自适应稀疏贝叶斯滤波在轴承故障提取中的应用

稀疏贝叶斯滤波作为一种简单、新颖的滤波器,对噪声中的步进动态具有较好鲁棒性。同时,该滤波器引入一种L1正则化,其稀疏解可通过标准凸优化方法快速获得,因此它也具有较高的运算效率。但是在原始的稀疏贝叶斯滤波中,正则化参数必须提前设定,而该种参数的选择主要依靠人为经验,这就可能导致所选择的参数无法满足要求。针对现有不足,提出一种基于樽海鞘群优化算法的自适应稀疏贝叶斯滤波的轴承故障提取方法。该种自适应滤波方法采用轴承故障信号的包络谱峭度和负熵为目标函数选择最优的正则化参数,从而得到最优的滤波信号。最后通过包络分析得到轴承故障特征频率。通过模拟数据和真实数据证明该方法的有效性和优越性。     

加权firm阈值奇异值分解及其旋转机械故障诊断

奇异值分解(Singular value decomposition,SVD)作为一种有效的信号降噪方法广泛应用于旋转机械振动信号周期性瞬态冲击提取中。传统SVD以能量为导向,无法提取出能量较弱但含故障信息丰富的奇异分量(Singular Component,SC)。为此,提出加权firm阈值奇异值分解(Weighted Firm Singular Value Decomposition,WFSVD)方法。该方法首先引入平方包络谱峭度(Squared Envelope Spectrum Kurtosis,SESK)作为量化故障敏感度的指标,以评估各个SC所含故障信息的丰富程度;其次,将SESK作为权重因子引入到基于firm阈值的SC去噪中,设计基于SESK的加权firm阈值SC去噪策略;最后,重构信号,实现信号降噪并有效提取故障特征。对于仿真信号与试验数据的分析验证了所提方法在周期性微弱瞬态冲击提取及旋转机械故障诊断中的有效性。     

基于独立分量分析的多分辨率遥感图像融合算法

研究了目前常用的遥感图像融合方法,提出了基于独立分量分析的多分辨率遥感图像融合方法,分析了用于独立分量分析的目标函数（如峭度、近似负熵和互信息）,给出了独立分量分析的优化快速算法,并详细描述了提取源信息独立分量的具体步骤。最后,将独立分量分析法应用于高分辨率光学图像和低分辨率光学图像的融合,与采用主分量分析法融合的图像相比,图像质量得到很大的提高。     

基于峭度最大化的地震盲反褶积方法

从地震褶积与反褶积过程的等效总系统出发,使脉冲响应满足单位脉冲序列形式,导出方差约束下反褶积输出的峭度最大化准则,作为地震盲反褶积的目标函数;针对目标函数关于反褶积算子的优化问题,采用粒子群算法进行全局寻优操作,实现地震信号的反褶积。数值模拟和实际资料处理结果表明,该方法不但适用于最小相位子波的反褶积,而且适用于混合相位子波的反褶积。与梯度法优化峭度准则的反褶积结果相比,能够更好地从地震记录中估计反射系数,拓宽地震资料的频谱,提高地震资料的分辨率。     

最大相关峭度反褶积与傅里叶分解方法相结合的滚动轴承故障诊断

针对强背景噪声环境下滚动轴承故障特征难以提取的问题,提出一种基于最大相关峭度反褶积(MCKD)与傅里叶分解方法(FDM)相结合的滚动轴承故障诊断方法。首先采用MCKD对振动信号去噪、提取与故障相关的冲击成分;其次,采用FDM对去噪信号进行分解,得到若干个瞬时频率具有物理意义的傅里叶固有频带函数和一个残余分量之和;第三,依据各个模态与去噪信号的相关性提取包含故障信息的最优模态分量,并对它们进行重构;最后,计算重构信号的包络谱,从谱图中读取故障信息。将所提故障诊断方法应用于滚动轴承故障仿真和实验数据分析,并通过与现有方法进行对比,结果表明,该方法优于所对比的方法。     

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。     

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.     

FFT谱最小熵解卷积滤波抑制放电信号中的周期性窄带干扰EI北大核心CSCD

提出了一种基于放电信号FFT谱最小熵解卷积滤波抑制周期性窄带干扰的方法。其原理为将频域上的干扰分量视作有用信号,放电信号视作噪声,利用最小熵解卷积滤波滤除放电信号成分、提取出干扰成分,再在原实测信号频谱中对干扰进行抑制,最后IFFT重构出放电信号。仿真和实验结果均表明该方法能够准确抑制掉窄带干扰,与传统的FFT能量比法相比,不涉及到能量窗的选择,可直接利用经典阈值准则提取出干扰成分,过程十分简便。该方法为现场测试中放电辐射信号周期性窄带干扰抑制提供了一种快捷的新方法。     

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。     

基于协峭度张量的高光谱图像异常检测

高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点,如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手,广泛应用的RXD异常检测算法通过计算图像的2阶统计特征,可以直接给出异常点的分布情况,算法复杂度低,但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性,但需要反复迭代提取异常成分后,再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法,该算法不需要事先提取异常成分,可以直接对观测像元进行逐一检测,从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明,该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率,从而提高异常检测精度。