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GSO算法的自适应随机共振轴承故障诊断

针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO)的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a、b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

基于 GSO算法的自适应随机共振轴承故障诊断

摘 要:针对强噪声下轴承故障弱信号较难检测和传统仅靠单参数优化随机共振系统问题,提出一种基于萤火虫优化算法(GSO）的自适应随机共振轴承故障信号检测方法。首先按固定频率压缩比压缩频率;然后以传统随机共振系统输出信噪比作为GSO算法的初始荧光素,利用GSO算法选取随机共振系统的结构参数a,b;最后通过双稳随机共振系统的输出信噪比检测轴承故障弱信号是否增强,通过系统的输出时域图分析信号的周期性,通过功率谱分析轴承故障弱信号的特征频率。仿真验证与试验验证结果分析表明,该方法可检测出轴承故障弱信号,实现弱信号的增强和降噪。     

基于频率调制随机共振的弱周期信号检测

将调制技术与随机共振原理相结合,提出用频率调制随机共振的方法,实现在大参数情况下从强噪声中检测微弱周期信号,并对随机共振技术运用于强噪声背景下的弱信号检测进行研究。分析调频信号的频谱,发现其含有的低频信号通过双稳系统易产生随机共振,数值分析及仿真结果表明该方法能使微弱的故障信号特征突出、明显而易于捕捉。     

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。     

非线性耦合双稳系统的振动共振与随机共振

单一双稳系统受到弱周期信号和噪声的作用能产生随机共振.而在高、低两种不同频率信号作用下则能产生振动共振,将两个双稳系统经非线性耦合而成为耦合双稳系统,并在低频、高频信号和噪声的作用下研究了耦合双稳系统对低频信号的响应特性,给出了高频信号参数和耦合系数对振动共振和随机共振的影响关系,结果表明通过调节高频信号幅值或耦合系数大小能产生振动共振或随机共振,并构建了耦合双稳系统原理框图,为随机共振的控制及其利用提供了新的理论方法,数值仿真结果与理论分析结论完全吻合.     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

随机共振用于基带信号处理的研究

在对双稳随机共振系统及其数学模型进行简单的介绍后,给出了将该系统应用于实际的基带信号检测应用模型和仿真结果。对将该模型应用于基带信号检测的随机共振物理机制进行了深入的分析,结果表明,在上述基带信号检查中,随机共振是信号,噪声和双稳系统共同作用的结果,三者缺一不可。     

基于滚动轴承故障诊断的AR预测滤波器阶数问题研究

通过对滚动轴承故障原理的研究,详细讨论的了利用AR预测滤波器对滚动轴承故障进行降噪处理时其最优化阶数选择的问题。根据滚动轴承故障信号的冲击衰减模型,提出了共振衰减整周期截取的定阶思路。通过对仿真信号的研究分析,揭示了应用AR预测滤波器分析故障信号时阶数选取和信号的信噪比、衰减阻尼比、采样频率、结构共振频率之间的关系,为深入分析AR预测滤波器的阶数选择问题提供了良好的基础。同时,利用最大峭度方法实现了最优化阶数的确定,通过对实验数据的分析,验证了本定阶方法的有效性     

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。     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

级联双稳随机共振和基于hermite插值的局部均值分解方法在齿轮故障诊断中应用

针对于弱信号在齿轮故障中难以提取问题,提出了一种基于级联双稳随机共振 (Cascaded Bistable Stochastic Resonance,简称CBSR)降噪和局部均值分解（Local Mean Decomposition,简称LMD）齿轮故障的诊断方法。随机共振可有效削弱信号中的噪声,利用噪声增强故障信号的微弱特征;LMD方法可自适应将复杂信号分解为若干个具有一定物理意义上PF分量之和,适合处理多分量调幅调频信号。首先将振动信号进行CBSR消噪处理,然后对消噪信号进行LMD分解,通过PF分量的幅值谱找到齿轮的故障频率。通过齿轮磨损故障诊断的工程应用,表明该方法可以有效提取齿轮故障微弱特征,实现齿轮箱的早期故障诊断。       

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。     

Nonstationary weak signal detection based on normalization stochastic resonance with varying parameters

The nonlinear stochastic resonance system possesses the ability of taking advantage of background noise to enhance the weak signal. It provides a new approach to detect the weak signal embedded with heavy noise. This study proposes a new varying parameter stochastic resonance employing the fourth-order Runge–Kutta numerical method as well as the normalized transformation of a bistable stochastic resonance system. The model performs well in the detection of a time-varying signal with background noise for denoising and signal recovery. We take the fitness coefficient and cross-correlation coefficient as the criteria and analyze the influence of different parameters. The simulating results indicate its availability, validity and that it generates a better performance than the traditional stochastic resonance. The method develops the area of time-varying signal detection with stochastic resonance and presents new strategy for detection and denoising of a time-varying signal. It can be expected to be widely used in the areas of aperiodic signal processing, radar communication, etc.