基于过完备线性预测字典的压缩感知语音重构

基于语音信号帧内样值间的相关性和冗余域的稀疏性,针对采用离散余弦转换矩阵及基追踪方法对压缩感知采样语音进行重构时,语音稀疏性不够好导致大压缩比采样后重构效果差的缺点,提出采用过完备线性预测字典做转换矩阵,用基追踪重构算法对压缩感知采样语音进行高质量重构。该方法预先由训练语音的预测系数聚类构造过完备字典,不需要测试语音的预测系数;基于过完备线性预测字典重构信号性能良好。对利用基追踪重构的语音进行了主客观评价,得出结论:同样的观测数目下,基于过完备线性预测字典比基于离散余弦变换矩阵压缩感知采样语音重构信噪比高出3～8 dB。     

改进字典学习的振动信号检测方法

机械零部件振动信号包含了大量机械系统运行状态信息,针对传统检测方法依赖于经验知识和人工定参,提出了一种改进字典学习的振动信号检测方法。通过原始振动信号自身驱动,采用非负条件下基于K奇异值分解的改进算法训练超完备字典,结合基追踪算法稀疏编码,重构实现振动信号预处理。根据重构信号的包络谱,对比先验计算频率。仿真和实验结果表明,改进字典学习的振动信号检测方法能够有效提取故障频率,适用于故障检测,为基于振动信号实现机械系统智能化维护提供了参考。     

基于过完备字典的基追踪法在轴承故障诊断中的应用

滚动轴承故障具有信号复合和环境噪声大的特点。通过构建一个对复合信号敏感的过完备字典,利用基追踪法对故障信号进行最优化的稀疏表示,获得简洁的故障冲击时频特征结构,并实现阈值降噪。通过对重构信号谱分析后得到明确的故障特征频率及其倍频。仿真与实验结果表明:该方法具有良好的降噪功能,能够准确地提取信号中的冲击特征。     

结构振动复合控制信号的重构及实验研究

本文讨论了结构振动主动控制复合信号的重构方法,该方法克服了单一频域和时域控制方法的不足,实验结果表明,利用复合信号重构方法对结构振动的控制十分有效,结构的前三阶振动抑制比均达到90％以上。     

基于字典学习和稀疏编码的振动信号去噪技术

针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。     

齿轮性能退化评估的时序重构模型

齿轮性能退化评估是预诊断的提前和基础,针对概率相似度量评估方法存在模型复杂,容易过早饱和等现象,提出一种基于AR (Autoregressive model)模型和字典学习的齿轮性能退化评估的重构模型方法,其中AR模型用于提取齿轮振动信号的状态特征,字典学习通过正常状态下构建的字典模型(Dictionary learning, DL)对测试样本进行AR模型系数重构。首先提取正常运行状态下振动信号的AR模型系数构建过完备字典模型,然后将待测信号的AR系数作为特征向量输入字典模型中得到重构后的AR模型系数。最后由原始AR系数和重构AR系数分别构造自回归模型,并各自完成对待测信号的时序建模,将两自回归模型所得残差序列的均方根误差作为性能劣化程度指标。全寿命疲劳实验数据分析结果表明,与传统时域指标相比该方法对早期故障更敏感且具有与齿轮故障发展趋势一致性更好等优点。     

稀疏度拟合的自适应机械振动信号压缩感知

针对利用机械振动信号进行设备故障诊断和状态监测过程中,存在采样数据量多、存储容量大、传输带宽高和信号重构精度低等问题,提出一种稀疏度拟合的自适应机械振动信号压缩感知方法。首先,对机械振动信号进行多尺度小波包变换,再将小波包系数按一定阈值进行置零处理并求取其稀疏度;然后,采用迭代方法求取各稀疏度下满足重构信号精度条件的最低采样率,并对信号的稀疏度和采样率采用最小二乘法进行拟合,消除信号测量误差,求取最佳信号采样率;最后,采用K-奇异值分解算法构造与各信号块相适应的过完备字典,并利用正交匹配追踪算法实现信号重构。实验证明,与传统压缩算法相比较,该算法的信号压缩率和重构精度均得到较大提高。     

发动机汽缸振动信号的小波包分解与故障诊断

通过一种改进的小波包分解算法，有效解决了小波包分解过程中出现的混频现象。利用该算法对振动信号进行实例分析，通过对信号进行小波包分解和重构，可看到信号的概貌和细节，并能捕获到携带设备运行状态和故障特征的奇异信号，便于进行深层信息处理，以查找故障源。     

振动图像结合CNN的轴承振动信号分析方法研究

本文以强背景噪声下振动信号特征提取和建模分析为研究目标,提出将振动信号转换为振动图像的信号变换方法,以深沟球轴承故障诊断振动信号和轴承质量等级评估振动信号为实验数据集,基于振动图像的卷积神经网络模型（VI-CNN）,并采用正确识别率（CRR）作为模型精度的评价指标。实验结果表明:对于轴承故障诊断和质量等级评估的定性判别,采用VI-CNN对比其他建模方法正确识别率分别为100%和98.16%,模型有更好的稳健性。     

基于LabVIEW实现振动信号分析的研究

以LabVIEW集成开发环境为平台,根据采集的信号,选择合适的分析方式,分析出信号所含频谱成分。并对其进行了阐述。     

俯仰角速度传感器信号重构方法研究

为了提高关键传感器系统的容错能力,避免增加引入硬件设备的额外成本、重量与维护负担,提出了俯仰角速度传感器的信号重构方法。信号重构采用了自适应当前统计模型的卡尔曼滤波算法,改进模型能够更准确地描述飞机实际的角运动情况,提高解析信号的精度。通过不同飞行状态下的飞机角运动仿真,将所提方法与典型的信号重构方法进行对比,验证了所提方法的有效性和优越性。     

机电系统振动信号分析技术研究

阐述了机电系统振动信号的概念,介绍了其分析方法,并通过实例对分析技术的应用进行了研究和探讨。     

基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

齿轮箱振动信号降噪及特征提取方法研究

以峭度值来构建适应度函数,再利用粒子群自适应优化方法得到最大峭度对应的分解层数。对仿真信号降噪情况进行分析可知,本文算法可以更加高效提取得到微弱特征频率,从而完成齿轮箱故障有效判别。通过信号处理测试可知,本文方法可以有效抑制齿轮箱振动产生的强背景噪声,使频率混叠得到充分消除,从而更加准确提取得到故障特征。     

基于PCD算法的信号恢复重构研究

利用μ=1和线搜索求μ方法,该文首先研究了利用分离替代函数算法(SSF)和平行坐标下降算法(PCD)求解无约束优化问题的性能,实验表明PCD算法性能优于SSF算法;其次,研究了模糊噪声下的参数λ与ISNR的变化关系;最后,研究PCD算法分别对σ2=2和σ2=8二维模糊噪声图像信号的重构。实验表明PCD算法有良好的去模糊消噪能力,为图像检测识别之前提供必要的恢复重构条件。     

不同挤压速度下冷挤压内螺纹振动信号研究

研究了在不同挤压速度下,冷挤压内螺纹振动信号的变化规律,进而从振动信号方面解释不同挤压速度对冷挤压内螺纹的挤压扭矩的影响。研究结果表明,随着挤压速度的增大,挤压丝锥的振动也相继增大,振动信号的频率从低频向高频移动,振动信号能量主要分布在625～1250Hz范围内,且在振动信号中,该频率所占的能量越多,越有利于挤压扭矩的减小。     

基于振动信号的数控机床丝杠副性能退化研究

为研究数控机床丝杠副性能退化机理,对丝杠副性能进行评估。首先采用小波包对丝杠副螺母座、轴承座的振动信号进行分解,提取小波包分解后的各阶功率谱作为特征参数,分析丝杠进给速度、切削深度对丝杠副振动特性的影响。利用BP神经网络建立丝杠副性能退化评估模型。通过振动信号、电机驱动电流信号、进给速度、切削深度以及加工方案等评估丝杠副性能退化状态,实验证明该性能退化评估模型准确率较高。     

基于DCT的压缩机振动信号压缩方法研究

简要介绍了DCT数据压缩方法,分析了采样频率和压缩比对压缩效果的影响,并对无锡某公司的压缩机振动信号进行压缩研究,结果表明基于DCT的压缩方法能以合适的压缩比实现压缩机振动信号的压缩,且有很好的信号重构性。     

球磨机筒体振动信号监测方法研究

针对球磨机料位检测的现实需要,提出了一种球磨机筒体振动信号采集方法。结合筒内料位分布特点,确定了筒体振动传感器类型和测点位置;给出了筒体信号无线采集的总体结构;基于钢球冲击模型和理想化钢球分层模型,并结合采集的筒体实际振动数据确定了振动信号的采样频率、采样点数、采样区域等参数,某电厂现场采集球磨机筒体振动数据表明了该方法的有效性。