MCKD最佳故障周期搜索的齿轮箱故障特征提取

针对最小解熵解卷积(Minimum entropy deconvolution,MED)算法易受强噪声和野值的影响,引出了最大相关峭度解卷积(Maximum correlated kurtosis deconvolution,MCKD)的齿轮箱故障特征提取方法,克服了MED算法的不足。然而凭先验信息选取的故障周期,可能导致MCKD解卷积效果很差,因此提出了MCKD算法的最佳故障周期搜索思路,即在合适的滤波器阶数L下,最佳故障周期的搜索可以限定于理论计算周期左右的某一范围内,使不同步距M关于最佳周期的最大相关峭度达到全局最优,以确保了MCKD算法具有良好的解卷积效果。断齿与局部断齿故障特征提取试验结果佐证了最佳故障周期搜索思路的可行性及其效果。     

基于MCKD和峭度的液压泵故障特征提取

液压泵早期故障信号具有非平稳性、强背景噪声、弱故障特征特点,故障特征难以有效提取。为此,提出基于自相关分析与最大相关峭度解卷积算法的齿轮泵故障特征提取方法,利用MCKD算法对采集信号去噪处理,增强信号中的原始冲击成分,提高信号的信噪比;基于峭度（或峭度绝对值,或峭度平方值）的特征信息提取方法,来度量机械信号的非高斯性程度,以表征机械设备的运行状态信息。试验结果证明：所提方法能够有效提取液压泵故障信号中的特征信息。     

基于共振区幅值-相位解调技术的早期齿轮齿根裂纹故障检测

常用齿轮故障诊断方法中窄带解调分析存在低频干扰的问题,共振解调分析不涉及相位调制信息。针对传统方法的不足,提出了一种以共振频率作为载波的共振区幅值-相位解调技术。方法首先通过快速谱峭度算法寻找齿轮振动信号的共振区,然后在共振区中通过幅值最大搜索法获得共振频率,并以该共振频率为载频进行解调分别得到幅值和相位调制信号。该方法结合共振区对弱信号的放大以及对低频干扰的隔离作用,可有效提取齿轮的故障信息。仿真及试验研究表明,所提出的共振区幅值-相位解调技术可以有效检测早期齿轮齿根裂纹故障信息,是对传统方法的有效补充。     

电机与负载轴承耦合故障的谱峭度诊断方法

当机电传动系统中电机轴承与负载轴承同时发生故障时,呈现出振动信号复杂、轴承故障信号信噪比差、故障特征不明显的特点。针对上述问题,提出了基于小波和谱峭度相结合的轴承耦合故障诊断方法。首先,通过小波分解可以将耦合故障的多频带故障特征分解到各个子频带中,减少不同故障之间的相互影响;其次,根据谱峭度最大原则自动选择最佳带通滤波进行滤波,对滤波后的信号进行包络分析,从包络谱中对故障特征频率进行快速有效的识别,进而确定故障类型和故障位置;最后,利用支持向量机实现电机轴承耦合故障的模式分类。实验结果表明,利用该方法能够有效地滤除噪声干扰,提取强谐波信号下的弱故障特征,效果优于传统谱峭度分析方法。     

滚动轴承故障监测诊断中的自适应滤波算法

针对滚动轴承故障分析诊断中的载波带选择过程进行研究,提出了基于峭度指标的自适应最优滤波算法,仿真和试验台的研究结果表明,此算法不仅能够准确地诊断出轴承故障,以全自动的方式实现滤波过程,而且自适应最优滤波算法的故障诊断效果远远优于固定滤波算法和基于小波包变换的滤波算法。     

基于WVD的谱峭度法在轴承故障诊断中的应用

在对基于短时傅里叶变换(STFT)和基于小波变换的谱峭度法分析的基础上,提出了基于Wigner-Ville分布的谱峭度法.将其作为检测工具,利用谱峭度构造最优滤波器提取轴承故障信息.将这三种谱峭度法应用于滚动轴承故障诊断中进行对比分析.分析结果表明,时频分析方法对信号能量的集中程度和时窗与滤波器的选取是影响谱峭度法应用效果的主要因素.该结果对基于时频分析的谱峭度法理论体系的形成及其在故障诊断中的应用具有实际意义.     

基于AR模型和谱峭度法的滚动轴承故障诊断

自回归(AR)模型是平稳信号分析的重要工具,本文利用峭度最大原则确定AR模型最优阶次,然后利用此AR模型对滚动轴承故障信号进行预处理,剔除可线性预测的平稳成分,得到的残余分量中理论上只包含了噪声信号和信号的非平稳部分,从而降低了后期数据分析难度。谱峭度对于非平稳信号非常敏感,它可以将非平稳信号从噪声中检测出来,因此将两者结合起来可以更有效的对滚动轴承故障进行诊断,实验结果验证了此方法的有效性。     

Fast ICA 盲分离算法在雷达抗主瓣干扰中的应用研究

压制干扰信号从主瓣进入雷达天线,会严重影响雷达的性能,通常的副瓣抗干扰技术难以奏效。文中首先给出了Fast ICA 应用于雷达抗主瓣干扰的信号模型;在高信噪比的均匀噪声环境中,利用基于寻找峭度的局部极值点的Fast ICA盲分离算法分离接收到的主瓣干扰混合信号,通过脉压找出目标信号。仿真验证了算法用于抗主瓣干扰的有效性,该算法具有良好的抗干扰性能,在分离效率上具有较明显的优势。     

一种基于峭度累积量比例微分控制的盲源分离学习率

自然梯度算法由于良好的分离性能在盲源分离中占有重要的地位,但该算法基于固定步长时,无法很好兼顾收敛速度和稳态误差。本文借鉴自动化控制的PID （Proportion Integration Differentiation ）算法,提出一种与分离状态紧密结合的变步长学习率算法。由于完成分离的信号峭度累积量是一个固有值,分离过程的信号峭度累积量与固有值将有一个不断减小的误差值。该算法以指数函数值来体现该误差值。再利用该误差构成比例微分的变步长算法,其中的步长初始值就相当于控制误差的比例值,而误差的微分项则得到加速的调整值。该算法仿真实验结果与固定步长自然梯度盲源分离算法的仿真实验结果对比：对应于初始步长的一个最大值和一个最小值,该算法的两次迭代次数均低于采用固定步长算法的迭代次数,并且对于不同类型信号在两次迭代次数间的差值约10～40次,而两种算法的稳态误差是相同的。     

一种基于峭度和记忆梯度的变步长盲均衡算法

分析了军事通信中传统恒模盲均衡算法的基本原理,并针对恒模算法收敛速度慢、易陷入局部极小点、收敛速度与稳态剩余误差之间矛盾突出的缺点,提出一种基于峭度和记忆梯度的变步长算法。经过理论分析和实验仿真,证明改进后的算法较传统算法具有更好的均衡效果。