基于模糊多级时频峰值滤波消减地震勘探随机噪声

为解决时频峰值滤波采用单一窗长无法同时压制随机噪声和保留信号特征的问题,需要针对信号和噪声设置不同长度的窗函数,提出一种基于模糊判别的多级窗长时频峰值滤波方法。该方法结合模糊判决准则,根据地震信号局部时变特征模糊判定地震图像中各像素隶属于有效信号和随机噪声的程度。对于模糊分段后的信号和噪声,分别根据信号频率特征和噪声强度设置多级时频峰值滤波窗长时频峰值滤波算法,在噪声区域采用较长的窗长以压制随机噪声,在信号部分采用较短的窗长以保持地震信号的细节。将模糊多级时频峰值滤波应用于合成记录和共炮点地震勘探记录,结果表明,改进的方法增强了时频峰值滤波算法保持信号特征的能力,能够有效提高地震勘探图像的信噪比。     

基于时频分析与形态学滤波的跳频参数估计

针对跳频信号侦察中的参数估计问题,在对跳频信号进行平滑伪Wigner-Ville分布（SPWVD）处理的基础上,提出了一种基于数学形态学滤波的跳频参数估计方法.该方法首先对跳频信号的SPWVD时频图进行阈值分割,转化为二值图;通过形态学滤波和细化提取时频脊线,从而估计跳频信号参数.仿真结果表明：与直接利用SPWVD变换后峰值提取脊线的方法相比,该方法具有更高的估计精度.     

时频分析技术在地质薄层识别中的应用

时频分析是分析非平稳信号的有效方法,将一维的时域信号和频域信号映射到二维时频平面上,获得信号的时频分布,清晰地描述了信号频率随时问变化的关系。通过模拟信号的广义S变换,分析信号的时频分布特征,并建立正演模型,运用广义S变换提取正演模型的单频剖面。利用基于广义S变换的时频分析方法,提取某工程项目实际地震资料的单频剖面,从而有效识别地质薄层。     

小波分析在发动机早期故障识别中的应用研究

在对飞机发动机早期故障进行分析的基础上,提出了利用虚拟仪器和小波分析相结合对发动机早期故障进行识别的原理与方法。文中对如何从检测信号中提取早期故障特征信号和对早期故障特征信号进行分离、放大、识别等进行了分析和研究,并通过实验证明了所提方法的有效性。结果表明,虚拟仪器强大的图形化功能与小波分析良好的多分辨率时频局部化特性,能够从复杂的微弱信号中提取出早期故障特征信号,并能有效地消除噪声,对早期故障进行快速识别。     

基于时频特征检测的网络入侵信号盲源分离算法

网络入侵信号是一种非平稳随机信号,传统的检测算法难以有效提取信号的冲激响应特征,盲分离性能不好,故提出了一种基于时频分析和干扰滤波匹配的网络入侵信号盲源分离算法.采用时频特征检测方法进行信号的盲源分离处理,构建网络入侵信号时频分析处理模型,使用WVD时频分布结合Hough变换进行时频分析,设计盲分离滤波器实现对入侵信号的检测滤波,提取三阶统计量、四阶统计量及高阶谱作为信号的时频特征,估计信号的瞬时频率,得到入侵信号的盲源参数估计结果,基于时频特征检测实现对信号的盲源分离改进.仿真结果表明,采用该算法进行网络入侵信号的盲源分离和检测,准确检测概率较高,实现了对入侵信号的盲源分离和准确拦截.     

基于相位核的时频信号分析

提出了一种相位核时频分布,将自主项与交叉项在时频平面上分离,并且保持了高度的时－频分辨率,便于分析信号的时频结构特征;同时这种时频分布又满足一些时频分布性质,有利于进一步的应用．针对离散时间、频率时频分布与连续时间、频率时频分布的不同之处,给出了离散化相位核时频分布的计算方法,讨论了附加其他时频分布特性的相位核时频分布．     

跳频信号的时频分析新方法

根据跳频信号的特点,提出了一种基于信号分解的时频分析方法。该方法先将多分量跳频信号通过带通滤波变成多个单分量信号,再将每个分量的WVD线性叠加得到新的时频分布。理论分析和仿真结果表明,这种新的时频分析方法能够有效抑制跳频信号的交叉项干扰,与现有的方法相比,具有更高的时频分辨率,更适合于跳频信号的时频分析和参数估计。     

一种跳频信号的时频分析和参数估计方法

为了获得跳频信号清晰的、高聚集度的时频谱图和高精度频率估计值,提出了一种改进的同步压缩变换的时频分析和参数估计方法.对短时傅里叶变换得到的信号时频谱提取最大值,得到二维时频平面,沿着频率方向进行频率聚类,通过迭代滤波方法得到跳频频率集,进而构造瞬时频率的二维时频平面,然后在同步压缩的基础上得到跳频信号清晰的时频谱.仿真...     

一种组合时频分布在跳频信号参数估计中的应用

为了有效分析跳频信号并估计其参数,根据跳频信号的特点,提出了一种基于频率分解的组合时频分布．这种新的时频分布先将多分量跳频信号通过带通滤波变成多个单分量信号,再将每个分量的Wigner-Ville分布线性叠加．理论分析和仿真结果表明,这种新的组合时频分布能够有效抑制跳频信号的交叉项干扰．与现有的方法相比,具有更高的时频分辨率,更适合于跳频信号的时频分析和参数估计．     

一种基于形态学预处理的时频检测算法

为克服短波信道中噪声和干扰对跳频检测的不利影响,对其时频分布特征进行分析,提出了一种把时频图作为二维图像进行形态学预处理的时频检测新算法。并采用复合信息熵进行了性能评估和仿真分析。仿真结果表明,在复杂的短波信道环境下,算法能有效抑制噪声和干扰信号,实现对跳频信号的检测。     

基于支持向量机的转子振动故障融合诊断技术

针对某些大型复杂旋转机械振动信号特征提取和故障样本获取难的问题,提出了一种基于小波包特征谱熵支持向量机（SVM）的转子振动故障融合诊断方法.通过转子实验台模拟了转子振动的4种典型故障,并采集其振动故障数据.用小波包对振动故障信号进行分解,提取故障信息含量大的频带并计算出其小波特征谱熵作为故障特征,建立故障诊断模型.通过对故障类别的区分和故障严重程度的判断,验证了该方法在解决转子振动故障信号的特征提取及小样本情况下的故障诊断问题等方面是有效的.     

基于音频信号的汽车状态与故障分析

汽车行驶过程中的声音信号包含了丰富的声源信息,且音频信号具有非接触测量,测取方便的特点,为汽车的状态与故障判断提供了一个有效的途径。但其声音混杂着噪声,针对汽车故障音频信号的特点,提出了一种基于快速独立主元分析(FastICA)与递推最小二乘支持向量机(RLSSVM)的FastICA-RLSSVM故障诊断方法。利用FastI-CA对混合声音信号进行分离,提取原始特征音频信号。在此基础上利用RLSSVM对汽车故障进行快速分类,从而判断汽车的工作状态和故障类型。实验结果表明,该方法提高了故障诊断的精确度,而且缩短了RLSSVM的训练时间,具有较好的可靠性和有效性。     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于Hermitian小波的时间-小波能量谱滚动轴承故障诊断方法

针对滚动轴承早期故障微弱特征难以提取的问题,提出了一种基于Hermitian小波时间-能量谱的滚动轴承故障诊断方法.该方法针对轴承故障振动信号具有奇异性的特点,首先利用Hermitian小波对原始信号进行连续小波变换;再根据小波变换的结果求取信号能量在时间轴上的分布情况,利用谱峭度指标作为选择最佳累积尺度的标准,得到时间-小波能量分布;最后对时间-小波能量分布进行谱分析得到时间-小波能量谱以提取故障特征.利用时间-小波能量谱对仿真信号和轴承外圈及内圈点蚀故障信号进行分析.结果表明:该方法可有效地提取出强噪声环境下微弱故障的特征成分,并与普通的时间-小波能量谱作对比,特征提取效果更为明显,非常适用于滚动轴承早期故障诊断.     

MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。     

检测与诊断齿轮裂纹故障的一种方法

基于径向基函数(RBF)网络优化的粒子滤波降噪与序贯概率比检验相结合的原理,提出了一种检测与诊断齿轮裂纹故障的方法,并采集一种无裂纹与另外两种存在差异裂纹齿轮的水平方向振动信号,对该方法进行验证.首先,运用RBF网络优化的粒子滤波程序对原始振动信号进行降噪预处理,将振动真实值从中提出;然后,利用时域分析法提取振动真实值的特征参数(峭度值)序列;最后,将特征值序列输入序贯概率比检验程序,根据结果图综合分析对不同齿轮故障进行区分.结果表明建立的优化粒子滤波程序对原始振动信号降噪处理效果良好,获得了细致、准确和稳定的振动信号;序贯概率比检验能比较与区分齿轮不同的故障,改进了齿轮箱故障检测与诊断效果.     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

面向齿轮箱故障诊断的序贯概率比检验理论和方法

提出了一种基于序贯概率比检验的齿轮裂纹故障诊断方法,并选用了无裂纹和有裂纹的齿轮模拟故障模式.实验中提取的振动信号夹杂着噪声等干扰,运用具有良好去噪效果的小波包方法对齿轮箱振动信号进行预处理.采用时域分析法提取预处理后信号的特征值,提取对冲击性振动非常敏感的峭度值作为特征值.将序贯概率比检验算法应用于齿轮箱故障模式的检验和识别.为了验证所提出方法的诊断能力,本文选用均方根误差的方法来计算同种故障之间,以及不同种类故障之间的识别误差,结果表明了所提出的方法是有效且强大的.     

频带多尺度复合模糊熵及其在轴承故障诊断中的应用

旋转机械设备发生滚动轴承故障的早期,受环境噪声影响,故障特征轻微.为了有效提取滚动轴承的故障信号冲击特征,以时频分析为基础,结合信息熵理论,提出一种频带多尺度复合模糊熵的故障诊断方法.与模糊熵相比,基于方差的频带多尺度复合模糊熵可以定量地表征非平稳信号的数据信息,抗干扰性强,更好地反映出不同频带分量在时间轴上的变化特性.引入自适应带通滤波器,成功实现对微弱故障的特征提取和故障识别.仿真分析和实验结果表明,提出的方法较传统滤波方法在降噪抑制方面效果更好,能够快速识别滚动轴承的冲击特征.     

数据驱动的GMC稀疏增强诊断方法

在机械故障诊断中,针对传统方法提取微弱故障特征时易受强背景噪声干扰而精度低的问题,提出了一种基于数据驱动的广义最小最大凹惩罚函数增强的稀疏特征提取方法。该方法利用非凸的最小最大凹惩罚函数建立无约束优化问题目标函数来提高故障特征的提取精度。该惩罚函数非凸可加强特征的稀疏性,并且证明了保持目标函数整体呈现严格凸性所需要满足的约束条件。将近端算法用于所构造的无约束优化问题的求解。此外,研究了数据驱动的正则化参数设置准则,保证所提出的稀疏特征提取方法具有参数自适应性。在仿真信号和实际故障实验中验证了所提出的自适应稀疏增强的特征提取方法,结果表明所提出的方法可以精准地提取出故障特征且效果更稀疏。