基于空域相关阈值滤波的雾气激光信号处理算法

针对雾气环境下微弱激光信号特征提取困难,在研究小波空域相关滤波算法基础上,提出了小波空域相关阈值滤波方法。阐述了小波空域相关阈值滤波的思想和原理,特别研究了滤波阈值选取的方法,比较了空域相关阈值滤波与空域相关滤波的滤波效果。结果表明对雾气环境下的激光信号,空域相关阈值滤波具有最好的滤波效果。在不同雾气浓度和不同信号信噪比情况下的实验结果表明,空域相关阈值滤波能够在保持激光回波信号特征的前提下有效地抑制大部分噪声,更适于雾气环境下微弱激光回波信号处理和特征提取。      

语音信号的预处理技术探讨

在现代信息技术中语音信号处理技术发挥着越来越重要的作用,而语音信号预处理是语音信号处理中不可或缺的环节.本文详细阐述了语音信号预处理技术中的放大和增益控制、反混叠滤波、语音信号数字化、特征提取等几项关键技术.     

基于Mallat算法的直流电动机振动信号处理研究

振动信号是最能够全面反映电机运行状态的信号,所以在相关研究中一般都通过分析振动信号提取状态特征．振动信号属于非平稳随机信号．信号的奇异性部分往往包含了非常重要的信息,因此奇异性检测成为振动信号处理的主要内容．小波变换突破了传统傅里叶变换在时域和频域局部化方面的局限,非常适合对非平稳随机信号进行降噪滤波和特征提取．     

变换域自适应滤波算法的研究

滤波技术在电子信息处理领域中一直占有极其重要的地位,其中对自适应滤波算法的研究是当今自适应信号处理中最为活跃的研究课题之一.介绍了时域LMS自适应滤波算法,然后在此基础上结合近年来国内外发表的相关文献,总结了变换域自适应滤波算法的研究现状,并分析了每种算法的性能特点,最后展望了变换域自适应滤波算法的前景.     

小波变换在噪声信号处理中的应用研究

基于噪声信号处理的故障诊断技术中的一个重要内容就是如何从大量、繁杂的噪声信号中提取有用信息．在讨论了基于噪声信号处理的故障诊断技术特点的基础上，重点介绍了如何利用小波变换中的多分辨分析和小波包分析来对噪声信号进行处理的原理、方法以及基于Matlab小波分析工具箱的噪声信号特征提取技术。     

CORDIC算法在软件无线电中的应用

数字下变频技术是软件无线电的关键技术之一，其主要功能是把信号搬移到更低的频率上，将宽带高速数据流信号转变成窄带低速数据流信号，以便实时信号处理．研究了一种产生正弦和余弦而无需大量查询表的方法——CORDIC算法（坐标旋转数字计算）．此算法的优点在于它不但替代了巨大的查询表，而且4个乘法器也不需要了，这是由于CORDIC算法可以用于实现复数的复相位旋转．这种方法能有效提高信号处理效率，减小硬件设计的代价，并通过仿真证明该方法的高效性．     

基于经验模式分解的旋转机械振动信号降噪处理

分析了经验模式分解的滤波性能；针对旋转机械振动信号信噪比低及非平稳特性，应用经验模式分解对振动信号进行降噪处理，突出了有用振动信号，为旋转机械在线监测和故障诊断提供了有效的依据；仿真实验及真实数据分析表明，经验模式分解在振动信号降噪处理中是有效的，为振动信号分析提供了新的方法。     

基于神经网络的自适应滤波研究

自适应信号处理在信号处理中占据主要地位,自适应滤波又是自适应信号处理中的主要应用.目前对自适应滤波的研究主要集中在算法上,但很难在收敛速度、稳定性和跟踪性能上同时取得最佳性能.综合考虑自适应滤波的各种性能,研究基于神经网络的自适应滤波方法,并通过实例应用来证明了该方法的有效性.该研究对拓展自适应滤波方法和神经网络的应用都具有重要的参考价值.     

液动冲击旋转钻井技术在石油工业中的新进展及发展方向

液动冲击旋转钻井技术是在旋转钻井基础上发展起来的钻井新技术,是在钻头上部联接冲击器,将冲击钻进和旋转钻进相结合的一种钻井方法。调研了液动冲击旋转钻井技术的技术特点,和液动冲击器在国内外的最新发展和现场的应用情况。总结了液动冲击旋转钻井技术的破岩机理及钻井参数的优选方法和钻柱的动力学理论。基于目前液动冲击旋转钻井技术的发展现状,结合目前正在兴起的旋转导向钻井技术,对该技术的发展趋势进行了展望。     

阵列信号波达方向-频率的同时估计方法

入射信号的参数估计是阵列信号处理中的基本问题．基于阵列信号处理中高分辨率波达方向－频率的同时估计问题,提出了针对等距线阵的方法．利用时延数据,以时间变元作为旋转因子,在此基础上实现ＥＳＰＲＩＴ技术,对波达方向和频率同时进行估计．方向和频率之间的配对问题可以对应关系自动解决．这样不但可以完全避免多项式搜索,运算量少,而且分辨率也相当高．给出的计算机模拟实验证实了该方法的有效性．     

奇异值分解对轴承振动信号中调幅特征信息的提取

为了从复杂的轴承振动信号中提取微弱的故障信息,提出了一种基于奇异值分解的特征提取方法.分析了基于奇异值分解的信号分解和特征提取原理,指出其信号分解的实质是一种线性叠加分解,并通过对轴承振动信号构造Hankel矩阵,利用奇异值分解处理后得到多个分量信号,并选择前面一定数目的分量信号进行叠加,准确地提取到了因滚道损伤引起的调幅特征,进而研究分析了不同数目分量所获得的调幅特征效果,并与小波变换进行比较.研究结果表明SVD对调幅特征的提取效果优于小波变换.     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法

针对柴油机缸盖振动信号非线性、非平稳的特点,以及传统故障诊断方法需要先验知识且特征提取费时费力的缺点,提出了一种基于复Morlet变换和改进AlexNet神经网络的柴油机气门间隙异常故障诊断方法。首先通过复Morlet小波将柴油机缸盖振动信号转换为时频图,该变换包含了信号的时频域信息,比单一的时域或频域信号更适合分析柴油机缸盖振动这种非平稳信号;其次将时频图输入至AlexNet神经网络进行特征自动提取并建立故障诊断模型,解决了传统手工提取特征费时费力且需要专家经验的问题;然后通过Batch Normalization和Dropout技术改进网络结构,并优化神经网络超参数以提高模型的准确度和计算效率;最后将本文方法与传统的故障诊断方法应用于柴油机气门间隙异常故障诊断并进行对比,发现其诊断准确率最高,验证了所提方法的优越性。     

信号瞬变成分检测与提取及其在故障诊断中的应用

研究基于小波变换的信号瞬变成分检测与提取方法及其在机械故障诊断中的应用 .在分析信号的连续小波变换的模极大值理论的基础上 ,指出连续小波变换系数的模与信号瞬变成分的关系 ;通过分析小波函数的性质 ,分析小波函数对信号的连续小波变换的影响 ;在信号瞬变特征的提取过程中 ,提出基于门限值的特征重建方法 .将该方法应用于齿轮箱振动信号中瞬变成分的检测与重建 .结果表明基于连续小波变换方法能有效检测到信号中的瞬变成分 ,瞬变成分的重建结果有效地表示了机械的故障状态 .     

小波变换在信号滤波中的应用

概要地叙述了小波，小波包理论，提出了一种用小波包分解和信号重构进行信号滤波的方法，先用小波包分解把信号分解到相邻的不同频率段上，然后用信号重构方法各个频率段上的信号进行重构，以电机的振动信号为例，说明这种方法可以有效地用于信号的滤波。     

基于自适应层数分解的小波变换滤除冲击信号

针对掺杂在冲击信号中的微弱振动信息被淹没的问题,提出了一种基于小波变换滤除冲击信号提取微弱振动信号的方法.该方法采用自适应层数分解的小波变换分析原理,根据冲击信号特征,合理选择小波基,对冲击信号进行分析滤除.为获得较好的滤除效果,针对分解层数的自适应性,提出了一种分解层数的自适应确定方法.对含有冲击干扰的微弱标准信号进行数值模拟,对含有冲击干扰的微弱金刚砂振动信号进行实测分析.结果表明该方法能自适应性地确定小波分解层数,并有效滤除冲击提取被淹没的微弱振动信号.     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于复值小波模和幅角经验正交分解的奇异性特征提取

提出了基于Hermitian复值小波模和幅角经验正交分解方法,采用这种方法可以提取信号奇异性特征。通过在滚动轴承故障诊断应用表明:小波模和幅角协方差矩阵的特征值向量反映了在时间-尺度平面上的分布结构,不受时间平移影响,便于信号的奇异性特征提取;用主成分重构信号小波模和幅角,能更清晰地反映信号的奇异性特征,便于分类识别.