一种未知脉冲信号检测与瞬时频率高精度估计方法

针对未知脉冲信号检测与瞬时频率估计问题,提出了一种基于瞬时频率高精度估计的联合检测方法.在瞬时频率高精度估计中,采用快速傅里叶变换分析与陷波滤波器相结合,实现对未知信号瞬时频率高精度估计.在未知脉冲信号检测中,采用能量累积法和瞬时频率方差法相结合方式,综合瞬时频率方差检测器和能量累积检测器的优势,可对未知脉冲信号实现有效检测.结果表明,在一定信噪比条件下,本文方法可以实现对未知脉冲信号瞬时频率的高精度估计,瞬时频率估计方差接近克拉美罗下界,估计精度提高了0. 1%,同时实现了对窄带和宽带未知脉冲的有效检测.     

基于自适应滤波的滚动轴承故障诊断研究

针对固有频率未知的滚动轴承故障诊断问题，提出了一种基于经验模态分解的自适应滤波方法。讨论了经验模态分解方法及其在获取固有模态函数过程中的自适应滤波特性。通过对滚动轴承故障振动信号进行经验模态分解得到固有模态函数，运用希尔伯特变换解调固有模态函数得到包络幅频图，获取滚动轴承故障特征频率，进而确定滚动轴承的故障位置。应用该方法对仿真和实际数据进行了分析，并与冲击脉冲法作了比较。结果表明，基于经验模态分解自适应滤波的滚动轴承振动信号解调方法能够更有效地突出故障特征频率成分，避免误诊断。     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。     

基于EMD与ICA的滚动轴承复合故障诊断

针对单通道情况下滚动轴承复合故障难以分离问题,提出基于经验模式分解(empirical mode decomposition,EMD)的独立分量分析(independent component analysis,ICA)算法.该方法首先对单通道采集的轴承复合故障信号进行EMD分解,得到多个基本模式分量函数(intrinsic mode function,IMF),然后依据帩度指标及相关系数值,选取有效的IMF分量与原观测信号组成新的观测信号,对其进行ICA处理,进而实现轴承复合故障的分离.实验结果表明,该方法可有效地分离轴承早期的复合故障.     

基于多特征提取的滚动轴承故障诊断方法

滚动轴承故障是旋转机械失效和损坏的最主要原因之一。轴承振动信号通常表现为非线性和非稳态的特征。常规的时域和频域方法不容易对轴承工作的健康状况做出准确的评估。提出了一种基于多特征提取的滚动轴承故障检测方法,首先从轴承振动信号中提取故障特征（熵特征、Holder系数特征及改进分形盒维数特征）,然后通过灰色关联理论算法自动地识别出轴承的故障类型和严重程度。该方法能够在确保检测实时性的同时,准确有效地识别不同的滚动轴承故障类型及其严重程度。     

基于时延自相关预处理的Hilbert-Huang变换解调

针对具有噪声干扰的旋转机械故障振动信号解调问题，提出基于时延自相关运算和经验模态分解（
EMD）方法相结合的新方法.讨论了时延相关算法的降噪原理、离散信号时延相关算法和Hilbert Huang变
换理论.采用矩形窗截断故障振动信号自相关函数的无偏估计, 获取较长时间差的部分，得到时延相关函
数.利用EMD方法对时延相关函数进行自适应滤波, 得到固有模态函数（IMF），对IMF进行Hilbert变换，
求得解调结果.不同噪声强度仿真数据和滚动轴承故障振动信号实验数据分析表明，该方法比直接解调或
仅采用时延相关解调更能有效抑制噪声，凸现信号调制信息.     

Detection and parameter estimation of sawtooth linear frequency modulated continuous wave signal

Aiming at application of long time accumulation for the detection and parameter estimation of linear frequency modulated continuous wave (LFMCW), a novel method based on the joint zero frequency searching method and quasi-MTD method is proposed to detect the sawtooth LFMCW (SLFMCW) signal and estimate its parameters. Firstly, detection of the SLFMCW signal and estimation of its period are realized by use of the zero frequency searching method. And then, the quasi-MTD method based on cyclocorrelation is utilized to finish the estimation of phase parameters and initial time-offset. The estimation of the period, chirp-rate, initial frequency and initial time-offset can be effectively realized by the method, which has low computational complexity and can provide good estimation performance in a low signal-to-noise ratio (SNR) owing to long time accumulation. Computer simulations verify the effectiveness of the algorithm.     

经验模态分解在相关峰检测和测向中的应用

互相关测向法在低信噪比时检测不到相关峰,无法实现有效的方位估计.经验模态分解可以在突出信号局部特征的基础上,把信号分解成多个固有模态函数.采取对互相关函数进行经验模态分解,适当选取分解出的IMF重构互相关函数.重构的互相关函数有明显的相关峰,可以有效地提高检测目标的能力.将经验模态分解与互相关测向法相结合,可以实现低信噪比下的时延估计,从而更好地估计目标的方位.仿真结果表明重构的互相关函数较原互相关函数,其相关峰较最高伪峰的相对值提高了约4.9 dB,从而可以更好地实现时延估计.方位估计结果显示此方法在信噪比为-14 dB时,仍能准确地估计目标的方位.     

基于改进EMD和数据分箱的轴承内圈故障特征提取方法

为解决直驱风力发电机主轴后轴承内圈轻微损伤故障诊断问题,针对实际工程中振动信号的复杂特性,提出一种基于改进经验模态分解(empirical mode decomposition, EMD)和数据分箱的特征提取算法。将信号进行改进经验模态分解,得到一系列平稳的本征模函数(intrinsic mode function, IMF)。对分解后的信号提取均值、方差等幅域参数特征,并根据参数有效性选择部分参数组成特征矩阵。选用等宽分箱方法,用箱内数据均值代替箱体数据,将特征矩阵进行平滑处理。经验证,该方法能准确提取实际工程信号中的有效特征,并从特征选择的角度较好解决了分类器代价敏感问题,减少了机器学习模型的过拟合现象。     

Application of Short Fourier-Transform in Detection of Early Fault Rolling-Element Bearing

0INTRODUCTIONRollingelementbearingiswidelyusedinallkindsofrotatingmachinesandtheconditionmonitorsystemforitsworkingstateisveryimPOrlantforrotatingmachines.SoresearchonthetechniqUeofearl}rfaultrolling-elementbearingdetectionhasagreatsignificanceinengineering.TheachievementofthetechniqUehasindicatethat:thedetectionmethodthroughvibrationmonitoringtechniqUeisthemostPOweifulandreliableanalySistoolfordeducingmechanicalfaultS.Theearlyfailureofrollingelementhearingpresentssomepittings,brinelli…     

基于EMD和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解和奇异值分解的特征提取与模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先对滚动轴承振动信号进行EMD分解,组成初始特征向量矩阵;并对该矩阵进行奇异值分解,将矩阵的奇异值作为故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。实验结果分析表明,该方法能有效地进行滚动轴承故障诊断。     

基于EMD的时频分析方法的电力故障信号检测

提出电力系统故障信号的经验模态分解(Empirical Mode Decomposition,EMD)时频分析方法.通过对检测点获得的故障电流信号进行EMD分解,得到一系列的本征模态分量(Intrinsic Mode Function,IMF),利用Hilbert变换得到Hilbert谱及边际谱,分析相应瞬时频率及其振幅,对故障信号进行时间-频率-幅值的联合分析.分析发现,通过瞬时频率突变能准确定位故障时刻,Hilbert谱的峰值变化也能反映故障时刻及故障特征信息;通过边际谱分析可以获得故障信号所含的真实频率,为进一步故障检测提供了依据.仿真试验证明了结论的正确性,表明EMD时频分析方法能准确地检测故障时刻,提取故障信息.     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

自适应跳频通信系统信道质量评估方法研究

信道质量评估是自适应跳频通信的关键技术,其实时评估结果为自适应频率控制和自适应功率控制提供依据.快速自适应跳频是跳频系统发展的主要方向之一,针对其特点,提出了基于接收信号信噪比预测算法的信道质量评估方法.主要由信噪比预测、信噪比估计和门限比较3个部分构成,分别采用卡尔曼滤波器、信号子空间法和误码率性能分析法进行了实现,在FFH/BFSK系统中做了仿真验证.结果表明,在0～25dB的信噪比变化范围内,估计和预测误差较小,能够对信道质量做出实时评估.可以应用于快速自适应跳频通信系统.     

基于小波消噪技术的轧机轴承早期故障诊断

由于背景噪声的影响,滚动轴承的冲击故障只有发展到一定程度后,才会在频域中体现明显的倍频特征．因此,直接采用频谱分析无法实现早期故障的特征提取．利用小波变换的“带通滤波”特性,可以将信号按照特定的频段进行分解,分解信号的单支重构可以将噪声与可用信号进行成功分离;采用预先设定的阈值对高频分解系数处理后进行全局重构同样可以达到消噪的目的．针对现场采集的轧机轴承振动信号,采用多种方式消嗓后的信号处理结果表明,含有故障特征的低频信息被成功提取,从消噪信号的频谱图中可以及早辨识故障轴承的特征频率,实现早期故障的精确定位．     

液压泵的轴承特征信号提取及故障诊断

本文利用细化FFT分析和包络检测原理,检测蕴含于振动响应中的液压泵轴承故障特征。与传统的轴承故障检测技木相比,其优越性在于可以提取振动信号的高频能量中的低频调制信号,从而大大提高了故障特征信号的信噪比。关于轴承滚子点蚀故障的对比实验表明,包络分析是提取微弱低频调制信号的有效方法,尤其适于液压泵一类存在强烈动力噪声和其它振源干扰的场合。     

EMD遗传神经网络方法

针对BP(back propagation)神经网络搜索速度慢、容易陷入局部最小的缺陷,提出了经验模态分解(EMD)遗传神经网络方法,首先用对带噪的信号进行分解,得到信号的各阶本征模函数分量,每个本征模函数分量对应着一个能量不同的频段,即一种故障特征,将各频段能量的特征向量作为优化神经网络的输入样本;其次用遗传算法对神经网络的初始权值和阈值进行优化.利用EMD遗传神经网络方法对滚动轴承多类故障信号进行分析,可提高故障识别能力.     

陀螺飞轮信号的EMD/LPF混合去噪方法

为提高陀螺飞轮系统的标定与辨识精度进而保证姿态测量性能,对其信号去噪方法进行研究以便从复杂噪声中提取标定辨识所需的有用信息.首先基于噪声产生机理对陀螺飞轮信号的噪声特性进行分析.其次,在不影响信号低频特性的前提下,采用传统低通滤波（LPF）方法对信号进行预处理以抑制高频周期噪声.然后应用经验模态分解方法（EMD）对LPF预处理后的信号进行分解,根据信号和各模态分量的概率密度函数的相似性度量,给出一种模态判定准则.在此基础上,结合现有阈值滤波方法,提出一种EMD/LPF混合去噪方案. 结果表明:所提出的基于相似性度量的模态判定准则在不同信噪比条件下均能够实现分界点的准确判定;将所研究的去噪方法分别应用于标准测试信号和陀螺飞轮实测信号;所提出的混合去噪方法相比于现有去噪方法更为有效.     

基于小波-VMD-Teager能量算子的滚动轴承微弱故障诊断

针对滚动轴承的单一故障进行诊断,提出了将小波VMD-Teager能量算子相结合和小波CEEMD-Teager能量算子相结合的诊断方法。对于滚动轴承的故障信号首先是进行小波降噪,使用VMD分解得到IMF分量,利用峭度和相关系数的大小选择合适的IMF分量,进行重构。通过对重构的IMF进行Teager能量算子包络解调处理,最后可以得到不同故障程度的轴承故障的特征频率。对比VMD处理和CEEMD处理得到的故障信号包络图,利用实验数据验证表明, VMD处理能更有效提取滚动轴承的单一故障微弱特征。     

基于瞬时频率的超声信号数字处理方法

使用非线性时频分布对超声信号进行处理,充分考虑到了信号的时域、频域和相位的信息,根据超声信号在缺陷和噪声处瞬时频率的不同,结合超声信号的空间投影特点,提出了一种基于信号瞬时频率的超声信号处理方法.首先使用CWD把信号变换到时频域,估计出信号瞬时频率,然后通过瞬时频率的有序度对超声信号进行加权处理.该算法不仅消噪性能好,而且缺陷定位准确.