形态学和小波域杂波抑制的微弱目标检测

本文提出了一种基于形态学和小波域杂波抑制的微弱目标检测方法,该方法将图像序列进行形态擘tophat滤波,然后小波变换,再分别对各小波子带作平滑滤波,按各子带对滤波前后小波系数作差分运算,最后经过小波逆变换得到具有微弱目标的残差图像序列.用残差图像tophat结果估计目标潜在区域,在目标潜在域的约束下,对残差图像序列进行时空域数据融合,实现微弱运动目标的检测.仿真实验表明,该方法杂波抑制后残差图像具有很好的白高斯特性,且目标邻域信杂比(scNR)的平均增益比图像空域平滑滤波和图像频域低通滤波等典型运算的SCNR平均增益有明显改善,目标检测算法在5帧图像集成时能稳定检测出微弱运动目标轨迹.     

基于滤波器组分解的周期性振动冲击信号解调方法及其应用

针对离散小波包变换用于振动信号解调分析存在的不足,构造了一种具有线性相位的两通道正交镜像对称滤波器组(QMF)用于信号解调分析;与同阶的小波滤波器相比,此QMF滤波器不仅滤波性能更优,而且其滤波系数的求取更加便捷.为了解决常规两通道滤波器组分解算法中存在的子带信号组频带错位问题,引入了无频带错位的QMF滤波器组分解算法.基于此分解算法,提出了一种用于早期故障自动检测的振动信号解调新方法.该方法在考虑各组子带信号能量大小的基础上,按修正的归一化峭度(MKv)最大化准则自动选择一组含有丰富故障信息的子带信号进行Hil-ben包络谱分析提取故障特征.利用该方法对仿真和实际轴承故障信号进行了解调分析,分析结果表明,该方法可以有效地检测出轴承故障.     

自适应TQWT滤波器算法及其在冲击特征提取中的应用

微弱故障的冲击特征提取,对于旋转机械设备平稳工况下的状态监测与诊断至关重要。针对强背景噪声下机械故障微弱冲击特征有效提取的难题,提出基于自适应可调品质因子小波变换(TQWT)滤波器的冲击特征提取算法。TQWT作为新兴的频域显式小波构造理论,具有匹配特定振荡行为信号成分、可利用FFT算法快速实现的优点。所提自适应TQWT滤波器算法,主要涉及TQWT参数(品质因子Q、冗余度r以及分解层数J)的优化选择以及最优特征子带的自适应选择,不依赖于先验知识。算法根据所提出的中心频率比指标以及能量加权归一化小波熵,分别对分解层数以及品质因子和冗余度进行优化选择,构造出适合揭示冲击信号成分振荡行为的优化可调品质因子小波基函数,进而利用冲击特征指标引导含冲击特征信息的最优特征子带选择,最后利用TQWT逆变换实现信号的重构与降噪,提取周期性微弱冲击特征。仿真试验与实测轴承信号的分析结果表明,算法能够自适应选择TQWT参数并实现微弱冲击特征的有效提取。     

基于局域均值分解的自适应滤波滚动轴承故障特征提取

依据小波变换带通滤波特性和相关分析提出一种滚动轴承故障特征提取新方法。针对带通滤波器参数难以快速自适应选取的问题,提出利用局域均值分解(Local Mean Decomposition,LMD)所得乘积函数(Production Function,PF)的统计特征快速设定滤波器中心频率,通过分析滤波信号小波系数谱改进香农熵(Shannon熵)与滤波器带宽参数间的关系给出滤波器带宽参数优化策略。对仿真信号和内外圈故障轴承信号的分析结果表明,该方法能自适应优化小波滤波器参数,有效提取滚动轴承冲击性故障特征。     

状态形态学滤波与EWT的故障特征提取方法研究

针对往复机械振动信号具有复杂非线性、非平稳等特性,使用一种基于小波框架的自适应经验小波变换和以集合角度处理信号的形态学滤波来进行往复机械故障特征提取。首先使用自适应经验小波变换通过构造尺度空间曲线对傅里叶频谱进行划分,构造合适的正交小波滤波器组以提取具有紧支撑傅里叶频谱的AM-FM成分;然后根据往复机械振动信号冲击性的特点,基于信号本身特性构造形态学结构元素,对提取出的模态进行状态自适应形态学滤波;最后使用多尺度模糊熵对模态进行定量分析并对故障进行识别。将该方法应用到实测数据中,实验结果验证了该方法的有效性,该方法可以准确对往复压缩机气阀故障进行识别。     

基于小波包和LMS自适应降噪的柴油机振动诊断

由于柴油机振动信号的特征频带和噪声频带存在重叠现象,利用小波阈值消噪时难以选取合适的小波阈值,针对该问题提出一种基于小波包的LMS自适应滤波降噪方法。该方法将小波包与LMS自适应滤波相结合,首先利用小波包变换对信号进行多层分解,然后以噪声干扰对应尺度上的第一层“细节”分量及最大分解尺度上的逼近分量重构信号,将重构后的信号作为LMS自适应滤波器原始输入信号,再以小波包最大分解尺度上的高频细节信号作为自适应抵消器的参考输入信号,进行LMS自适应滤波降噪处理。仿真计算和工程应用表明,该方法参数设置较少,易于控制,不涉及小波阈值降噪中阈值的选取问题,对比试验信号的分析验证了方法的有效性,将该法应用在柴油机振动诊断中提高了故障识别率。     

信号解调的正交滤波器方法

信号的解调分析是通讯领域和机械故障诊断的常用方法。本文从数字滤波器的角度出发,提出了实现信号解调的正交滤波器法,即基于 Ｆ Ｉ Ｒ 正交滤波器方法和基于正交小波函数的正交滤波器方法。正交滤波器方法将带通滤波和希尔伯特变换的过程和功能有合二为一,实现过程方便。针对 Ｆ Ｉ Ｒ 正交滤波器方法的缺点,本文根据函数逼近理论,在理论上,证明了正交小波函数可以最佳一致逼近理想滤波器。并在具体应用上,介绍了采用正交小波函数构造正交滤波器时,参数的选择和信号解调分析的具体实施方法。采用正交小波函数设计的正交滤波器方法,带宽选择方便,相位的线性度高,正交性好,而且滤波器的滤波性能更优。可根据要求很方便地实现多通带信号滤波和多通带信号的解调分析     

双自适应噪声抵消算法的实现

为有效剔除噪声,提高信噪比,提出一种基于双自适应的噪声抵消算法,包括自适应子带分解算法和自适应噪声抵消算法两部分。采用子带分解与噪声功率谱密度匹配的方法来对信号进行非均匀子带分解,根据噪声在子带中的分布进行有效滤波,对低噪或基本上无噪的子带不滤波,而对其它子带采用自适应滤波的算法。仿真对比表明,与传统的均匀子带自适应噪声抵消相比,计算量大大减小,其滤波效果也得到一定的改善。     

谐波分解结合自互补Top-Hat变换的轴承微弱故障特征提取方法

针对轴承早期故障特征微弱,极易被背景噪声淹没而不能及时检测的问题,本文提出了基于谐波分解和自互补Top-Hat变换的轴承微弱故障特征提取方法。首先,通过改进广义谐波小波函数,使得信号分解后子带个数和带宽范围不受二进制分解方式的限制,并在此基础上应用谱峭度图方法确定信号中故障特征相对集中的最优频带;然后,对最优频带信号进行多尺度自互补Top-Hat变换,抑制背景噪声的干扰,突出微弱的故障冲击特征,并引入故障特征能量比的方法自适应确定最优结构元素的尺度;最后,通过包络解调提取出轴承微弱的故障特征。对仿真信号和实测轴承全寿命数据分析的结果表明,该方法能较为有效检测出轴承微弱的故障特征,具有较高的工程应用价值。     

基于双树复小波包自适应Teager能量谱的滚动轴承早期故障诊断

针对滚动轴承早期故障特征信息难以识别以及带通滤波器参数设置依赖使用者经验等造成共振带不能有效确定并自适应提取的问题,提出了频带幅值熵的概念。在此基础上,将双树复小波包变换和Teager能量谱结合,提出了基于双树复小波包变换自适应Teager能量谱的早期故障诊断方法。该方法首先利用双树复小波包将采集到的振动信号进行分解,并计算各子带的频带幅值熵。然后将熵值按升序排列后依次作为阈值,提取频带幅值熵大于或等于阈值的子带,依据峭度指标确定最佳熵阈值和双树复小波包最佳分解层数,从而自适应并有效地提取出共振带。最后对共振带进行Teager能量谱分析,即可从中准确地识别出轴承的故障特征频率。通过信号仿真与工程实验数据分析验证了该方法的有效性与优越性。     

自适应滤波与相关滤波在冲击响应信号特征提取中的应用

识别冲击响应信号在模态分析和机械监测诊断研究中具有重要意义。由于噪声成分、工频及其谐波的干扰，机组运行或其他实际信号中的冲击响应信号很弱。这些冲击响应信号的特征也较难提取。选择适当的自适应滤波器参数，应用自适应滤波首先对信号进行预处理，去掉强大的工频及其谐波成分，使信号的信噪比得到很大的提高；然后利用Laplace小波相关滤波法对自适应滤波预处理后的信号进行进一步的处理，提取其模态信息。结果证明，将这两种方法结合后的信号特征提取效果是比较理想的。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。     

分形信号的小波分析

本文提出了分形信号的小波分解与重构的一种快速算法。针对分形信号的自相似和长时相关的特点,采取离散小波变换（ＤＷＴ）对分形信号进行多尺度分解,使其成为各尺度上的近似平稳信号,从而可利用通常的Ｗｉｅｎｅｒ滤波＾［５］或Ｋａｌｍａｎ滤波＾［７］方法进行估计,然后再由ＤＷＴ进行多尺度重构,估计出被噪声污染了的原始信号。本文重点对分形信号的ＤＷＴ进行算法设计,并估计了计算复杂度。     

随机振动功率谱再现自适应控制算法研究

为提高电液随机振动实验的控制精度,提出了一种基于Kalman滤波器的随机振动功率谱再现实时自适应控制方法。基于参考谱的信息设计FIR滤波器,通过对白噪声信号的滤波生成时域驱动信号。采用Kalman自适应滤波器实时跟踪振动实验系统的阻抗特性,并基于自适应逆控制方法对系统的输入信号进行滤波修正,使得系统的响应信号能够高精度再现时域驱动信号,进而实现参考谱的高精度再现。功率谱再现实验验证了算法的有效性。     

基于EMD算法的光栅莫尔条纹信号去噪方法研究

针对计量光栅莫尔条纹信号的质量问题,提出了基于经验模态分解(EMD)算法对非平稳光栅莫尔条纹信号模型的去噪方法。建立非平稳的光栅时变信号模型,利用EMD算法不需要定义滤波器参数的自适应性优点,对添加不同噪声的多组光栅信号模型进行了滤波分析的仿真实验,其信噪比和均方根误差两项指标优于均值滤波、小波阈值去噪方法。对两路正余弦理想信号添加高次谐波分量,通过对比EMD算法抑制高次谐波前后的李萨如图形,验证了该方法在去噪过程中对光栅莫尔条纹信号正弦性误差补偿的良好效果。     

Signal detection and noise suppression using a wavelet transform signal processor: application to ultrasonic flaw detection

The utilization of signal processing techniques in nondestructive testing, especially in ultrasonics, is widespread. Signal averaging, matched filtering, frequency spectrum analysis, neural nets, and autoregressive analysis have all been used to analyze ultrasonic signals. The Wavelet Transform (WT) is the most recent technique for processing signals with time-varying spectra. Interest in wavelets and their potential applications has resulted in an explosion of papers; some have called the wavelets the most significant mathematical event of the past decade. In this work, the Wavelet Transform is utilized to improve ultrasonic flaw detection in noisy signals as an alternative to the Split-Spectrum Processing (SSP) technique. In SSP, the frequency spectrum of the signal is split using overlapping Gaussian passband filters with different central frequencies and fixed absolute bandwidth. A similar approach is utilized in the WT, but in this case the relative bandwidth is constant, resulting in a filter bank with a self-adjusting window structure that can display the temporal variation of the signal's spectral components with varying resolutions. This property of the WT is extremely useful for detecting flaw echoes embedded in background noise. The detection of ultrasonic pulses using the wavelet transform is described and numerical results show good detection even for signal-to-noise ratios (SNR) of -15 dB. The improvement in detection was experimentally verified using steel samples with simulated flaws.     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

An automated methodology for the classification of focal and nonfocal EEG signals using a hybrid classification approach

The uncertainty in human brain leads to the formation of epilepsy disease in human. The automatic detection and severity analysis of epilepsy disease is proposed in this article using a hybrid classification algorithm. The proposed method consists of decomposition stage, feature extraction, and classification stages. The electroencephalogram (EEG) signals are decomposed using dual-tree complex wavelet transform and then features are extracted from these coefficients. These features are then classified using the neural network classification approach in order to classify the EEG signals into either focal or nonfocal EEG signals. Furthermore, severity of the focal EEG signal is analyzed using an adaptive neuro-fuzzy inference system classification approach. The proposed hybrid classification method for the classification of focal signals and nonfocal signals achieved 98.6% of sensitivity, 99.1% of specificity, and 99.4% of accuracy. The average detection rate for both focal and nonfocal dataset is about 98.5%.     

《谐波小波在动不平衡信号提取中的应用》

根据谐波小波的相位锁定、窄带分析功能以及在时域具有明确的表达式的特点，给出了基于谐波小波的自适应滤波方法及算法。该方法根据信号的相关性，通过谐波小波与振动信号在时域的相关运算，从而提取出动不平衡信号。基于Labview开发系统进行仿真和应用试验，结果表明：通过谐波小波自适应滤波，能够精确提取动不平衡信号。该滤波方法简单、实时性好，可满足高精度动平衡测试的要求，具有较强的应用价值。