机械状态振动烈度监测方法研究

介绍了振动标准和振动测量的基本现状,分析了振动烈度的时域和频域计算方法,后者对信号类型的适用性强,对计算频率范围的选择灵活,避免了利用微积分进行信号类型转换和滤波等复杂处理,通过实例给出了应用振动烈度监测机械设备状态的注意事项。     

基于EMD和神经网络的气阀机构故障诊断研究

运用经验模态分解(EMD)对柴油机缸盖振动信号进行分析,求得各内禀模态函数(IMF)的能量百分比;将能量百分比作为神经网络的输入进行网络训练和故障识别,实现了气阀机构的故障诊断,取得了较好的效果。     

坦克柴油机振动检测时提高振动信号信噪比的方法

研究了柴油机振动信号的时域同步平均方法,针对柴油机振动信号的循环波动性特点,提出了按曲轴转角进行角域同步平均的方法,减小循环波动性对信号分析的影响。利用多抽样率分析方法消除了同步平均时柴油机转速波动的影响。通过对坦克柴油机汽缸盖振动信号的处理结果表明,该方法可有效提高信噪比。     

近地卫星Ka频段数传链路抗雨衰自适应模式设计

针对近地卫星数传时的信道时变性和严重的Ka频段雨衰现象,采用自适应编码调制(Adaptive Coding and Modulation, ACM)技术能够充分利用链路资源,相对于传统的固定编码调制方式,进一步提高链路的数据吞吐量。提出近地卫星Ka频段数传链路ACM模式设计方法,在降雨环境下建立Ka频段数传链路模型,根据链路预算的信道状况确定ACM选用模式;采用基于导频符号的最大似然信噪比估计算法结合移动平均的平滑方法实现信道估计,有效地减小了估计值的波动。仿真结果表明,无论晴天还是雨天,采用提出的卫星数传链路ACM模式设计方法,能够在保证系统可靠性的同时获取较高的数据吞吐量。     

混沌背景下基于神经网络的编码信号检测新方法

提出了一种混沌背景下的编码信号检测新方法。信号检测过程包含两个步骤:混沌信号的预测和检测判决。该方法利用非线性前馈神经网络进行混沌信号模型的创建,并采用13位巴克码作为编码信号。仿真结果表明,通过该方法进行编码信号检测可以得到较高的检测概率和较低的虚警概率,整体检测性能较高,并且对于不同信噪比的信号具有较强的鲁棒性。     

载频带宽同步倍频的高频大带宽线性调频信号光产生方法

针对高载频、大带宽线性调频信号产生需求,提出一种基于级联马赫-曾德尔调制器(Mach-Zehnder Modulator, MZM)的载频带宽同步倍频的高载频、大带宽线性调频信号光产生方法。理论分析表明,通过合理设置级联MZM的直流偏置点和线性调频信号幅度等参数,可产生载频和带宽同步倍频且倍频系数可调的线性调频信号。在此基础上利用光学系统软件进行相应的仿真验证,利用载频和带宽分别为5 GHz和2 GHz的线性调频信号产生了载频和带宽分别为40 GHz、15.07 GHz和58.25 GHz、19.5 GHz的线性调频信号。仿真结果验证了该方法的可行性,也验证了产生的信号具有较好的压缩性。     

基于定点DSP的计算阶次跟踪研究

对于转速变化的旋转机械,常规的频谱分析方法不能反映其振动信号的真实状态;同时,在转速变化剧烈的情况下,传统阶次分析仪器采用的转速脉冲到达时刻测量方法精度不高。针对以上问题,采用基于定点DSP的计算阶次跟踪方法,通过TMS320C5402定时器的精确计时功能实现高精度转速脉冲到达时刻的测量,同时利用DSP的McBSP(Multi-channel Buffered Serial Port,多通道缓冲串行口)同步采集振动信号,实现混合信号的采集和处理,完成基于DSP的实时阶次跟踪,并通过变速箱启动的实例验证了算法的有效性。     

匹配追踪信号分解法在进气门间隙故障诊断中的应用

介绍了匹配追踪信号分解法在发动机故障诊断中的应用。针对康明斯6BT5.9型发动机进气门振动信号,采用时域表达较为理想的高斯函数作为信号展开的基元函数进行信号分析,并进行了试验验证。     

一种稳健的自适应IIR陷波器复数级联算法

针对背景噪声中多个复正弦信号的提取问题,提出利用二阶陷波器复数算法的级联来实现,并给出了一种自适应级联算法.基于对软件复杂度和计算量的考虑,在这种算法的基础上又给出一种改进的二阶自适应陷波器级联的复数算法,大大降低了系统复杂度和计算量.仿真实验表明,两种陷波器级联算法均能很好地提取背景噪声中的复正弦信号,并准确估计复正弦信号的频率.     

一种改进的小波域LFM雷达信号参数估计算法

提出了基于重排小波-Radon变换的线性调频信号的参数估计法。该方法先将小波尺度图转为时频分布图,为提高聚集性引入了时频重排,再将重排图进行Radon变换以进行参数估计。仿真结果表明,该方法有效提高了时频分布图的聚集性,节省了后续Radon变换的时间,同时也抑制了噪声干扰,辨识效果明显提高。