冲击信号的随机共振自适应检测方法

针对冲击信号的检测问题,在分析峭度指标和互相关系数衡量冲击信号的优势与不足的基础上,构造加权峭度指标.该指标兼顾两者的优势,弥补它们各自的不足.将加权峭度指标与变尺度随机共振相结合,提出了一种冲击信号的自适应随机共振检测算法,该算法被用于仿真冲击信号与实际工程中的微弱冲击信号的检测,结果表明所提方法有效提高了信噪比,还避免了漏峰现象.同时,所提的优化指标与随机共振算法独立,对其他冲击信号自适应算法也有参考价值.     

基于SAS降噪和谱峭度的特征频率提取方法

提出了稀疏辅助平滑降噪(SAS)与谱峭度(SK)结合的滚动轴承故障特征的提取方法。首先,利用稀疏辅助平滑降噪(SAS)方法对仿真信号进行预降噪,通过均方根误差(RMSE)指标对SAS降噪与低通滤波的降噪性能实施评价;然后,将SAS降噪和谱峭度方法结合应用于故障滚动轴承的振动信号的分析中,提取到清晰的特征频率。用峭度值指标将所提方法同小波方法、EMD方法进行对比,证实了所提方法在特征提取上的优势;通过仿真和数据实验,证明了所提方法的有效性。     

快速峭度谱用于复合行星齿轮故障特征提取

快速峭度谱因其对瞬态冲击信号具有快速检测的能力,在旋转机械故障特征提取中得到广泛应用。提出了基于快速峭度谱的机械故障特征提取流程,并将快速峭度谱应用于某型坦克变速箱复合行星齿轮的故障特征提取中。首先,分析特定工况下齿轮正常和剥落故障两种状态的信号,与传统包络分析结果进行比较,结果表明,基于快速峭度谱的故障特征提取方法能够显著增强故障特征频率的幅值。为了验证测点的工况适应性和特征提取方法的有效性,考虑挡位、转速和载荷等因素,设计了32种试验工况,分析各个工况的试验数据,研究了转速、载荷等工况参数对故障特征提取的影响。结果表明,所选测点在各工况下采集的数据均可有效提取故障特征频率,转速和载荷的增加有助于故障特征提取。     

基于协峭度张量的高光谱图像异常检测

高光谱图像中的异常像元往往具有在图像中出现的概率低和游离于背景数据云团之外的特点,如何“自动”确定这些异常像元是高光谱遥感图像处理中的一个重要研究方向。经典的高光谱异常检测方法一般从图像的统计特性入手,广泛应用的RXD异常检测算法通过计算图像的2阶统计特征,可以直接给出异常点的分布情况,算法复杂度低,但缺点是没有考虑到图像的高阶统计信息。基于独立成分分析的异常检测算法虽然考虑了高阶统计量对异常点的敏感性,但需要反复迭代提取异常成分后,再对提取后的成分进行异常检测。该文提出一种基于协峭度张量的异常检测算法,该算法不需要事先提取异常成分,可以直接对观测像元进行逐一检测,从而给出异常点的分布情况。基于模拟数据和真实数据的实验结果表明,该方法能够在检测出异常像元的同时更好地压制背景信息、减小虚警率,从而提高异常检测精度。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于峭度的数字通信同道干扰抑制研究

复杂多变的频谱环境是现在战场环境的突出特征,准确高效地实现通信很大程度上决定着战争的结果。如何摆脱敌方实施的同道干扰的影响以保证我方数字通信正常成为重要的研究课题。采用通信接收阵列,在数字信号解调前端,引入独立分量分析技术,采用峭度度量的非高斯性准则,增加混合数字通信信号分离增强过程,实现同道数字通信信号的干扰抑制。通过实验例证该方法的可行性,取得了较好的分离增强结果,实现了干扰抑制效果,为同频段多类型数字通信信号抗干扰技术发展提供了思路。     

小波滤波与最大相关峭度解卷积参数同步优化的轴承故障诊断

针对共振解调中带通滤波残留的带内噪声影响故障诊断效果的问题,目前主要的解决办法是增加后处理步骤对带内噪声进行二次消除。但存在的主要问题是前后处理步骤的参数各自独立优化,且优化指标未考虑滚动轴承故障冲击周期性发生的特点,从而难于保障诊断的总体效果。提出了一种结合Morlet 小波滤波预处理和最大相关峭度解卷（MCKD）后处理的滚动轴承故障复合诊断方法。采用小生境遗传算法（NGAs）对Morlet 小波滤波器中心频率和带宽、MCKD 滤波器长度和周期进行同步联合优化,以考虑轴承故障冲击周期发生特点的相关峭度（CK）为优化指标,实现前后两个处理步骤的参数同步自适应优化。轴承故障仿真信号和实验台信号分析验证了所提方法的有效性和优越性。     

调频率自适应匹配线性变换及其对旋转机械故障诊断研究

旋转机械常处于变转速工作状态,因而其振动信号也表现出非平稳性。分析此类非平稳信号时由于受有限的时频分辨率影响,常无法获得理想的时频表示,难以揭示与旋转机械健康状态相关的有用信息。根据单个线性调频变换（LCT）能提升特定时刻时频聚集性这一特点,提出了调频率自适应匹配线性变换（Adaptively MatchingChirp?rate Linear Transform,AMCLT）。利用最大峭度准则指导选取每个时刻合适的调频率,并且只保留与所选调频率相关的时频分布用于构造最终的时频表示;扩展原始线性变换基函数,使所提 AMCLT 方法在无需迭代情况下可同时完成对多分量非线性调频信号的分析。此外,对所提 AMCLT 方法进行了信号重构分析,可实现对信号中目标频率分量的时域信号重构。振动信号处理结果表明,在时频表示的可读性方面,所提方法可得到能量更加集中且不受交叉项干扰的时频表示;在特征提取方面,所提方法可更加准确地提取旋转机械振动信号中的频率特征,可有效应用于旋转机械的故障诊断。     

基于MCKD和VMD的滚动轴承微弱故障特征提取EI北大核心CSCD

针对滚动轴承早期故障特征非常微弱,易受随机噪声和其他信号干扰而难以提取等现象,提出了用最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)和变分模态分解(Variational Mode Decomposition,VMD)相结合的方法提取滚动轴承故障特征。首先用MCKD进行信号增强,然后利用VMD得到一系列模态,应用互相关系数和峭度准则筛选包含故障信息较为丰富的模态进行重构降噪,最后对重构信号进行包络解调提取故障特征。通过仿真分析和轴承故障模拟实验验证了该方法的有效性,可以精确地分离轴承故障振动信号的不同频率成分。