混沌背景中微弱谐波信号检测的SVM方法

为了提高混沌背景下的微弱谐波信号检测能力，提出了一种提取混沌背景中微弱谐波信号的支持向量机（support vector machines，SVM）方法。该方法的突出特点是针对小样本或嵌入维数未知的情况，建立混沌噪声的一步预测模型，抑制噪声对混沌背景信号预测的影响，起到预滤波作用，然后从预测误差中提取微弱谐波信号。实验结果表明，该方法具有比传统RBF神经网络预测方法更强的稳健性和泛化性，在信噪比（SNR）为-47．931dB时仍可检测出强混沌中的微弱谐波信号。     

检测混沌背景中微弱正弦信号的神经网络方法

提出了一种提取混沌背景中微弱正弦信号的神经网络方法。该方法利用RBF神经网络对被噪声污染的混沌背景建立最优一步预测模型，结合频域处理的方法从预测误差中提取微弱正弦信号。改善了信噪比，在混沌背景中存在白噪声和任意色噪声情况下，均能检测出微弱正弦信号，微弱正弦信号与混沌背景的检测信噪比门限最低可以达到-37dB。     

基于噪声和混沌振子的微弱信号检测

利用混沌振子来检测淹没在强噪声背景中的微弱信号，详细研究了Duffing振子检测微弱信号的原理和过程。理论分析和仿其实验均表明混沌振子能有效地检测微弱信号。     

微弱正弦信号的一种新的混沌检测系统

用特定的Duffing-Holmes方程实现了强噪声背景下弱正弦信号的有效检测.并用梅尔尼科夫函数给出系统出现混沌状态的阈值.仿真实验表明该混沌系统对微弱正弦信号非常敏感,对任意零均值噪声均具有极强的抑制能力,系统信噪比工作门限可达到-90dB.     

基于Lorenz系统的微弱谐和信号检测

基于非共振参数激励混沌抑制原理,利用受控Lorenz系统实现强噪声背景下微弱谐和信号的检测。根据检测系统经平均法和重整化方法处理后的参数等效关系,确定使系统动力学行为由周期轨道突变为稳定平衡点的检测参数临界值。仿真结果表明此系统可以准确检测出强噪声背景下的微弱谐和信号。相比于现有的混沌振子检测方法,此方案可由理论分析得到参数阈值的准确范围,且判决准则简单,有利于实现自动检测。     

基于小波变换的微弱生命信号去噪问题研究

为了解决生命探测雷达回波中微弱生命信号提取难的问题,采用小波变换的阈值去噪法对强噪声背景下的微弱的人体心跳信号时域波形进行了提取,在MATLAB环境下,利用软件程序对实采的人体心跳信号进行去噪处理,得到了较好的人体心跳时域波形,验证了小波变换可以在生命探测雷达回波中微弱生命信号的提取时发挥重要作用。     

超声探测弱信号提取方法

为了在超声检测中排除噪声干扰，从强噪声背景中提取弱回波信号，利用小波变换技术从超声探测信号中提取弱缺陷回波信号，建立了超声缺陷回波的数学模型，并进行了仿真实验，其特有的“变焦距”特性使得小波分析在时域和频域中具有良好的分析能力。结果表明，利用小波变换方法能够很好地抑制噪声，提高信噪比，提取强噪声背景中的弱回波信号，且该方法原理简单，易于实现，在工程上有较高的应用价值。     

基于改进LMD与小波包降噪对故障弱信号的提取

针对微弱故障信号易被强噪声淹没的难题,提出了一种基于小波包降噪与改进LMD相结合的提取微弱信号特征向量的方法。首先选择恰当的小波基进行小波包分解,再根据计算出的最优小波包树进行信号重构,实现对原始信号的降噪处理。然后对重构的信号进行LMD分解,再计算PF分量的互相关系数和峭度值,减少虚假分量同时增强故障信号幅值。最后对真实的PF分量进行包络谱分析,提取弱信号的故障特征。实例研究结果表明:该方法能够有效地提取出淹没在强噪声中的故障弱信号的特征向量。     

基于Duffing振子的噪声背景下微弱周期信号检测

为有效地实现噪声背景下弱信号的提取,阐述了间歇混沌模型Duffing振子的混沌特性。利用Duffing振子对微弱信号具有敏感性、对噪声与频率差较大的周期干扰信号具有免疫力的特性,研究了基于Duffing振子在噪声条件下检测微弱周期信号、复合频率信号和未知频率信号的方法,用数值仿真验证了该方法的可行性。研究结果表明,基于Duffing振子的信号检测方法对极微弱周期信号检测有其独到的优势,其频率误差率在控制范围之内。     

基于符号序列信息熵混沌特性的微弱信号检测

利用混沌振子系统的初值敏感性和对噪声免疫的特点检测微弱信号,具有高灵敏度和很好的抗噪性能,其检测的关键在于对混沌振子系统所处状态的识别.针对Duffing振子系统在信号检测领域中的应用,提出了一种基于符号序列信息熵混沌特性的微弱信号检测方法.该方法利用时间序列符号化来捕捉Duffing振子系统时域输出的大尺度特征,应用Shannon信息熵定量计算时间序列中蕴藏的确定性和随机性规律,达到自动识别特定微弱信号的目的.给出了该方法的原理和相应检测程序流程图.实验结果表明,利用该方法可以准确快速地检测出微弱信号,为混沌检测研究的实用化提供了一种有效途径.     

随机共振理论在转子碰摩故障早期检测中的应用

为了尽早而准确地捕捉表征机械故障的特征信号,提出了采用随机共振（SR）原理来检测微弱的特征信号的新方法。讨论了SR检测微弱信号的基本原理。给出了检测模型并采用模拟数据对该模型进行了分析。将该模型用于转子碰摩故障的早期检测中,结果表明,该方法简单、稳健,能把信噪比较低的周期信号从强背景噪声中可靠地提取出来。     

机械振动微弱慢频变信号的混沌振子检测

机械振动微弱信号的检测与识别有利于早期故障的检测与诊断。用Duffing混沌振子检测微弱振动信号具有明显的优势。提出了用混沌振子检测慢变频微弱振动信号的方法。在给出Duffing混沌振子对微弱信号检测的基本原理后，根据慢频变信号的特征，对信号进行了周期离散，提出了对暂态信号进行时域延拓的方法，分析了可行性。提出了幅频联调方法，设计了检测原理，并给出了实现步骤。结合所提出的两种方法，对带噪声的频变微弱振动信号进行了检测分析。仿真结果和实际采集信号分析结果支持了所提出方法的适用性。     

齿轮早期疲劳裂纹的混沌检测方法

齿轮箱振动信号中调制现象普遍存在,而且啮合频率产生的周期冲击成分占很大比重,反映齿轮箱故障的特征信号的幅值相对较低,难以检测。根据齿轮箱振动信号的特点,提出了基于混沌振子的齿轮早期疲劳裂纹检测方法,区别于目前常用的基于混沌振子的微弱信号检测方法。该方法通过辨识混沌振子加入齿轮箱振动信号后发生的由大尺度周期状态到混沌状态的反向状态改变,确定齿轮啮合频率边频带的状态,从而判断齿轮裂纹的发展情况,在齿轮裂纹的监测中取得了良好的效果。     

滚动轴承故障的非线性诊断方法

反映滚动轴承故障的特征周期信号处于较低频带内，容易被噪声淹没，难以检测。针对当前的诊断方法没有充分利用其故障特征频带的问题，提出了基于混沌振子的滚动轴承故障的非线性诊断方法。该方法直接检测故障的低频特征信号，完成故障诊断。讨论了该方法的适用场合，并将其应用在滚动体剥落故障的诊断上，取得了良好的效果。     

Acoustic fault signal extraction via the line-defect phononic crystals

Rotating machine fault signal extraction becomes increasingly important in practical engineering applications. However, fault signals with low signal-to-noise ratios (SNRs) are difficult to extract, especially at the early stage of fault diagnosis. In this paper, 2D line-defect phononic crystals (PCs) consisting of periodic acrylic tubes with slit are proposed for weak signal detection. The defect band, namely, the formed resonance band of line-defect PCs enables the incident acoustic wave at the resonance frequency to be trapped and enhanced at the resonance cavity. The noise can be filtered by the band gap. As a result, fault signals with high SNRs can be obtained for fault feature extraction. The effectiveness of weak harmonic and periodic impulse signal detection via line-defect PCs are investigated in numerical and experimental studies. All the numerical and experimental results indicate that line-defect PCs can be well used for extracting weak harmonic and periodic impulse signals. This work will provide potential for extracting weak signals in many practical engineering applications.     

基于改进阶次分析与自适应VMD的变转速齿轮箱故障诊断研究

变转速齿轮箱由于工况复杂导致转频不稳定,齿轮箱的微弱故障信号可能会被掩盖在强噪声中,不能直接应用传统的时频分析方法,为故障特征的提取增加一定的难度.针对变转速信号的处理,传统的计算阶次分析方式(COT)很好地解决了变转速齿轮箱的故障特征难以提取出来的问题,但由于传统COT中所使用的重采样方法是基于样条插值法的,无法根据...     

基于多稳态随机共振的轴承微弱故障信号检测

针对双稳态随机共振模型无法有效处理调制信号的缺点,提出了一种以包络信号为输入信号的自适应多稳态级联随机共振(adaptive multi-stable cascaded stochastic resonance,简称AMCSR)信号强化方法。首先,对振动信号进行包络解调,依据包络信号分布特点,选用与信号分布相匹配的多稳态随机共振模型;然后,以故障特征频率的频谱幅值为指标,采用蚁群算法自适应地优化随机共振模型参数;最后,以噪声为强化源和驱动信号,通过级联随机共振方法对包络信号中的故障特征频率进行逐级强化,获得故障特征成分的强化信号。对实测轴承振动信号的验证结果表明,该方法能够增强故障特征频率成分,有效地提取被其他频率成分淹没的微弱故障信号。