VMD-Hilbert变换在扬声器异常声检测中的应用

针对基于时频分析的扬声器异常声检测方法中短时傅里叶变换、小波包变换存在的不足,提出了一种基于变分模态分解-希尔伯特(Variational Mode Decomposition and Hilbert,VMD-Hilbert)变换的扬声器异常声检测方法。首先通过仿真信号分析,研究了VMD-Hilbert变换的时频特性,并与其他三种时频分析进行了对比,结果表明VMD-Hilbert变换具有更好的自适应性、能量聚焦性与时频分辨率。然后,对实测扬声器声响应信号进行VMD-Hilbert变换,求得被测扬声器单元的时频矩阵与标准时频矩阵之间的特征距离,并与其它三种时频分析下的特征距离进行对比。实验结果表明,VMD-Hilbert变换下的类间特征距离的离散度较大,便于更好地设定阈值,从而验证了VMD-Hilbert变换能更好地表征异常声的时频特征,以及其在处理非线性、非平稳的扬声器声响应信号时的优越性。     

基于多分辨分析的时频分析

短时傅里叶变换由于采用固定宽度的时域窗，在缓变与瞬变信号共存的宽频带信号分析中，其时间与频率分辨力矛盾突出。采用Mallat算法的小波变换能够将信号正交分解成多尺度的信号分量，然而所提供的时频信息不很直观，难以识别其时频谱。通过对短时傅里叶变换和小波变换在时频分析中的优缺点分析，发现两者具有互补性。因此本文提出基于多分辨分析的短时傅里叶变换（取名为WAVSTFT），即采用Mallat算法将信号分解成多个尺度信号分量，再对各分量分别做与其尺度相适应的短时傅里叶变换，最后把得到的各时频谱在同一个不相平面上叠加，从而得到信号的总体时频构造。经理论分析与实例验证，该方法有效可行，为工程测试中的时频分析提供了一种有效的手段。     

短时傅里叶变换声-超声检测信号缺陷识别

针对粘接结构的声-超声检测信号,提出用短时傅里叶变换的方法对缺陷进行识别。该方法依据短时傅里叶变换特性,合理选择窗函数及其宽度,并根据时频特征值对识别结果进行体现。结果表明:试件中缺陷的存在与否对时频特性影响较大,而相同性质缺陷的检测信号时频特性相近;脱粘缺陷信号具有相对较好的频率分辨率,而孔洞缺陷信号具有较好的时间分辨率。该方法对声-超声检测信号进行缺陷识别是有效、可行的。     

时频分析法在锅炉承压管线泄漏检测中的应用研究

准确检测锅炉承压管线泄漏是保障锅炉安全运行的关键技术,音频分析法是检测承压管线泄漏故障的主要手段,提出一种基于联合时频分析(Joint Time-Frequency Analysis, JTFA)研究锅炉背景声和承压管线泄漏声的时频特征,判定泄漏故障的方法。设计了由前置放大、程控滤波、增益补偿处理的双通道音频信号采集电路;采用快速傅里叶变换获取信号广义谱特征,采用程控滤波对采集信号加动态频率窗,再采用短时傅里叶变换对采集信号时间加窗,多角度分析信号的时频特征,以判定承压管线运行是否存在泄漏故障。相比于传统的RC滤波加快速傅里叶变换分析方法,这种动态加双窗的时频分析法能够提高泄漏信号采集的灵敏度和泄漏故障判定的准确性。     

基于时频幅值匹配的列车轴承故障声学信号的多普勒校正方法

由于列车运动所产生的多普勒频移和扩展现象,给轴承的故障识别、诊断带来了难度。提出了一种基于时频幅值匹配的多普勒校正方法,并将其运用到列车轴承上。首先,依据莫尔斯声学理论和短时傅里叶变换,推导出时频幅值曲线与中心时间的关系,通过匹配理论与实际信号的时频幅值曲线求出相对应的中心时间。而后,依据该中心时间建立重采样时间序列,并以此实现信号的多普勒校正。通过仿真信号和实际信号验证了该方法的有效性。     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。     

STFT-IP时频特征提取技术的螺栓松动识别方法

针对机械连接结构中常见的螺栓松动识别问题,利用短时傅里叶变换(STFT,Short-time Fourier transform)处理振动信号获得时频图,通过分析时频图发现不同预紧状态螺栓联接结构的振动响应时频特征,凝练STFT-IP(Image Pixel)特征指标,并提出基于STFT-IP时频特征的螺栓松动识别方法...     

基于信号处理的扬声器故障诊断方法研究

采用信号检测、特征提取及模式识别方法进行电动扬声器的故障诊断。利用对数扫频信号激励扬声器,并采集其声学响应信号;对扬声器响应的声信号进行短时傅立叶变换(STFT)处理,提取信号的时频域特征矩阵;再对特征矩阵进行变换、映射,获得不同故障类型的扬声器的图像特征;最后通过计算扬声器特征矩阵间的距离来识别故障扬声器。实验和计算结果表明,该方法简便有效,具有实际应用价值。     

STFT和HHT在风力机轴承故障诊断中的应用

对异常工作风力机进行振动测试,获取振动测试信号,选取额定风速时采集的一段信号分别进行时频域分析、短时傅里叶变换分析、希尔伯特黄变换分析,提取故障特征信号。结果表明,短时傅里叶变换具有较好的时频分辨率,能够较好的提取故障特征信号,较为适合非线性、非平稳信号的分析;希尔伯特黄变换是一种很好的自适应信号处理方法,非常适合于非线性和非平稳信号的分析。希尔伯特黄变换对于风力机滚动轴承的故障诊断取得了很好的效果,准确提取了故障信号特征。对风力机故障诊断技术的发展具有较大的意义。     

高速铁路客车振动特性时频分析

对于高速铁路车辆的振动试验,为克服传统傅里叶分析方法不具备时域信息的不足,引入分析非平稳数据的时频分析方法。针对轴箱和车体的垂向振动信号数据,分别采用传统的快速傅里叶变换(FFT)、短时傅里叶变换(STFT)、小波变换(WT)和希尔伯特黄变换(HHT)进行数据分析处理,并对比各种分析方法的优缺点。对比发现,HHT方法是应用于车辆振动信号处理中的最佳时频分析方法。     

BP神经网络在扬声器异常音检测中的应用

提出一种采用人工神经网络判断扬声器是否存在异常音的方法。首先简单介绍了获取扬声器异常音曲线的方法和人工神经网络中的BP模型及其训练方法,并比较了基本BP算法和共轭梯度法两种训练方法的差异。再将所获得的异常音曲线作为人工神经网络的输入向量,将听音员的听测结果作为目标向量,并使用共轭梯度法进行网络的训练。最后通过已训练好的人工神经网络判断扬声器是否存在异常音。实验结果表明,该方法可替代传统的人工设置门限的方法,并可大幅降低扬声器异常音检测的虚警率。     

一种扬声器异常音的时域特征检测方法

扬声器的异常音故障常见于生产过程中,通常可由有经验的听音员凭人耳听音检测出来。与人耳听测异常音的机理类似,一种在时域检测异常音的方法被提出。通过对声响应信号进行经验模态分解得到本征模态函数,再根据本征模态函数与激励信号的瞬时频率差对各模态去混淆处理,可得到包含异常振动信息的模态函数,据此可判断是否存在异常音。算法验证分为仿真和实验两部分。仿真验证中分析了模拟的合格扬声器与故障扬声器的声响应,结果表明算法对于摩擦和碰触导致的异常音是灵敏的。实验验证中检测了20只扬声器,测量得到的故障频率与用高阶谐波失真法得到的结果一致。且对于不同异常音故障,可在经验模态函数的局部特征中观察到不同的时域特征。     

语音信号精细时频结构的局部余弦基分析

从自适应信号分解的角度提出用可精确覆盖时频平面的局部余弦基分析语音信号精细时频结构的方法。首先使用快速动态规划算法。将语音信号分解成局部余弦基原子的组合,从得到的信号分解原子的Heisenberg盒可以初步提取语音信号的有效时频特征。为了得到更精细的时频结构,再使用MP算法分解,并作出局部余弦基原子的WVD。仿真结果显示MP分解得到原子的WVD不仅有更佳的时频聚集性,而且对二次型时频表示中的交叉项有一定抑制作用。     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

基于小波包时频图特征和卷积神经网络的水声信号分类

水下声信号分类是水声学研究的一个重要方向.一个有效的特征提取和分类决策方法对水声信号分类技术至关重要.文章将鱼声、商船辐射噪声和风关噪声三类实测的水声信号在小波包分解的基础上提取时频图特征,并搭建了一个七层结构的卷积神经网络作为分类器.研究结果表明:三种水声信号的小波包时频图特征结合卷积神经网络在不同测试集可达到(98...     

强背景噪声振动信号中滚动轴承故障冲击特征提取

针对机械早期故障引起的冲击特征微弱,易受强背景信号和噪声的干扰而难以提取的问题,提出一种奇异值分解(Singular Value Decomposition,SVD)差分谱与S变换相结合的微弱冲击特征提取方法。将原始信号构造成Hankel矩阵,采用SVD对重构矩阵进行分解;利用奇异值差分谱确定降噪阶次进行降噪;采用S变换对降噪后的信号进行时频分析,提取信号中的微弱冲击特征信息。通过数值仿真和实际轴承故障数据的对比,表明该方法可有效辨别轴承振动信号中故障引起的早期微弱冲击特征,为轴承故障诊断提供先验信息。     

基于SST时频图纹理特征的供输弹系统故障诊断

对于供输弹系统早期故障中信号成分复杂,故障征兆难以识别的问题,提出了基于同步压缩变换(SST)时频图纹理特征的故障诊断方法。使用EEMD方法对供输弹系统振动信号进行预处理,对分解的分量进行相关系数运算,选取与原始信号相关系数大的前4层分量对信号进行重构,达到了一定的降噪效果;接着利用供输弹系统不同状态的信号通过同步压缩变换时频分析,得到反映不同运行状态的二维时频图像,并进行灰度化处理;利用灰度共生矩阵法与灰度梯度共生矩阵,对其进行纹理特征的提取,为与传统方法做对比,提取了信号经EEMD分解后,与原始信号相关系数大的前4层分量的能量百分比作为特征;使用基于核的模糊C均值聚类,对供输弹系统三种不同状态振动信号的图像纹理特征和能量百分比特征进行分类识别,并与模糊C均值聚类进行对比。实验结果表明,该方法能有效地对自动供输弹系统早期故障进行识别,且识别正确率达91.21%。     

LabVIEW＆Matlab在半主动悬挂系统实验台数据采集与控制系统中的应用

利用LabVIEw＆Matlab设计了悬挂系统实验台数据采集与控制系统,实现了LQG（Linear Quadratic Gaussian）最优控制算法下悬挂系统主动／半主动振动控制。在LabVIEW环境下实时采集悬挂系统振动信号,并调用MATLAB Script计算状态反馈增益矩阵、Kalman滤波器的增益矩阵,得出线性二次型Gauss最优控制控制策略下最优控制力、半主动控制力数值;然后将此数值作为伺服信号,通过串口通讯,分别控制车速模拟系统、脉宽调制（PWM）电源进而控制作动器,实现不同车速下悬挂系统主动／半主动振动控制。实验结果表明,应用LabVIEW＆Madab设计的数据采集与控制系统能满足实验需要。     

HHT在水雷目标特征提取中的应用

Hilbert-Huang变换（HHT）是近年来发展起来的一种处理非线性非平稳的时频分析方法。水声信号具有非线性非平稳的特点,把HHT方法应用于水声信号的分析中,将典型主动声纳信号的Hilbert边际谱和Hilbert谱分别与傅里叶幅度谱和传统的时频分析进行了比较。然后对水下目标回波的亮点模型作了仿真研究,并与小波变换作比较,最后用实际目标的回波作了分类研究。仿真与实际数据都证明了HHT在水下目标特征提取中的优越性。