之上:原始图像信号是由有用信号和随机噪声信号组成的,而这两者在形态学上是具有不同表示的。基于他们形态学上的不同性,这两种分量可以分别以不同的字典来稀疏的表示,接下来就是把各自分量给分离出来,去噪完成之后再以分量重建信号。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于小波变换和参数滤波的音素分段算法

论文首先分析了小波的时频特性,基于该特性对语音信号进行小波域滤波,提出对听觉感知有效的频率分量,然后用参数滤波方法进行分段。参数滤波的基本思想是以一个变化的参数对信号进行滤波,得到信号在不同频带中的分量。可以证明若滤波参数以一定的规律变化,则这些滤波分量的一阶自相关表示了信号的相关结构。实验表明对上述经小波域滤波后的频率分量进行基于参数滤波的音素分段会得到较准确的分段效果。     

基于多维特征评价的风机齿轮箱早期故障诊断

为了及时有效地诊断风机齿轮箱早期微弱故障,针对齿轮箱微弱故障信号非线性、非平稳、低幅值、低信噪比的特点,提出一种基于多维特征评价的风机齿轮箱早期故障诊断方法.首先,利用变分模态分解将原始振动信号分解为多个固有模态分量,并构建“信息熵-峭度-包络谱峭度”多维特征评价模型,结合熵权法筛选关键特征分量以重构信号;其次,运用改进的小波阈值法降低噪声干扰对重构信号的影响,得到显著的故障冲击特征;再者,使用宽度学习系统进行状态识别,并利用$L_{21     

一种用于磁流体陀螺微弱信号检测的小波降噪方法研究

新型磁流体陀螺可以同时满足卫星微角颤振在轨测量的亚微弧度测量精度及千赫兹带宽的技术要求,优于当前卫星系统中所用陀螺,是用于卫星微角颤振测量的理想传感器。但是其输出信号极其微弱并且淹没在大量噪声中导致无法有效地实现检测角速度的功能。提出了一种基于自相关的小波阈值去噪算法提取微弱信号。该方法通过计算小波分解各层细节分量的自相关系数,自动确定最优小波分解层数,并通过该自相关系数选择最优去噪阈值。对传统阈值去噪算法与所提出的改进小波算法进行了对比实验,实验结果表明该方法能将输出信号信噪比提高7 dB~10 dB,适用于所设计的磁流体陀螺微弱信号的检测提取。     

FS-4型锁定分析器

FS-4型锁定分析器能迅速、方便地同时测量微弱信号的同相与正交分量或振幅与相位分量,测量频率范围为1Hz到100kHz,满刻度灵敏度范围为100mV到10nV。而且,它有在宽带噪声或其他干扰中检测信号频率的能力,即使信号频率作缓慢变化也能进行检测。本文介绍了它的原理与特点。     

强噪声下的微弱信号检测技术

"微弱信号"主要指那些被噪声淹没的信号,"弱"是相对于噪声而言的。弱信号在强噪声背景下的检测一直是工程应用中的一个难题。在强噪声背景下,提高信噪比,检测有用的微弱信号是微弱信号检测的首要任务,满足了现代科学研究技术的需要,因此研究微弱信号的检测技术具有重要意义。本文对强噪声下的微弱信号检测技术进行分析,以期为相关研究人员提供参考意见。     

呼吸感应体积描记系统中弱信号锁相放大模块的设计

在呼吸感应体积描记呼吸测量系统中,需要测量nV~μV级的微弱感生电压信号,而且在测量过程中,做为传感器的电感线圈容易受到测量环境,呼吸运动以外的其他运动和电子噪声等影响。为适应系统测量范围并降低噪声的影响,设计了一种基于AD630锁相放大电路微弱生理信号检测模块。该模块的锁相放大器具有大于0.96的良好线性度,能检测出传感器的感生电压信号,并分离出直流分量,有效地降低噪声对系统的影响,提高了系统测量的精度,并有望应用于其他微弱生理信号检测。     

南京大学微弱信号检测技术开发研究中心按崭新的设计思想又研制出一批高水平、高质量的新产品

微弱信号检测技术是一门新兴的技术学科,它利用电子学、信息论和物理学的方法,分析噪声产生的原因和规律,研究被测信号的特点与相关性,探讨如何检测被噪声背景淹没的微弱信号。微弱信号检测仪器为现代科学技术和工农业生产提供了强有力的测试手段,应用范围几乎已遍及所有的科技领域,已成为现代科技必备的常用仪器。     

采用非负矩阵分解的语音盲分离

针对多通路语音信号的欠定卷积混合模型,提出一种基于非负矩阵分解(NMF)的语音盲分离方法。该方法使用高斯分量对源信号的短时傅里叶变换(STFT)进行表示,高斯分量由基于板仓-斋藤(Itakura-Saito(IS))散度的非负矩阵分解的因子所组成。使用极大期望值算法(EM)求解参数,并对信号进行重组。该方法被应用到双声道立体声信号的盲分离实验,实验结果表明了该方法的有效性。