基于变尺度多稳随机共振的微弱信号检测研究

针对强噪声背景下微弱信号难以检测的难题,提出基于变尺度多稳随机共振的微弱信号检测方法。多稳随机共振系统比双稳随机共振系统具有更好的微弱信号检测能力,为强噪声背景下微弱信号的检测提供了新方法。首先对大频率信号进行尺度变换使之满足随机共振条件,将频率压缩后的信号通过多稳系统,调整参数使其发生随机共振得到信号的频谱特征,并与双稳随机共振方法得到的特征频率进行比较,仿真和实例结果均表明:相同条件下,多稳随机共振方法比双稳随机共振方法得到的频率准确,可以增强信号的幅值,有效地检测出被噪声淹没的微弱信号。     

随机共振用于微弱信号检测时的结构参数研究

分析了参数调节随机共振中系统结构参数对输出效果的影响,通过仿真,得出了不同参数条件下系统输出效果,同时,分析了信噪比随结构参数的变化关系,定量的描述了系统结构参数对输出的影响,根据仿真结果,总结了随机共振用于微弱信号检测时的参数调节策略,为参数调节随机共振提供了一个具体可行的操作步骤。     

基于VMD和变尺度多稳随机共振的微弱故障信号特征提取方法

针对强噪声背景下旋转机械早期故障诊断的难题,提出一种基于变分模态分解与变尺度多稳随机共振的微弱故障信号特征提取方法。首先应用参数优化的变分模态分解(variational mode decomposition, VMD)算法对微弱故障信号进行分解, 得到若干本征模态分量(intrinsic mode function, IMF);然后通过峭度准则筛选出其中峭度最大的IMF分量;最后对该IMF分量进行变尺度多稳随机共振, 实现微弱故障信号的增强。实例表明:在强噪声背景下,利用参数优化VMD分解与变尺度多稳随机共振相结合的方法,可以有效提取出微弱信号特征频率,实现旋转机械故障状态的准确判断。     

基于变尺度频移带通随机共振的多频微弱信号检测方法

针对噪声背景下多频微弱信号检测难题,提出一种基于变尺度频移带通随机共振的多频微弱信号检测方法。首先对信号不同频段进行频率变尺度二次采样压缩处理,使每个频段满足随机共振条件。再经过随机共振系统使多个微弱信号频率成分分别得到增强,各段增强信号在合成前对各个频段的共振输出进行带通滤波处理,只保留增强段的信号成分。最后将得到的分段加强信号进行合成,实现多频微弱信号的检测。仿真和实际信号分析结果表明,所提方法简单易行,很好地实现了多频微弱信号的检测,能有效提高信噪比,具有良好的工程应用前景。     

基于调制随机共振的微弱信号检测研究

在工程信号处理过程中信号常超出随机共振绝热近似或线性响应理论的小参数要求而成为大参数信号。论文深入探讨非线性双稳系统随机共振发生机理和条件要求,将频率调制技术与随机共振理论相结合,提出用调制随机共振的方法实现随机共振理论在工程信号检测中的应用,进行了数值仿真分析证明其有效性,并将该方法应用于轴承内圈点蚀故障的检测     

耦合双稳系统随机共振的轴承故障检测方法

耦合双稳系统由两个双稳系统经非线性方式耦合而成.分析了影响耦合双稳系统随机共振产生的Kramers逃逸率及平均跃迁频率与耦合系数的关系,提出了通过调节耦合系数大小来产生和增强随机共振的方法,并将该方法应用于轴承故障信号检测中.数值仿真和实验结果表明,在系统参数固定时,调节耦合系数能增强系统输出功率谱在特征频率处的谱值,可检测出单一双稳系统随机共振所不能检测出的微弱轴承故障信号频率,该方法在轴承故障信号检测中的应用是有效的.     

基于非线性耦合双稳态随机共振的轴承微弱故障信号增强检测方法研究

针对滚动轴承微弱故障信号难以检测的难题,提出一种基于新型非线性耦合双稳态随机共振模型的轴承微弱故障信号增强检测方法。噪声背景下,随机共振可以实现微弱信号的增强输出,提高微弱信号特征的检测。提出的非线性耦合双稳态系统是由两个单一双稳态系统经非线性方式耦合而成,通过分析耦合系数、阻尼系数随着噪声强度改变的信噪改善比响应特性曲线图研究了不同参数对随机共振现象的影响。结果表明,耦合双稳系统比单一双稳态系统具有更强随机共振现象的产生。最后采用模型对轴承故障微弱信号进行了增强检测应用,所提出的非线性耦合双稳态随机共振能够实现在复杂的噪声背景下对微弱故障信号的检测。     

自适应二阶双稳态随机共振的微弱特征增强检测方法研究

针对大型机械设备运行环境恶劣故障特征难以提取的问题,提出一种自适应二阶双稳态随机共振方法。首先系统输出信号的信噪比作为蚁群算法的自适应度函数,然后采用蚁群算法优化二阶随机共振系统的参数和阻尼因子,再利用优化得到的最佳参数设置二阶随机共振系统,最后实现微弱故障特征的增强与提取。数值仿真分析表明:该方法可以有效地提取淹没在强噪声背景下的微弱正弦信号;而且深沟球轴承滚动体故障实验结果证明提出的方法能有效增强与提取滚动体故障特征频率。仿真与实验对比结果表明:提出的方法优于传统随机共振方法,归功于该方法不仅能够利用蚁群算法并行选择和优化随机共振系统参数,而且克服传统随机共振方法对高通滤波器的依赖。     

微弱信号检测方法研究现状分析

强噪声背景下微弱特征信号检测一直是工程应用领域的难题。本文系统的研究了基于线性理论的时域、频域、时频域和基于非线性理论的微弱信号检测方法,分析了各检测方法的基本原理和特点。时域检测法中主要分析了相关检测、取样积分与数字式平均、时域平均检测法;频域检测法中分析了最为常用的频谱分析法;时频分析法中主要分析了应用范围最广的短时Fourier和小波变换;基于非线性理论的检测法中重点分析了随机共振。分析认为基于非线性理论的微弱信号检测法、多种检测方法的结合是未来微弱信号检测的研究方向。     

基于符号序列熵的自适应随机共振的微弱信号检测

针对现有随机共振以信噪比为测度,难以进行量化和在实际工程中应用,提出一种符号序列改进型香农熵结合随机共振的微弱信号检测方法。介绍了随机共振和符号序列化的基本原理,以输出信号的符号序列熵作为判断是否达到最佳随机共振的测度,自适应的调节系统参数a和b,使系统达到最佳共振并进行频谱分析。结果表明输出信号的符号序列熵可有效反映共振状况,能调节系统达到最佳信噪比输出,而且易于工程实现,证实了该方法的有效性,进而为衡量随机共振提供一种新方法。     

热反射测温中基于随机共振的微小信号测量

提出了利用随机共振技术提高基于CCD探测器的热反射测温装置温度分辨力的方法。设定了CCD探测器量化效应的规则,分析了随机共振在非线性的CCD探测器测量过程中的作用机理,从理论上计算出了应用随机共振后CCD探测器测量微小信号的结果。利用LabVIEW编写仿真程序,对不同噪声强度对微小信号的测量效果进行了仿真,仿真结果与计算结果一致。仿真结果还显示:噪声强度越低误差越大,噪声强度大于1时,仿真结果与真实值基本一致。搭建了一套理论分辨力1.035℃的可见光热反射测温实验装置,测量0.5℃的微小温度变化,测得结果在0.455~0.673℃的范围内,结果证明了随机共振能够提高CCD探测器小信号测量能力。     

随机共振技术在齿轮箱故障检测中的应用

讨论了利用SR原理从强背景噪声中提取微弱周期特征信号的方法，给出了SR模型数值求解的新算法。在对齿轮箱故障进行数值仿真的基础上，将此方法用于某型直升机中间减速器齿轮点蚀故障的微弱特征信号提取，结果表明，该方法能有效提取出齿轮发生早期点蚀故障时的微弱特征信号，为直升机减速器齿轮箱的状态监测与早期故障检测提供了一条新途径。     

基于包络解调随机共振和CEEMD的机械早期微弱故障诊断方法研究

针对噪声背景下机械振动信号早期故障特征提取难题,提出一种基于包络解调随机共振和互补总体经验模态分解的机械早期微弱故障提取及诊断新方法。首先对含噪声机械故障信号进行包络解调处理,然后对包络信号进行变尺度随机共振输出,使故障特征信号得到增强,最后对处理后的信号进行互补总体经验模态分解(CEEMD),得到机械振动信号故障特征分量,实现故障特征提取及诊断。对机械故障诊断实例表明,该方法不仅能增强信号幅值,同时减少了虚假分量,提高了CEEMD算法的精度,有效提取出被噪声淹没的微弱故障信号,提高了机械早期故障诊断效果。     

基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法研究

针对强背景噪声下冲击信号难以检测的问题,提出一种基于自适应随机共振的齿轮微弱冲击故障信号增强提取方法。首先,利用峭度指标和互相关系数构造修正峭度指标作为随机共振检测冲击信号的测度函数;其次,利用滑动窗将多冲击分量信号分割成多个单冲击分量信号作为随机共振的系统输入,并借助遗传算法实现系统参数的自适应选取;最后,将提出的方法应用于电力机车走行部齿轮箱故障诊断,结果显示该方法可有效实现微弱冲击特征的增强提取。     

基于AMD和自适应随机共振的旋转机械故障诊断方法研究

针对强噪声背景下信噪比较低的旋转机械故障诊断问题,提出一种基于解析模态分解(AMD)和随机共振的旋转机械故障诊断方法。若信号的频率成分已知,AMD方法能将多频率成分的信号分解为单频率信号。对于可预知故障特征频率的旋转机械故障诊断,首先利用AMD方法提取振动信号中故障特征频率所在频段的信号,并对每个提取出的信号添加强度较低的噪声;然后利用粒子群算法优化的双稳随机共振对含噪信号进行处理来加强信号;最后求该信号的频谱,若频谱中含有故障特征频率,则说明振动信号中存在该故障。通过对滚动轴承故障信号特征的提取证明了该方法有良好的效果。     

Weak Fault Diagnosis of Rolling Bearing Based on Improved Stochastic Resonance

Stochastic resonance can use noise to enhance weak signals, effectively reducing the effect of noise signals on feature extraction. In order to improve the early fault recognition rate of rolling bearings, and to overcome the shortcomings of lack of interaction in the selection of SR (Stochastic Resonance) method parameters and the lack of validation of the extracted features, an adaptive genetic random resonance early fault diagnosis method for rolling bearings was proposed. compared with the existing methods, the AGSR (Adaptive Genetic Stochastic Resonance) method uses genetic algorithms to optimize the system parameters, and further optimizes the parameters while considering the interaction between the parameters. This method can effectively extract the weak fault features of the bearing. In order to verify the effect of feature extraction, the feature signal extracted by AGSR method was input into the Fully connected neural network for fault diagnosis. the practicality of the algorithm is verified by simulation data and rolling bearing experimental data. the results show that the proposed method can effectively detect the early weak features of rolling bearings, and the fault diagnosis effect is better than the existing methods.     

CS自适应随机共振与ITD相结合的轴承弱故障诊断

为了解决轴承早期弱故障诊断的问题,提出将固有时间尺度分解 (intrinsic time-scale decomposition,ITD) 与布谷鸟自适应随机共振 (cuckoo adaptive stochastic resonance,CASR) 相结合的方法进行滚动轴承早期弱故障特征频率提取。针对采集到的滚动轴承振动信号复杂且信噪比 (SNR) 低、故障特征难以提取的问题,结合ITD能抑制端点效应、运算复杂度低等优势,该方法将信噪比作为随机共振的目标函数,通过仿真信号分析及实例验证,将ITD作为CASR处理信号的前处理,使滚动轴承故障信号显著加强,信噪比提高2.17倍,故障特征得到有效提取。