基于自适应累量算法的舰船轴频电场信号检测方法

提出一种新的舰船轴频电场信号检测方法.该方法利用高阶累量对高斯噪声的抑制作用,首先使用基于自适应累量算法的FIR滤波器对接收信号进行滤波消噪处理,以提高信噪比;然后再对滤波输出信号进行滑动功率谱检测.实测数据处理结果表明了该方法的稳健性和有效性.     

基于空间采样法的齿轮调相振动信号解调

在对机械设备的齿轮部件进行振动监测时,由于载荷以及转速波动等因素的影响,会引起振动信号的相位调制,使得频谱严重失真.通过对调相现象的理论分析和数值仿真计算,提出了基于空间采样的齿轮振动调相信号的解调方法,结果表明,该方法可以获得有价值的振动信号,从而进行有效的齿轮故障诊断.     

应用于鱼雷远程报警的鱼雷出管信号检测

潜艇在进行鱼雷攻击时发射噪声高于环境噪声,如果能及时检测到此时鱼雷的出管信息将有利于提高鱼雷的报警距离。针对鱼雷发射时瞬态噪声的特点,分析了基于高阶谱、双谱和小波分析等几种信号检测方法,探讨了进行鱼雷出管信号检测的可行性和有效性,该方法的应用将极大提高舰艇的防御能力。     

基于高阶谱净化的水声目标宽带调制信号检测

针对水声目标解调谱轴频提取中低信噪比和低频信号干扰严重的问题,给出了一种检测水声目标辐射噪声宽带调制信号的方法。首先利用希尔波特变换解调出信号包络,进而计算出解调谱;根据螺旋桨桨叶旋转产生的调制线谱存在明显的谐波关系,利用高阶累计量对角切片对解调谱进行净化;根据线谱波形特征进行线谱检测识别得到比较干净的线谱成分。通过实际舰船噪声检验分析,该调制信号检测方法能够较好的检测出水下目标辐射噪声中调制线谱的基频以及谐波成分。     

目标识别中的特征提取技术

总结了目标识别中特征提取的几种常用方法,重点介绍了基于高阶谱的特征提取,并给出了高阶谱特征提取方法在水下目标识别中的实际应用,实测数据的实验表明,该方法具有较好的类别可分性,在目标识别中具有一定的应用潜力。     

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

一种基于压缩感知的OFDM调制识别方法

卫星通信信号频带宽、传输数据量大的特性,为解决其处理困难的问题,提出一种基于压缩感知的OFDM信号调制识别方法,对OFDM信号进行稀疏变换后,在非重构的条件下直接对欠采样测量值进行处理,根据OFDM信号在高阶累积量上的性质进行调制识别。推算了几种单载频调制信号的欠采样后的高阶累积量理论值;分析了OFDM信号的渐进高斯性,通过这一性质可以将OFDM信号与其他单载频调制信号区分,做到OFDM信号的调制识别;仿真实验结果表明,该方法可以在欠采样的情况下以较高概率完成对OFDM信号进行调制识别,并且有较好的抗噪性。     

基于倒谱分析的低信噪比瞬态声信号检测方法

低信噪比条件下,瞬态信号能量被噪声信号能量淹没,造成传统信号检测器性能下降甚至失效。为了解决该问题,首先根据信号能量在倒谱域的衰减特点,提出了一种低信噪比条件下的瞬态声信号检测新方法;然后,分别对接收信号进行倒谱计算,将倒谱序列用EMD分解为IMF,第一阶分量中幅值最大的脉冲尖峰即对应瞬态信号到达时刻;最后,选用美国海军水下战中心给出的典型瞬态信号模型进行理论推导,并通过数值仿真及系泊实验进行了效果验证。实验结果表明,与传统瞬态信号检测方法相比,倒谱域检测方法在低信噪比条件下能取得良好的检测效果。     

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。     

基于动力学仿真的行星变速箱故障机理研究

针对某型行星变速箱故障机理研究欠缺和故障诊断困难的问题,在刚柔耦合动力学理论和齿轮故障信号模型基础上,建立了行星变速箱齿轮-箱体刚柔耦合动力学模型,分别计算行星变速箱正常状态和齿轮故障下的齿轮啮合力和箱体表面振动信号,进而研究齿轮故障机理,最后通过对故障模拟试验采集的实测信号与仿真信号的频谱成分对比,验证了所建模型的正确性。结果表明:齿轮发生故障时,振动信号频谱会出现相应的特征边频带。     

基于阶次跟踪和BP网络的齿轮箱故障模式识别

在对齿轮箱的原始振动信号进行时域采样的基础上,利用小波包分析对其进行消噪,然后对得到的数据进行角域重采样,得到基于阶次跟踪的采样信号,再对该信号进行特征参量提取,最后利用BP网络对得到的故障特征参量集进行模式识别。该方法能够避免传统分析方法中难以克服的“频率模糊”现象,对于瞬态信号有较好的分析处理能力,是对传统频谱分析法的有力补充。     

基于阶次分析方法的齿轮箱齿轮故障诊断研究

研究了旋转机械非稳态振动信号分析中的计算阶次分析方法．分析了该方法在重采样过程中的采样率设置规则．利用插值算法实现了对等时间间隔采样的齿轮箱振动信号的角域重采样,将其应用于齿轮箱加速过程故障诊断,成功识别了齿面磨损故障．结果显示,阶次分析法能有效避免传统频谱方法出现的频率模糊现象,在处理非平稳转速变化信号时具有独特的优越性．     

形态滤波和自相关降噪的Hilbert边际谱在轴承故障诊断中的应用

Hilbert边际谱是Hilbert-Huang变换在频域的一种表示形式,适合分析机械故障诊断中广泛存在的非平稳信号,但是噪声会影响Hilbert边际谱的分析精度。针对从装甲车辆机械系统采集的振动信号中噪声的特点,将形态滤波和自相关相结合,对振动信号进行降噪,提高了Hilbert边际谱对振动信号的分析精度,并在某型坦克变速箱主轴7216轴承滚动体点蚀故障诊断中得到了应用。     

齿轮箱故障诊断特征级数据关联方法研究

提出了齿轮箱故障诊断特征级数据关联的定义．在该定义的基础上,提出了基于Bootstrap方法的小样本诊断特征参数关联的方法．利用某型齿轮箱振动试验台测取的振动加速度响应信号对提取的特征参数进行了关联评估,基于Bootstrap方法的特征级数据关联方法正确区分出了效果不好的特征参数,证实了该数据关联方法的正确性．     

基于最优Morlet小波的全信息能量熵提取及其在滚动轴承状态监测中的应用

为利用振动信号中隐含的冲击特征成分来反映轴承性能退化趋势,综合利用小波变换技术和全信息技术,提出一种基于最优Morlet小波变换的全信息能量熵提取方法．以最小Shannon熵优化Morlet小波形状参数,通过多源振动数据的小波变换系数,利用信息熵综合反映冲击特征能量在不同频带分布差异．滚动轴承全寿命数据的应用结果表明,全信息能量熵的变化趋势能够监测轴承状态的劣化过程,而伴随的早期故障检测可以提高轴承使用的安全性．     

小波相关特征尺度熵在滚动轴承故障诊断中的应用

将小波相关滤波方法与Shannon信息熵相结合,提出了一种故障检测与诊断的方法——小波相关特征尺度熵故障法。首先利用小波相关滤波方法提取滚动轴承故障振动信号的微弱故障信息特征,以求得信噪比较高的尺度域小波系数;然后结合Shannon信息熵理论给出了沿尺度分布的小波相关特征尺度熵定义及其计算方法。小波相关特征尺度熵能够定量表征不同尺度的能量分布,各尺度能量分布的均匀性可以反映滚动轴承的运行状态的差别,选取最能反映故障特征的小波相关特征尺度熵作为特征参数,通过所选取的小波相关特征尺度熵大小判断滚动轴承的工作状态和故障类型。实验证明该方法能有效地判断滚动轴承故障特征,为滚动轴承故障诊断提供了新的思路。     

近似熵在发动机故障诊断中的应用研究

介绍了近似熵的概念、主要特点及其算法，提出了基于近似熵的特征提取方法，并且讨论了近似熵值计算中3个参数的选择原则，并对发动机声信号进行了分析处理。通过对比正常状态与故障状态的近似熵值，根据其变化有效地提取发动机故障特征，从而实现了对发动机状态的监测与诊断。实验结果表明近似熵在分析复杂信号特征方面具有很强的能力，在判别机械设备运行状况方面具有很好的效果，是一种行之有效的新方法。     

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。