共查询到20条相似文献,搜索用时 93 毫秒
1.
盲分离方法通常要求对混合信号进行去相关,提出了一种基于两次去相关的振动信号盲分离方法.首先对传统的预白化方法进行了分析,指出其本质就是空间去相关;然后对白化后信号某一非零延迟进行时间去相关,得到两次去相关盲分离方法,并对该方法的可分性进行分析,给出两次去相关盲分离方法的详细步骤;最后分别用亚高斯、超高斯的混合信号和振动混合信号的分离试验验证了该方法的可行性. 相似文献
2.
基于PDE的振动信号去噪 总被引:2,自引:0,他引:2
通过研究偏微分方程(Partial differential equation,PDE)在图像去噪中的原理和方法.针对传统滤波去噪方法所存在的问题,提出一种基于PDE的机械振动信号去噪方法.详细分析基于Gauss滤波核函数的PDE去噪模型,并推导模型的离散化过程.与传统去噪方法的对比试验表明,该方法可有效消除振动信号中的噪声干扰,同时保持信号的边缘特性和内部连续性,且去噪之后信号畸变少.因PDE方法本身的平滑特性,该方法的去噪效果受PDE演化的迭代次数和振动信号本身的平滑特性因素的影响,对低频振动信号具有更好的去噪效果. 相似文献
3.
针对现有机械振动信号去噪算法需要一定先验知识的问题,提出了一种基于字典学习和稀疏编码的自适应去噪滤波方法。根据信号的本质特性,应用在线字典学习方法对原始数据进行学习和训练,寻求数据驱动的最优字典空间。引入正交匹配追踪算法,确定原始信号在最优字典空间上的稀疏表示。基于稀疏编码和优化字典,重构原始信号,实现信号去噪。仿真和试验结果表明,相对于现有去噪方法,基于字典学习和稀疏编码的方法自适应能力强,去噪效果好。 相似文献
4.
5.
平稳小波变换在轴承振动信号去噪中的应用 总被引:1,自引:0,他引:1
为有效提取振动信号中的故障特征,提出了一种基于平稳小波变换的降噪方法,阈值大小取决于不同尺度上故障信号的小波分解系数的峭度。实例分析表明,该方法具有良好的去噪性能,并能很好地提取振动信号中的故障特征。 相似文献
6.
7.
8.
基于DSP的振动信号检测仪 总被引:1,自引:0,他引:1
采用DSP芯片TMS320VC5402对机械振动信号进行实时分析处理,设计了一种实时监测机械振动情况的检测系统.该系统能将机械振动的频率、振幅及相位信息传输给PC机,利用VB软件绘出振动信号的时域或频域图形,并且可以通过PC机发送分频系数给DSP,控制其采样频率,从而达到精确采样振动信号的目的. 相似文献
9.
本文通过对随机激励下的单自由度和多自由度线性振动系统的激励与响应信号进行分析处理,从而在时间域内确定性信号建立起了振动系统输入与输出之间的关系。 相似文献
10.
基于自相关的旋转机械振动信号EMD分解方法研究 总被引:3,自引:1,他引:2
提出基于自相关的振动信号经验模态分解(empirical mode decomposition,EMD)方法,该方法的步骤为,首先对振动信号进行自相关处理,然后再用EMD方法进行分解.该方法与直接用EMD分解的方法进行相比,具有如下优点, 能把受到严重干扰的信号的主要振动模态更清晰地分解出来;不用信号延拓就可以获得较好的分解效果,避免了延拓不好对EMD分解效果的影响.研究结果表明,该方法相对直接EMD分解的方法能更好地把主要的振动模态从振动信号中分解出来.该方法可广泛用于旋转机械振动信号时频分析领域. 相似文献
11.
12.
13.
14.
本文介绍了我们研制的用于高速齿轮箱质量检验的监测系统。该系统由计算机控制,在线采集齿轮箱的振动信号时,从宽带解调信号的功率谱中提取的特征,可对齿轮箱质量进行检验。实验表明该系统是有效的。 相似文献
15.
16.
基于主分量分析的柴油机振动信号特征提取 总被引:2,自引:0,他引:2
针对柴油机振动信号非线性非平稳性的特点,提出一种相空间重构理论、局域波法与主分量分析相结合的信号特征提取模型,该模型首先应用相空间重构理论从已知时间序列中抽取动力系统,然后通过主分量提取以降低空间维数、突出故障信息,最后使用局域波时频分析方法对提取的主分量进行分析。通过对6BB1型柴油机实测信号进行的特征提取与分析表明,该方法能去除柴油机振动信号局域波时频图中的冗余信息,突出故障信息,从而证明了方法的有效性。 相似文献
17.
18.
19.
在强噪声下频域的模态峰往往受到强烈的干扰,导致模态参数的提取精度下降,甚至产生模态主频误判。针对这种情形,采用谱聚类算法对振动频谱进行宏观聚类,提出了一种新的幅谱分割方法。按照波峰概念把振动信号幅谱分割成波峰的集合,把每个波峰看成一个待聚类的样本,构建波峰相似度函数、拉普拉斯矩阵和聚类算法,引入谱聚类算法进行波峰自动聚类,聚类的结果就是宏观上的单模态大峰。仿真试验表明,这种幅谱波峰分割的谱聚类算法能够减小噪声和虚假模态的影响,与已有的k-means聚类算法相比,具有更强的噪声抵抗能力和更好的聚类能力。通过对斜拉索振动进行模态测试,证实该算法能够得到符合肉眼观察的幅谱分割效果,且具有较好的稳定性和准确性。 相似文献