基于HHT的多自由度结构渐进损伤特征提取方法

大型复杂工程结构的损伤实际上是一个渐进损伤的过程,为解决结构损伤识别中非平稳随机信号的时变性并有效地识别这个损伤过程,研究了基于Hilbert-Huang变换的结构渐进损伤特征提取方法.首先模拟产生了多自由度结构系统发生渐进损伤的加速度振动信号;然后对加速度振动信号进行经验模式分解,将其分解为多个平稳的固有模式函数之和;再选取若干个包含主要损伤信息的固有模式函数进行Hilbert变换,提取瞬时频率作为特征参数进行损伤特征提取.研究结果表明:HHT是一种有效的信号处理方法,通过提取瞬时频率,可以准确地提取结构渐进损伤的特征.     

基于改进EMD和数据分箱的轴承内圈故障特征提取方法

为解决直驱风力发电机主轴后轴承内圈轻微损伤故障诊断问题,针对实际工程中振动信号的复杂特性,提出一种基于改进经验模态分解(empirical mode decomposition, EMD)和数据分箱的特征提取算法。将信号进行改进经验模态分解,得到一系列平稳的本征模函数(intrinsic mode function, IMF)。对分解后的信号提取均值、方差等幅域参数特征,并根据参数有效性选择部分参数组成特征矩阵。选用等宽分箱方法,用箱内数据均值代替箱体数据,将特征矩阵进行平滑处理。经验证,该方法能准确提取实际工程信号中的有效特征,并从特征选择的角度较好解决了分类器代价敏感问题,减少了机器学习模型的过拟合现象。     

基于最小熵解卷积与稀疏分解的滚动轴承微弱故障特征提取

针对滚动轴承早期故障难以提取和最大相关峭度解卷积（maxim correlated kurtosis deconvolution,MCKD）降噪效果受滤波器长度L的影响,提出了基于互补集合经验模态分解（complementary ensemble empirical mode decomposition,CEEMD）和自适应最大相关峭度解卷积相结合的故障特征提取方法（CEEMD-AMCKD）.首先,利用CEEMD将信号分解得到一组固有模态分量,利用峭度值筛选出冲击成分明显的分量;然后,以排列熵值为标准,运用步长搜寻法确定最佳的MCKD滤波器长度,对前面筛选出的分量进行降噪处理;最后,将降噪后的分量及其他分量进行信号重构并根据包络功率谱提取故障特征频率.通过仿真和试验验证了该方法的有效性.

     

基于小波的浮筏振动信号特征提取方法

针对浮筏振动信号受到强烈的随机噪声干扰,给它的特征提取带来很大困难的问题,对浮筏振动信号特征进行小波降噪.通过仿真实验,对比分析了几种不同小波函数和阈值函数对浮筏振动信号降噪性能的影响.分析结果表明,在选取的小波函数和阈值函数中高阶db小波以及最优预测变量阈值函数有利于减小小波重构信号与真实信号的误差,降噪效果明显.通过振动测试验证了其降噪效果.     

改进HHT方法在轨道不平顺信号分析中的应用

针对希尔伯特-黄变换(Hilbert-Huang transform,HHT)中经验模态分解法(empirical modedecomposition,EMD)的端点效应问题,提出一种镜像延拓和灰色神经网络预测法相结合的改进方法,即先对信号进行灰色神经网络延拓,再利用镜像延拓法对数据进行延拓.分析仿真信号和实际轨道不平顺信号认为,该方法可以有效抑制EMD的端点效应.利用改进HHT方法对轨道轨距和水平不平顺信号进行研究,结果表明,该方法可有效去除轨道轨距和水平不平顺中低频趋势项,提高轨道不平顺信号的精度,有利于轨道质量的评价.     

基于HHT的电能质量多扰动信号检测方法

传统的时频分析方法在处理复杂故障信号时存在一定的局限性,无法满足电力系统发生故障和复杂扰动时的电力信号实时分析的需求。提出基于Hilbert-Huang变换(HHT)的电能质量暂态多扰动信号分析方法,先利用经验模态分解得到电能信号的固有模态函数,再对固有模态函数进行HHT变换,准确刻画电能扰动信号的时间、幅值与频率。Matlab仿真分析结果表明,该方法可有效确定干扰信号的类型、持续时间以及瞬时频率和幅值,方法简便,分析精度高,具有一定的工程实用价值。     

基于FIF-CYCBD的滚动轴承故障特征提取方法研究

针对滚动轴承所处工况复杂、提取故障特征困难的问题,提出了一种基于快速迭代滤波分解(FIF)和最大二阶循环平稳盲解卷积(CYCBD)的故障特征提取方法。首先,通过利用FIF方法对源信号进行自适应分解,得到一系列本征模态分量;其次,依据相关系数准则对和源信号相关系数大于0.6的分量进行重构,并根据FIF得到的分解结果设置合适的循环频率采集器;最后,利用CYCBD方法对重构后的信号进行解混去噪,对处理后的信号进行包络解调分析。仿真实验以及相关实验数据表明,所提方法具有良好的信噪分离效果,相较于信号中突出的噪声分量,处理得到的故障特征频率幅值高于噪声幅值,可以有效实现轴承故障频率及其倍频特征的提取。     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

一种改进的雷达信号小波包特征提取方法

针对低信噪比下雷达辐射源信号分类问题,提出一种基于小波包特征提取的改进方法。首先对信号进行小波包分解,然后在小波域采用阈值收缩降噪方法对小波包系数进行去噪处理,并提取去噪后小波包能量的统计特征,最后设计支持向量机分类器实现对雷达信号的自动分类。实验结果表明,采用去噪小波包的特征提取方法能有效降低噪声对信号识别效果的影响,当SNR=-3dB时,信号的平均识别率仍能到达93．3％,在较低信噪比下能够得到较为满意的识别效果。     

基于自适应提升小波包的故障微弱信号特征早期识别

针对齿轮箱故障微弱信号特征识别问题,设计了一种识别该类信号微弱特征的自适应提升小波包方法.该方法以提升方法为基础,构造了提升小波包分解和重构过程算法,并以分解层信号相邻样本点自相关系数的大小作为目标函数,在每个样本点上选择能够自适应匹配信号局部特性的提升小波包算子,将每个分解频带信号进行重构,识别时域故障微弱信号特征.该方法成功地识别出了某齿轮箱发生摩擦故障时隐含在振动信号中的调制波形和周期性冲击脉冲故障微弱特征.结果表明,自适应提升小波包方法对强噪声背景下故障微弱信号特征的识别效果优于经典小波包方法.     

一种基于LabVIEW的微弱信号混沌检测方法

针对模拟电路混沌系统实现易受外界条件影响等不足,本文提出了一种基于LabVIEW实现微弱信号混沌检测系统的方法。利用强大的数值计算软件LabVIEW求解Duffing方程,通过识别系统输出的相轨迹的变化检测估计微弱信号。实验结果表明,利用LabVIEW产生的实验结果与理论仿真结果一致,证实了基于LabVIEW的微弱信号混沌检测方法是可行的,这为混沌系统的数字实现提供了新的思路。     

基于单片机的微弱信号电压互相关精密测量方法

介绍一种基于单片机的微弱信号电压的精密测量方法。该方法使用了相关分析技术与基于ISP的OLK＋DDFS技术。阐述了硬件电路设计与软件编程方法。     

基于ICA的语音信号表征和特征提取方法

推导了基于独立分量分析(independent component analysis,ICA)的信号表征方法的有效性,并将基于ICA的信号特征分析应用到说话者识别任务中,通过计算机仿真实验证明该方法对非高斯语音信号受高斯噪声干扰时特征提取的有效性。最后的比较结果证明,基于ICA的信号特征,性能较传统的基于离散余弦变换(discrete cosinetransform,DCT)的Mel频率倒谱系数(mel-frequency cepstral coefficients,MFCC)特征有明显的提高。     

基于改进CSSD的脑电信号特征提取方法

针对脑-机接口系统在训练样本较少的情况下,存在脑电(EEG)信号特征值稳定性低、特征向量区分度差等不足,提出一种脑电特征提取方法,即正则化共空域子空间分解法(R-CSSD).该方法在传统共空域子空间分解(CSSD)算法的基础上引入正则化思想,通过正则化参数将目标实验者的训练数据与其他实验者(称为辅助实验者)的同类型训练数据进行有效结合,以构造正则化空间滤波器,完成对目标实验者运动想象EEG信号的特征提取,并进一步选用K近邻(KNN)算法实现脑电数据的分类.实验结果表明:在小训练样本情况下,R-CSSD方法有效提高了脑电信号特征值的稳定性,在提高分类正确率、降低时间消耗方面具有良好的性能.     

复合Q因子基在齿轮箱微弱故障特征提取中的应用

根据强噪声干扰环境下齿轮箱故障非平稳信号是由持续振荡成分(高共振成分)和非持续振荡的瞬态成分(低共振成分)混合而成,且其各成分存在频率重叠而不能利用传统的基于频率不同的方法对其进行有效处理的特点,提出了构造复合Q因子基(高Q因子基及低Q因子基)对故障信号进行处理的方法,对提取齿轮箱各故障的冲击性信号特征取得了良好的效果.仿真信号分析及应用实例分析结果表明了算法的可行性及有效性,为强噪声干扰环境下的机械故障信号提取提供了一种方法.     

基于LMD-ICA降噪的滚动轴承故障特征提取方法研究

在滚动轴承进行故障识别中,针对局部均值分解(LMD)方法分析非平稳、非线性含噪信号时,存在端点效应,易产生虚假分量和单通道独立成分分析(ICA)盲源分离时的欠定问题,提出了基于LMD-ICA降噪的振动信号特征提取算法.首先对原始信号进行LMD,并抑制端点效应,得到n个瞬时频率具有物理意义的乘积函数(PF)之和;然后对得到的PF分量以连续的3阶PF分量为一序列组合进行ICA,可以得到n-2个重构分量;最后利用n-2个分量进行重构,得到降噪后的故障信号,并再次进行LMD或功率谱计算,提取故障特征.经验证,该方法可有效识别滚动轴承的多类故障.     

基于改进EMD和滑动峰态算法的滚棒轴承声发射信号故障特征提取

采用小波包对滚棒轴承声发射信号降噪,对降噪后的信号进行经验模式分解,选取特定本征模分量,采用滑动峰态算法提取其中的冲击分量,即提取滚棒轴承声发射信号的故障特征分量。改进的EMD方法剔除了某些虚假本征模分量,更准确地表征原始信号。通过仿真信号验证,成功提取了混合信号中的冲击分量,证明了该方法对冲击信号提取的有效性。对外圈故障的滚棒轴承声发射信号进行分析,滚棒轴承的故障特征频率及其倍频明显,对轴承故障的诊断具有重要的意义并可推广到航空发动机主轴轴承的故障诊断。