自行火炮路面振动信号时频特性研究

自行火炮越野行驶减速停车过程车体的振动是非平稳的,传统的信号处理方法难以得出更多有用信息。利用连续小波变换在时域和频域具有的良好局部化特性,结合传统信号分析手段,对某型自行火炮减速停车过程的振动加速度信号进行了时频分析,研究了自行火炮的非平稳振动特性。结果表明：车体振动加速度的幅值和频率均随车速的提高而增大,采样信号小波系数灰度图给出了火炮振动特征随时间和频率的变化规律,克服了传统分析方法的不足。另外,实施了连续小波变换尺度的非等间隔选取,在不影响低频分析准确性的同时,处理结果对分析信号高频成分非常有效。     

基于EMD和AFD的齿轮断齿诊断技术研究

断齿作为齿轮失效的形式之一,对其进行故障诊断具有重要意义.传统的诊断方法如自适应滤波方法对于非平稳振动信号的分析效果不太明显.EMD(Empirical Mode Decomposition,简称EMD)方法是把复杂的振动信号分解为有限个本征模函数(Intrinsic Mode Function,简称IMF)之和,得到的IMF包含真实的物理信息,而且都是平稳的.这种基于信号的局部特征时问尺度分解的方法非常适用于非线性和非平稳过程的分析,该方法能够实现通过时域的分析,得到故障特征信号.本文提出基于EMD和自适应滤波分解(Adaptive Filtering Decompositon,简称AFD)的方法,利用边际谱分析齿轮故障特征.实验结果表明,该方法能够有效、准确地提取齿轮断齿的故障特征.     

基于非线性混沌理论的非平稳信号的比较分析

本文研究采用基于非线性混沌理论的两种非线性参数估计方法(代替数据法和Lyapunov指数估计法)对非平稳信号进行分析.首先对上述两种非线性方法的具体算法进行介绍,然后对两组本质不同的非平稳振动信号进行对比分析.这两组信号是通过测试具有不同非线性约束边界条件的薄壁构件获得.分析结果表明,在时域波形上直观相似的非平稳信号,用上述非线性混沌分析的方法可以有效地加以定量区分.     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于Gabor小波变换册的齿轮故障诊断方法

齿轮产生局部故障时,失效的轮齿间断地进入啮合,产生冲击振动,使得齿轮振动信号包含了非平稳或时变成分.基于平稳信号处理的传统方法无法全面反映信号的时变特性.作者研究了Gabor小波变换册方法,Gabor小波变换册是小波变换的推广,它是时间-频率-尺度三维空间上的线性变换,它有机结合了小波变换与Gabor变换,具有对非平稳信号的强大分析功能,利用其作信号的谱估计,不仅具有小波变换谱估计方法高频率分辨率的优点,而且不受信号频率范围宽窄的限制,可以根据需要自由地选择尺度参数,谱估计值准确有效.利用Gabor小波变换册作齿轮故障信号的谱估计,比经典的自功率谱估计在齿轮局部故障诊断中能取得更好的效果.文中并对该方法进行了仿真和实验验证,仿真和实验数据的分析结果表明这些方法可突出齿轮的边频带结构,适用于齿轮的局部故障诊断,具有一定的应用价值和更深入的研究价值.     

微重力落塔落舱释放控制振动信号的小波分析

论述了微重力落塔落舱电磁悬吊、释放、提升控制系统的关键技术,结合电磁释放系统特点,分析了释放时振动信号的特点,介绍了应用小波分析方法进行信号去噪的基本原理.基于阈值小波变换去除振动信号高、低频噪声,然后应用小波包分解方法获取信号的特征量从而进行信号的重构,消除瞬态突变干扰信号,并对系统结构和组成进行了分析.实验结果表明:该方法可以有效地进行信号的消噪,并获取真实的释放振动信号.     

非平稳随机激励下太阳能帆板随机振动分析

研究非平稳随机激励下航天器太阳能帆板结构的随机振动优化问题,由于太阳风、火箭发动机、空间碎片等因素影响,造成太阳能帆板所受激励带有了随机性,即非平稳随机激励.为太阳能帆板结构建立有限元模型,给出帆板模型的动力方程.仿真航天器发动机运行情况,给出太阳能帆板所受非平稳随机激励,结合虚拟激励法,将构造成虚拟激励,引入结构动力方程.采用改进随机振动分析方法,计算太阳能帆板结构随机动力响应.通过与蒙特卡罗法计算结果对比,验证了本文方法的高效性和精确性.计算结果表明,太阳能帆板在随机激励作用结束后,结构振动仍持续较长时间,且振动幅值较大,通过加强帆板之间铰链的刚度,能有效抑制太阳能帆板振动,为太阳能帆板结构分析和设计提供参考.     

希尔伯特-黄变换在电力谐波分析中的应用

电力系统中的故障暂态信号多为非线性非平稳信号,希尔伯特-黄变换(HHT)被认为是专门针对非线性非平稳信号的分析方法.将HHT引入到电力系统谐波检测中,利用经验模态分解(EMD)获得谐波信号的本征模态函数(IMF),通过选取IMF并对其进行Hilben变换,提取出IMF分量的瞬时频率和瞬时幅度.利用合成的IMF分量的Hilbert谱分布,对故障暂态进行了时间-频率-振幅的联合分析.仿真研究表明:基于HHT的故障检测方法能充分提取故障信息,故障定位准确,提高了故障检测的可靠性.     

无线传感器网络智能振动监测节点设计

提出了一种用于机械设备振动监测的无线传感器网络节点的设计方法.根据无线传感器网络及振动信号的特点.设计了一种微型低功耗无线振动监测节点,阐述了无线振动监测节点硬件设计思路及无线通讯策略,并在振动监测节点中实现了数学形态等信号分析方法和设备振动状态的智能预警功能.根据该方法设计的监测节点已在工业现场得到初步应用.并可广泛应用于冶金、石化、建筑、桥梁等行业.     

基于小波尺度图重分配的轴承瞬态特征检测与提取

提出基于小波尺度图重分配的信号瞬态特征检测方法和瞬时能量估计方法,并应用于轴承在多种轻微故障状况下的振动非平稳特征的检测与表示.结果表明,重分配的小波尺度图能够以较高的时频分辨率表示轴承振动中的非平稳特征,反映轴承的多种故障,瞬时能量估计可以作为分析轴承状态的依据.     

非平稳信号度量方法综述

非平稳性度量是非平稳信号处理中的重要课题。尽管已有的度量方法在原理上有较大差异,缺少统一的理论框架和度量标准,但这些非平稳信号度量方法都在其相应领域发挥了重要作用。本文对随机信号非平稳度量方法进行了综述,系统地总结、归纳了不同领域现有的随机信号非平稳性度量方法,包括基于统计量和动力学参数的时域方法、时频域参数方法、信号建模参数方法以及特定类别信号的非平稳性度量方法,给出了各种度量方法的应用,并展望了非平稳性度量的未来发展方向。     

Feasibility of Recurrent Neural Network for the Binary classification of Non stationary signals

Spectral domain techniques are best suited for the examination of signals which are non-stationary in nature. Features extracted from spectral decomposition can be represented with statistical parameters. These features are then fed to classifiers for classifying the non-stationary signals. In this work, Recurrent Neural Network is used as the classifier for labeling signals as normal or abnormal and also embedded. Bursts and saw tooth non-stationary signals are considered and the performance is studied. Also the significant parameters are identified based on sensitivity, specificity and accuracy. From the analysis, it is found that Discreet Framelet Transform (DFT) co-efficients are best suited for binary classification of burst signals while Discrete Wavelet Transform (DWT) is the best suited technique for saw tooth non-stationary signals. This methods can be used for the non-stationary signals like ECG, speech signals etc.     

基于相干小波变换的信号相位差估计

精确地估计两列信号间的传输延迟在工程上有着重要的意义。傅里叶变换方法很难区分或识别信号的瞬时变化,而小波变换方法是一种时间窗和频率窗都可改变的时频局部化的分析方法,在非平稳信号的分析方面具有明显的优势。给出应用Morlet小波变换的相干性实现两信号相位差估计的算法,在不同信噪比条件下,对算法的估计性能进行了仿真研究。仿真研究结果表明,在低信噪比的条件下,基于小波变换的相位差估计方法可以实现信号相位差的精确估计。通过与基于离散时间傅里叶变换方法的比较,验证了小波变换方法在估计信号相位差方面的优越性。该方法还可用于对非平稳信号相位差的估计。     

经验模态分解方法及其实现

经验模态分解方法可以有效提取非线性非稳定信号的瞬时特征。提出了经验模态分解方法中“筛”过程存在的端点问题、循环终止条件等重要问题的解决方案;并以经验模态分解方法为核心实现了非线性非稳定信号处理系统,在给出该系统如何处理外来信号流程图的同时,对系统界面的功能、生成方法和运算模块的功能、结构进行了详细地阐述。     

Evolutionary algorithm based optimization for power quality disturbances classification using support vector machines

Classification and detection of power signal disturbances are most essential to ensure the good power quality. The power disturbance signals are non-stationary in nature. Non-stationary signal classification is a complex problem and equally a difficult task. In this paper we present a new method for accurate classification of power quality signals using Support Vector Machines (SVM) with Optimized Time-Frequency Kernels by a stochastic genetic algorithm. The Cohen’s class of time-frequency-transformation has been chosen as the Kernel for the SVM. An Evolutionary Algorithm has been used to optimize the parameters of the Kernels. The proposed classification method with optimized parameters is promising for classification of such non-stationary signals. Comparative simulation results demonstrate a significant improvement in the classification accuracy in case of these optimized Kernels. The important contribution of the paper is the optimization of the Kernels for the power system signal classification problem.     

Power signal classification using dynamic wavelet network

A new approach to classification of non-stationary power signals based on dynamic wavelet has been considered. This paper proposes a model for non-stationary power signal disturbance classification using dynamic wavelet networks (DWN). A DWN is a combination of two sub-networks consisting of a wavelet layer and adaptive probabilistic network. The DWN has the capability of automatic adjustment of learning cycles for different classes of signals, for minimizing error. DWN models are specifically suitable for application in dynamic environments with time varying non-stationary power signals. The test results showed accurate classification, fast and adaptive learning mechanism, fast processing time and overall model effectiveness in classifying various non-stationary power signals. The classification result of the DWN has been compared with that of the probabilistic neural network (PNN).     

PID控制原理在语音信号盲源分离中的应用

语音信号在非平稳系统中是动态混合的,为了实时抑制盲源分离过程中的非平稳混合扰动,加快收敛速度,减小稳态误差,提出了一种应用PID控制原理的自适应盲源分离算法。依据一种无预处理的自适应盲源分离算法建立PID控制模型,调节学习速率,跟踪语音信号的分离过程,实时减小由非平稳混合引入的分离误差,动态更新分离矩阵。在混合矩阵缓变和突变两种情形下分别对PID参数整定和语音信号的分离进行仿真分析,结合经典算法对比提出算法的性能。仿真与对比结果表明,提出的算法适用于非平稳混合系统语音信号的分离,算法性能较经典算法有改善。     

双变量EMD分析的平面离散曲线光顺方法

曲线的光顺在计算机辅助设计及其相关制造业中都有着重要作用.通过把平面离散曲线当作非平稳信号来处理,提出了一种双变量经验模式分解(EMD)的平面数字曲线光顺方法.方法首先将平面数字曲线的各个变量分离,参数化为两个一维信号;然后运用一维EMD方法对一维化的信号进行滤波处理,去除高频噪声;最后对两个处理好的信号进行合成,得到...     

生命线工程中的桥梁健康监测技术研究

桥梁作为生命线工程的重要组成部分,在国民生活、国家安全和经济发展等各个方面发挥着及其重要的作用.随着高速铁路的不断发展,桥梁健康监测技术的研究和应用迫在眉睫.本文分析了桥梁健康监测的需求,设计了桥梁健康监测系统,并研究了超声波、连通液位、振弦、光纤光栅等传感器技术,探讨了桥梁健康监测需考虑的监测点布置、时间同步、数据管理等问题.通过实验分析,验证了桥梁健康监测系统的有效性,为实现生命线工程中的桥梁健康监测提供了可行的技术方案.