基于小波包和包络分析的滚动轴承故障自动诊断方法

提出了一种基于峭度-小波包-包络分析的滚动轴承故障自动诊断方法。首先用峭度系数判断是否出现故障,再针对故障轴承振动信号非平稳和调幅的特点,用小波包将信号分解到不同的节点上。然后将不同节点的重构信号做包络谱分析,将谱峰处的频率同滚动轴承内圈、外圈、滚珠、保持架等的故障频率进行对比分析,在此基础上,运用最小距离判别法则自动获得故障原因,从而实现滚动轴承故障的自动诊断。通过对实验中采集到的轴承振动信号进行分析,证明了该方法在轴承早期故障诊断中的有效性。     

采用独立分量分析的共道干扰消除

为了消除共道干扰,在接收端利用多天线提供空间复用是一种有效手段. 传统的接收算法必须预先获得准确的信道状态信息(CSI),在很多实际情况下很难满足. 为此提出一种基于独立分量分析(ICA)的干扰消除新算法,该算法不需要估计CSI,仅利用接收信号和通信协议固有的已知信息即可提取出期望信号. 实验结果表明,所提算法的期望信号信干噪比（SINR）性能与最优线性接收算法非常接近,差距小于01dB.     

基于峭度的BSS开关算法的语音信号盲分离*

盲信号处理算法主要有批处理和自适应算法两类,导出了一种基于峭度的自适应盲源分离（blind source separation,BSS）开关算法,将该算法应用于语音信号盲分离处理,通过综合实验,从分离前后的波形、频谱图和主要评价参数说明该算法具有良好的信号分离效果。与批处理中的典型算法,如扩展联合对角化（joint approximative diagonalization of eigenmatrix,JADE）和四阶盲辨识（fourth orther blind identification,FOBI）算法比较,该算法具有更好的分离效果。     

一种新的盲源分离拟开关算法

针对电子战中各种信号混叠严重难以分离的现象,在盲源分离开关算法基础上提出一种新的盲信源分离拟开关算法.该算法引入单位对称加权滑动向量来加权每次迭代所得的分离信号作为源信号,用峭度取代原算法的峭度符号位作为判断函数来自适应选择加权相应激活函数,以此优化学习算法,结合信号分选的具体应用,给出了迭代结束的评判方法.计算机仿真实验表明,在强噪声背景影响下,该算法能够更加有效地分离空间未知多源线性混叠信号,且在分离效果、稳定性、处理速度和抗噪性能上都比原算法有较大改进.     

基于生理振动分析的手机用户身份识别

为保护手机用户的个人信息,对用户进行身份识别认证,提出一种生物识别方法。利用智能手机内置的传感器,采集人体的生理振动信息;通过对采集数据进行去重力等预处理,提取均值、方差、能量、峰度、偏度等特征指标,利用z‐score方法进行标准化处理;进行分类器设计,得出分类器的查准率、误检率等评价指标。分析60组不同用户的生理振动数据,分析结果表明,该分类器的查准率最高可达98?33％。     

基于滑动峭度相关性准则的局部特征尺度分解分量筛选方法

轴承故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单分量的包络蕴含了轴承的故障特征。局部特征尺度分解可将振动信号准确分解为多个内禀尺度分量之和,某些分量能清晰反映轴承的运行状态,根据包络谱可进行故障诊断。为了准确筛选有用分量,提出了基于滑动峭度相关性准则的分量筛选方法。首先,对信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,对分量和原始信号分别计算滑动峭度,生成时间序列;最后,依据分量滑动峭度序列与原始信号滑动峭度序列的互相关系数筛选有用分量。通过轴承内圈故障数据分析发现：有用分量与非有用分量之间的滑动峭度互相关系数比互相关系数差异明显,区分度更大,有益于分量的分类、筛选。     

一种低复杂度振动信号检测分类算法

低复杂度的振动信号常规峰度检测算法只能检测人员入侵行为,不能检测车辆入侵行为.根据噪声数据与车辆入侵数据特点,结合时间窗和马尔柯夫过程概念,提出了基于改进峰度的振动信号检测分类算法.该算法引入背景噪声的平均能量,利用包含比例因子P和异常突变阈值r的分段函数代替信号能量,可以避免毛刺信号干扰,检测并区分人员入侵和车辆入侵而不需要任何先验条件.试验表明,该算法具有复杂度低,资源要求低,漏警率低的特点.     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

On the performance of different capability indices under normal and non-normal distributions

In this article, we have examined the performance of some useful capability indices using normal and non-normal distributions. The confidence intervals are calculated and mean coverage rates are observed for different capability indices. The effects of symmetry and kurtosis of parent distributions are examined on the mean coverage rates of different capability indices. Moreover, we have investigated the robustness (of confidence interval) using the median and percentile-based indices. We have considered the well-known distributions including normal, gamma, t, Weibull, and chi-squared. For these process scenarios, we have observed that some indices resist disturbance only in symmetry of the parent distribution, some resist the disturbance in symmetry and kurtosis of the distribution, and some indices don’t resist against either type of disturbance.     

基于高阶累积量的模拟电路故障诊断

结合信息融合技术,提出一种基于高阶累积量的模拟电路故障诊断方法.对待测电路施加正弦激励信号,从待测电路的输出终端提取原始电压和电流信号,求出峰度和斜度作为故障特征向量,将其输入改进的反向传播神经网络进行故障诊断.实例结果表明,该方法具有较高的诊断准确率.