基于HHT的雷达杂波抑制

传统时频分析方法不适于分析非平稳信号,Hilbert-Huang变换(HHT)是近年兴起的一种自适应、高效处理非线性、非平稳信号的时频分析方法.针对传统时频分析对雷达杂波抑制的局限性,采用HHT方法抑制雷达杂波.HHT方法对雷达回波信号的时频特性具有较高的分辨能力,能够清晰地突出目标弹性成分.仿真结果表明使用EMD结合阈值去噪、尺度滤波方法对抑制雷达回波中的杂波有一定效果.     

基于MHMM-SVM混合模型的雷达发射机性能退化状态监测

雷达发射机结构复杂,早期性能退化状态呈现多样化。为此,给出了一种MHMM-SVM故障诊断模型。该模型首先通过小波分析来提取观测信号的特征向量,然后从提取的特征向量中提取部分作为样本完成模型训练并生成发射机各种退化状态的分类器,最后给出诊断结果。仿真验证结果表明:MHMM-SVM故障诊断模型对电子装备早期故障的识别率明显优于MHMM、SVM单一模型。     

基于EEMD和平滑能量算子解调的轴向柱塞泵故障特征提取

针对液压泵振动信号出现的调制现象,提出基于集总平均经验模态分解(ensemble empirical mode decomposition,EEMD)和平滑能量算子解调相结合的方法进行解调,并运用小波包分解频带能量的方法提取了轴向柱塞泵的特征向量.首先,利用EEMD将采集到的柱塞泵振动加速度信号分解成若干个平稳的本征模函数(IMF);然后,选取包含主要故障信息的本征模函数通过能量算子解调的方法进行包络解调,从而提取振动信号在高频谐振带的包络成分;最后,运用小波包理论提取各频带的能量作为特征向量.结果表明:基于EEMD和平滑能量算子解调的方法能有效地避免模态混叠现象,提取振动信号的包络成分,成功获得各种状态下的特征向量.     

基于时频图像三维熵特征的雷达信号识别

针对雷达信号识别算法存在着准确率低以及抗噪性差的问题,提出基于时频图像三维熵特征的雷达信号识别算法。该方法对雷达信号时频变换后得到的时频灰度图提取其香农熵(Sh En)、奇异谱熵(Ss En)和范数熵(No En),并将三维熵值作为信号识别的特征向量,采用支持向量机实现信号的分类识别。仿真实验表明,提出的算法能够在低信噪比下得到较高的正确识别率。     

基于形态分量分析和EEMD样本熵的自动机故障诊断

针对自动机故障诊断过程中振动信号故障特征较难提取的问题,提出了结合形态分量分析(MCA)和总体经验模态分解(EEMD)的自动机故障特征提取方法。根据自动机振动信号组成成分的形态差异,利用形态分量分析方法构建不同的稀疏字典对各组成成分进行分离,消除噪声分量,提取出反映主要故障特征的冲击分量;对所提取的冲击分量进行EEMD分解并计算各IMF分量的样本熵值,以此作为故障特征向量输入基于离子群优化的支持向量机(PSO-SVM)进行识别。通过自动机典型故障诊断试验表明:形态分量分析方法可有效分离出自动机振动信号中的冲击成分;同时,所提出的特征提取方法能够有效地进行自动机故障诊断。     

基于DPCA和Radon变换的多通道SAR微动目标检测

为实现强杂波噪声条件下SAR微动目标检测,在DPCA信号的距离压缩域提出基于Radon变换和基于时频分析—逆Radon变换的2种微动目标检测方法。在距离压缩域,微动目标回波表现为沿方位向直线,利用Radon变换对直线的聚焦性实现微动目标检测;对DPCA信号作时频分析,微动目标引起的微多普勒频率表现为正弦形式,利用逆Radon变换对正弦曲线的聚焦性实现微动目标检测。通过对比,基于Radon变换的检测方法参数估计性能更好,而基于时频分析—逆Radon变换的检测方法具有更高的检测概率。最后,通过实验仿真验证了所提方法的有效性。     

粒子群优化齿轮箱振动信号周期分量提取方法

为了从齿轮箱振动信号中快速获得各零部件的振动信号,给准确定位故障部件提供理论依据,提出了一种适合于齿轮箱振动信号周期分量提取的改进型粒子群优化算法。在对齿轮箱振动信号、周期信号振幅与对应频率间的关系以及初始相位与对应频率间的关系分析的基础上,以各特征频率及其组合为基准生成初始种群进行优化,减少了周期信号提取中的盲目性,加快了周期信号的提取过程。最后,对实验室的齿轮箱进行了不同工况下振动信号的检测,以这些信号为例进行了周期分量的提取,结果说明所提方法是可行有效的。     

基于MED和EEMD的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障特征难以提取的问题,提出将最小熵反褶积(MED)和集成经验模态分解(EEMD)方法相结合用于提取轴承微弱故障特征的方法。首先,采用MED对滚动轴承振动信号降噪,以增强冲击特征;然后,利用EEMD分解降噪后信号得到一组固有模态分量(IMF),依据相关系数和峭度准则,选择敏感的IMF分量重构信号,并采用希尔伯特包络解调提取故障特征;最后,通过仿真信号和实验台信号验证了该方法的有效性。     

基于Maxwell2D和Simplorer的永磁同步电机退磁模型设计

永磁体退磁故障是永磁电机的常见故障,对电机退磁故障进行早期检测和诊断可以有效防止灾难发生,具有重大意义。建立不均匀退磁故障状态下的Maxwell2D电机模型,利用仿真软件Maxwell2D与Simplorer构建永磁同步电机联合仿真系统,分别对电机的正常状态模型与退磁故障模型进行仿真,并对相电流信号进行分析。利用EMD-LSSVM变换建立的故障诊断模型对不同程度的退磁故障进行诊断。仿真结果表明:该模型可以精确地识别出微弱的退磁故障,验证了联合仿真退磁模型的正确性。     

基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

基于小波包变换和伪魏格纳分布的轴承故障诊断

将小波包变换理论和伪魏格纳分布应用于齿轮箱故障诊断中,结合实例对轴承的振动信号进行分析,结果表明:小波包变换能有效地提取各频段的高频成分,通过对提取的信号做伪魏格纳分布,结果能形象、直观地反映出轴承故障的时-频信息,而且对故障信息具有较强的判别能力。     

基于类别可分性准则的金属磁记忆信号小波能量谱特征提取研究

为了解决金属磁记忆信号小波能量谱特征存在的相关性和冗余性问题,利用类别可分性准则,在提取金属磁记忆信号小波能量谱的基础上,将能量谱特征进行变换提取最优特征向量。将能量谱特征向量、最优特征向量和低频特征向量作为支持向量机的特征输入量分别对不同检测区域的金属磁记忆信号进行识别。实验结果表明：最优特征向量能够减小小波能量谱特征的相关性和冗余性,有效提高支持向量机识别的准确率。     

时频域综合分析的雷达信号识别方法

针对现有雷达信号分选与识别方法对噪声敏感、适用信号类型有限等问题,提出一种综合应用STFT变换、Hough变换与相位检测的新方法,实现了低信噪比下未知复杂雷达信号的高准确率识别与信号频率及频率调制率的估计。对接收到的信号首先通过短时傅里叶变换(STFT)提取时频信息,并利用霍夫(Hough)变换进行信号的粗分类,再通过相位检测实现信号细分类。仿真实验验证了该方法在低信噪比下依然保证了较高的识别准确率与参数估计准确率。     

小波分析和神经网络结合的变速箱状态识别

针对变速箱故障信号的非平稳和时变特性，提出了小波分析和神经网络结合的变速箱状态识别方法。为了验证该方法的有效性，试验模拟了某型车辆变速箱正常、7216轴承滚动体点蚀及3挡被动齿轮严重磨损3种状态，以箱体振动信号作为分析信号，首先对信号应用小波阈值法降噪减少干扰，接着将小波分解系数单子带重构得到不同频带的信号分量，提取各频带能量作为特征向量输人神经网络进行状态识别，结果表明该方法能有效识别变速箱的3种状态。     

基于改进LS-SVM的异步电机转子故障诊断

为了提高异步电动机转子故障的诊断精度,给出了一种基于改进最小二乘支持向量机(LS-SVM)的多故障分类算法。首先运用FFT处理电机的定子电流信号得到信号频谱图,从中提取故障特征向量;然后将特征向量送入改进算法进行故障诊断时,在原有多分类算法的基础上引入层次分析法确定故障类别的权重,根据权重值确定故障的诊断顺序,依次进行故障分类。实验表明,改进算法用于故障诊断节省了诊断时间,提高了诊断精度,具有很好的推广前景。     

基于微多普勒周期相关性的弹道群目标信号分离

针对弹道群目标微多普勒信号分离问题,提出了一种基于微多普勒周期相关性的弹道群目标信号分离算法。对进动目标和旋转目标进行了微动建模,分析了其散射中心在窄带信号下的微多普勒效应,并给出了其参数化表达式。利用STFT对窄带回波进行了时频变换,获取了回波时频图,并采用奇异值分解(SVD)和高斯空间掩模方法分别对时频图进行了消噪和平化处理。再依据散射中心微多普勒瞬时频率的变化规律,采用Viterbi算法对群目标微多普勒曲线进行了提取。最后将提取出的曲线进行傅里叶变换,根据群目标微多普勒周期的相关性,实现了群目标信号的分离。仿真验证了所提方法的有效性和准确性。     

火炮射击冲击加速度信号提取方法研究

火炮结构在受到射击产生的冲击时易发生故障,最终影响火炮的寿命和性能。故障信号通常淹没在冲击加速度信号中,不易被识别。针对上述问题提出一种基于经验小波变换(EWT)和能量算子的信号提取方法,通过能量算子增强冲击响应特征,改进传统EWT的频谱分割方法,将火炮加速度信号分解为多个模态,有效地提取火炮的冲击特征。实验表明,改进后的EWT方法相对传统EWT对故障信号提取效果更好,时频图表现更清晰。     

基于微动目标主体信息的平动补偿方法

目标的平动和微动均会对雷达信号产生调制,其中,微动信息的提取对目标识别具有重大意义.选择对点散射模型进行分析,构建回波信号模型.根据信号在时频分布中的特点,通过霍夫变换(TFD-Hough)获得平动参数,重构出参考主体信号,进而补偿主体回波信号,再经高通滤波器处理,最终实现平动调制的补偿以及微动信号的分离.仿真实验验证了该方法的有效性.     

基于IMCKD与谱负熵的滚动轴承故障诊断方法

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击信号常被强大噪声淹没,导致轴承故障诊断难度较大的问题,提出一种基于改进的最大相关峭度解卷积(IMCKD)与谱负熵的故障特征提取方法。首先,采用改进的最大相关峭度解卷积以最大相关峭度为目标对原始振动信号进行降噪处理,检测信号中的周期性冲击成分;然后,以最大谱负熵值为准则寻找信号的最佳分析频段;最后,通过平方包络解调提取出轴承的故障特征。仿真和实测信号验证了该方法的有效性。     

基于LCD与双谱分析的齿轮故障特征提取

针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(Bayesian Information Criterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(Intrinsic Scale Component,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。