基于小波包变换的模拟电路信号特征提取方法的研究

利用小波包变换,在不同分辨率小波包子空间中分析信号不明显的频率特征,提出了模拟电路故障信号特征提取的两种方法——最优小波包特征提取方法和不完全小波包特征提取方法。     

小波分析在非平稳速变信号处理中的应用

首先对小波变换的优点做了介绍,综述了小波变换在遥测非平稳速变信号处理中的两个重要方面的应用:信号消噪和信号突变点特征提取。     

改进小波阈值函数和ACEWT方法的滚动轴承故障声发射信号特征提取EI北大核心CSCD

针对滚动轴承早期故障声发射信号受复杂传递路径和噪声的干扰,声发射信号信噪比较低,导致轴承故障特征难以提取的问题,提出了改进小波阈值函数-ACEWT的轴承故障特征提取方法。由于声发射信号呈冲击性与快速衰减的特点,构建一种衰减正弦型与指数型的小波阈值函数对低信噪比的声发射信号进行降噪。研究自相关运算与经验小波变换结合的方法(autocorrelation and empirical wavelet transform,ACEWT),用于滚动轴承故障声发射信号特征提取,解决了在低信噪比下经验小波变换对轴承故障特征提取的不足;引入经验小波能量比-熵指标,选取最优经验小波系数。通过与经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法进行对比研究,并试验验证。仿真和试验结果表明,所提方法明显优于经验小波变换、改进小波阈值函数-EWT和MCKD-EWT方法,可准确提取轴承故障声发射信号的频率特征。     

小波变换在切削颠振特征提取中的应用

本文利用小波变换的多分辨率特性,首先对切削颤振信号进行小波分解,然后通过主成分分析法对特征小波进行重构,再对重构信号进行特征提取,从而有效地解决了课题基于隐马尔可夫模型（HMM）切削颤振预报的特征提取问题.文章还提出了从时域基于功率分析对颤振信号进行特征提取的新方法,为切削颤振的特征提取提供了新的模式样本.     

小波函数性质及其对小波分析结果的影响

分析了小波变换在图像处理、语音处理领域和设备故障诊断领域的应用特点 ,指出了两者的不同之处。并进一步讨论了小波函数的性质及其对小波变换结果的影响 ,指出在用小波变换进行诊断信号分析和特征提取时 ,小波函数的影响是不容忽视的     

基于改进经验小波变换的滚动轴承故障特征提取方法研究

针对振动信号的非线性、非平稳性和早期故障特征信号难以提取的特点,提出一种基于改进经验小波变换的故障特征提取方法。通过包络分析和对包络曲线进行阈值分割修整的方法来确定经验小波变换分解的模态数和频率边界,解决传统经验小波变换需要预先设置分解模态数和难以对信号频谱进行适当分割问题,以实现对振动信号故障信息更准确的描述。实验表明,该频谱分割方法能够有效检测信号最佳模态分解数,使得信号的频谱分割更为容易、可靠。相比传统EWT和EMD,改进经验小波变换的滚动轴承内圈、外圈Hilbert变换时频图对振动信号的故障相关特征描述更为清晰,在滚动轴承故障特征提取方面表现更为优越。     

改进小波算法在机械故障诊断中的应用

小波变换具有优良的时频分析特性,适合于提取非平稳信号和时变信号,利用小波变换来提取机械设备的故障特征是当前的一个研究热点.但是由于小波滤波器的频响应特性不理想,因此直接对信号进行小波变换必定会产生一定的虚假频率,从而影响故障特征提取的准确性.针对小波变换产生混频的原因提出了一种改进的小波分解算法,仿真结果表明该方法能有效地消除混频现象,提高故障诊断的精度.     

小波去噪方法在管道应力波检测中的应用

介绍了一种适合于管道应力波检测的基于小波变换的去噪方法。利用小波变换多尺度分析的优点。根据有用信号和噪声在小波变换不同尺度下的传递特性的不同，进行小波系数阈值选取后，对剩余小波系数重建信号，得到有用信号的波形。结果表明，它能较好地抑制噪声，使信号的信噪比明显提高。     

基于自适应小波特征提取一体化神经网络的空调电机振动噪声识别

正确识别空凋电机的噪声类型是改善其噪声效果的重要前提，采用一种集特征提取与识别于一体的神经网络来解决这种识别问题。此网络利用Mexican hat小波作为母小波，同时将基于小波变换的特征提取过程融人为神经网络的一部分，网络学习时可针对输入信号对小波尺度和平移参数进行自适应调整，以实现对信号特征信息的充分获取。给出了此网络的学习算法。利用这一网络对空调电机的三种噪声信号即电磁噪声、不平衡噪声、轴承噪声信号进行了学习和识别，结果表明，学习后的网络以很高的可靠性准确地识别出了电机的不同噪声类型。     

基于连续峭度优化的滚动轴承故障特征提取小波变换方法

为更有效提取滚动轴承早期故障中微弱冲击特征成分,提出基于连续峭度优化的小波变换故障特征提取方法。据连续峭度与小波能量相关程度,对原信号特征分量的小波系数及能量成分进行不同程度优化,强化故障信号中具有冲击特征的能量成分、削弱其它能量成分。通过优化的小波系数重构原信号特征分量,计算特征分量包络谱以提取冲击特征频率及相关倍频,实现对故障特征提取。通过仿真信号、实际轴承数据应用分析表明,该算法能强化冲击特征能量成分,能更有效提取早期故障中冲击特征。     

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。     

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。     

非负矩阵分解的发动机故障特征提取中的应用

信号处理与特征参数提取是发动机故障诊断的核心和关键。提出了采用自适应多尺度形态梯度算法对信号进行处理,综合利用小尺度下能保留信号细节和大尺度下抑制噪声能力强的优点,能够在强噪声背景下有效地提取振动信号中能够反映发动机工作状态的有用分量;在此基础上提出采用非负矩阵分解的特征提取方法对信号进行压缩,计算用于发动机故障诊断的特征参量。结果表明：与传统的信号处理与特征参量提取方法相比,本文提出的方法能够具有更高的分类精度,为准确判断发动机故障状态提供了一种行之有效的新方法。     

ART-2对滚动轴承振动信号幅值谱的清晰化提取与分类效果研究

滚动轴承振动信号的幅值谱往往在整个频带上都存在着均匀分布的噪声频率干扰，难以用一般的滤波方法去除，这对轴承实际振动频率成分的识别有很大的影响。通过对ART-2神经网络的分析，指出了在信号中的特征信息相对较强，而噪声相对较弱的情况下，利用ART-2可以对信号中的特征信息成分进行增强，并对噪声进行充分抑制。利用这一原理，实现了对轴承振动信号幅值谱的清晰化提取。对13个轴承振动信号幅值谱的处理实例表明，这种方法获得的模式中轴承实际振动频率成分被清晰地提取了出来，而均布噪声频率则被充分抑制。进一步研究了ART-2的警戒系数对幅值谱清晰化处理效果的影响。并对这种影响机理进行了解释。     

基于改进EMD方法与1 1/2谱的DEMON谱提取方法

噪声的包络调制检测(Detection of Envelope Modulation on Noise, DEMON)谱分析技术已被广泛应用于特征提取领域,但经典 DEMON 谱提取中高频信号频段的选取会影响 DEMON 谱的提取效果。针对这一问题,文中首先运用经验模态分解(Empirical Mode Decomposition, EMD)方法获得一系列固有模态函数(Intrinsic Mode Function, IMF),依据各阶模态函数与原信号的相关程度,筛选出更具代表性的几阶固有模态函数进行解调,再对解调的结果运用1 1/2维谱分析方法进行谱分析以抑制高斯噪声,通过这种方法获得的 DEMON 谱信噪比优于传统方法。实测湖试数据分析结果表明,该改进方法可以有效地进行特征提取,结果优于经典 DEMON 谱分析方法;该改进方法具有一定的实用性,有利于进行后续目标分类识别。     

基于VMD与共振稀疏分解的舰船辐射噪声窄带特征提取

为了获取实测舰船辐射噪声信号中有效的目标信息、提高低信噪比条件下目标信号的可分性,文章提出了结合变分模态分解(Variational Mode Decomposition,VMD)和共振稀疏分解(Resonance-based Sparsity Signal Decomposition,RSSD)的舰船辐射噪声信号特征提取方法。基于舰船辐射噪声信号具有一定的周期性而外界干扰具有随机性的特点,首先利用VMD自相关分析的方法重构信号,主要剔除带外噪声分量;然后采用RSSD算法基于信号共振属性的不同,进一步滤除带内噪声和瞬态干扰,实现对信号中周期性振荡成分的提取;最后提取信号的波形结构特征用于目标的分类识别。仿真信号与实测信号分析表明,该方法可以较好地滤除带内外噪声,增强舰船辐射噪声信号固有的窄带特征。多类舰船目标的分类实验结果表明,该方法可以有效提高低信噪比信号的可分性,有利于提高目标识别的性能。     

基于奇异值分解的信号特征提取方法研究

奇异值反映了信号中有用信号和噪声的能量分布情况,通过奇异值分解可以将隐含在噪声中的特征信号提取出来。本文提出了在强背景噪声中基于奇异值分解的特征提取方法。研究发现,随着信号信噪比的降低,奇异值的分布趋于直线,特征信号难以分离和提取。通过增加奇异值分解阶次,可以使反映噪声能量的奇异值的分布范围扩大,使得噪声的能量相对分散,凸显出了反映有用信号能量的奇异值,从而有利于特征信号的提取。仿真试验和故障分析实例都验证了该方法的可行性。     

Band-target entropy minimization (BTEM) applied to hyperspectral Raman image data

Band-target entropy minimization (BTEM) has been applied to extraction of component spectra from hyperspectral Raman images. In this method singular value decomposition is used to calculate the eigenvectors of the spectroscopic image data set. Bands in non-noise eigenvectors that would normally be used for recovery of spectra are examined for localized spectral features. For a targeted (identified) band, information entropy minimization or a closely related algorithm is used to recover the spectrum containing this feature from the non-noise eigenvectors, plus the next 5-30 eigenvectors, in which noise predominates. Tests for which eigenvectors to include are described. The method is demonstrated on one synthesized Raman image data set and two bone tissue specimens. By inclusion of small amounts of signal that would be unused in other methods, BTEM enables the extraction of a larger number of component spectra than are otherwise obtainable. An improvement in signal/noise ratio of the recovered spectra is also obtained.     

时频图像特征用于声场景分类

为解决根据音频流识别声场景的问题,对音频信号进行恒Q变换,得到其时频表达图像,然后进行滤波平滑等处理,随之提取能够表述信号谱能量变化方向信息的梯度直方图特征,以及能够捕捉信号谱纹理信息的局部二值模式特征,输入具有线性核函数的支持向量机分类器,对不同声场景数据进行分类实验。结果表明,相对于传统的时频域特征和梅尔频率倒谱系数特征,所提出的特征基本能够捕捉到给定声场景具有区分度的信息,所得分类率更高,且两者的互补作用使得联合特征分类效果达到最优,该方法为声信号特征提取贡献了一种新思路。