基于局部特征尺度分解与瞬时频率谱的齿轮故障诊断

为了更准确地进行齿轮故障诊断,根据齿轮故障振动信号的多分量调幅-调频特征,提出了局部特征尺度分解和瞬时频率谱相结合的故障诊断方法。该方法首先对齿轮振动信号运用局部特征尺度分解,得到若干个内禀尺度分量,然后分别应用希尔伯特变换技术求取每个分量的瞬时频率,最后根据瞬时频率谱并进行故障诊断。通过齿轮断齿故障试验数据分析,验证了方法的有效性。     

基于滑动峭度相关性准则的局部特征尺度分解分量筛选方法

轴承故障振动信号具有非平稳、非线性特征,且可视为多个调幅-调频分量的叠加,单分量的包络蕴含了轴承的故障特征。局部特征尺度分解可将振动信号准确分解为多个内禀尺度分量之和,某些分量能清晰反映轴承的运行状态,根据包络谱可进行故障诊断。为了准确筛选有用分量,提出了基于滑动峭度相关性准则的分量筛选方法。首先,对信号进行局部特征尺度分解,得到若干个内禀尺度分量;然后,对分量和原始信号分别计算滑动峭度,生成时间序列;最后,依据分量滑动峭度序列与原始信号滑动峭度序列的互相关系数筛选有用分量。通过轴承内圈故障数据分析发现：有用分量与非有用分量之间的滑动峭度互相关系数比互相关系数差异明显,区分度更大,有益于分量的分类、筛选。     

基于BLCD分解与ACO-DBN网络的光纤振动信号识别

针对光纤振动信号受噪声干扰严重、特征提取单一和识别时间长的问题,提出了改进的局部特征尺度分解和蚁群算法优化深度置信网络的识别方法。首先,采用三次B样条函数插值拟合均值曲线改进局部特征尺度分解算法,并对原始信号进行分解得到一系列内禀尺度分量之和。其次,利用峭度因子和能谱系数构成融合指标筛选有效分量。然后,分别提取有效分量在时域、频域和时-频域的熵值特征进行融合并降维。最后,将综合特征向量馈入蚁群优化后的深度置信网络进行训练和识别,提高算法效率和识别率。采用实测数据进行实验验证,结果表明,信噪比平均提升8 dB,信号平均识别率可达95.83%,平均识别时间为0.715 s。     

基于DE-LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断难以获得大量样本的问题以及LS-SVM 模型参数选择方法易陷入局部最优的缺点,提出了一种集合经验模态分解能量熵和差分进化算法（DE）优化最小二乘支持向量机相结合的轴承故障诊断方法。首先原始振动信号采用EEMD分解得到一组固有模态函数（IMF）,从有效本征模态函数IMF分量中提取的能量特征作为输入建立支持向量机,通过计算不同振动信号的能量熵值大小来判断轴承的故障损伤程度。为了提高模型的诊断精度,采用差分进化算法对LS-SVM的结构参数进行优化,并与LS-SVM和PSO-LSSVM模型相比较。结果表明,DE-LSSVM 模型的故障分类准确性得到了提高,可以有效应用于滚动轴承故障诊断中。     

滚动轴承声信号特征提取和诊断试验研究

为解决振动检测方法不能有效识别低速旋转机械滚动轴承故障问题,利用声发射检测方法,建立了滚动轴承低速声发射信号采集试验装置,对模拟人工缺陷滚动轴承声发射信号进行了采集,进而对滚动轴承声发射信号进行总体平均经验模式分解,结合能量矩及相关系数法综合判断分解后各模态分量的真伪,据此提取出特征信号并做出其局部Hilbert边际谱,最后对滚动轴承各种故障模式进行诊断。试验结果表明该诊断方法能准确识别滚动轴承声发射信号故障频率,依据特征频率及幅值大小可对低速滚动轴承故障进行有效诊断。     

超声辅助加工系统的刀具状态自感知算法

超声波振动台内含压电材料,可以拾取切削过程产生的振动信号,实现不借助外部传感器刀具工作状态的自感知。为了从刀具振动信号中获取有效信息,该文提出一种基于经验模态分解的时频域重构算法。首先,采用经验模态分解算法将原始信号分解,得到多个固有模态函数分量和残差分量;其次,计算原始信号与各分量之间的时频域互相关系数;再次,归一化时频域互相关系数作为权重值,将固有模态函数分量和残差进行重构;最后,通过数值仿真和超声辅助加工实验,验证了基于经验模态分解的时频域重构算法的去噪性能,提取了信噪比为5.03 dB的目标信号,从而实现了超声辅助加工系统的自感知功能。     

多尺度分析在激光微多普勒效应特征提取中的应用

由于小波变换具有准确度高、抗噪性好等优点,在微多普勒效应探测方面具有很好的应用前景。利用多尺度分析（MRA）将信号进行分解并提取出含有微多普勒效应的低频平滑信息,获取了目标微小振动引起的微多普勒效应。用频谱分析和基于瞬时频率(Instfreq)的时-频域联合分析方法对原始信号及通过MRA分解得到的结果进行了对比研究。结果表明：利用时-频分析对MRA处理后的低频信号进行分析,可更加有效地提取微多普勒效应中振动信号的特征,为目标特征的识别、分类和探测提供了便利。     

基于局部均值分解和串行特征融合的光纤周界振动信号识别

提出了一种基于局部均值分解(LMD)和串行特征融合(SFF)的光纤周界振动信号识别方法。该方法先去除噪声,提取振动信号的相关信息,再进行SFF以得到具有准确描述能力的特征向量,最后采用概率神经网络(PNN)算法进行学习和分类。利用不同单一振动信号和风雨天气干扰下的不同振动信号对该方法进行验证。结果表明,该方法在上述两种情况下的平均正确识别率分别达到96.0%和96.7%,识别时间分别为0.87 s和0.91 s,在敏感信息识别和特征提取方面明显优于传统的LMD算法和SFF-PNN算法。     

EEMD-ICA在功能性近红外光谱特征信号提取中的应用

近年来,功能性近红外光谱技术(fNIRS)广泛应用于神经影像学领域。为解决fNIRS特征信号提取中的信噪频谱混叠问题,依据近红外光谱脑功能成像信号非线性与非平稳特点,提出一种结合集合经验模态分解法和独立成分分析的多分辨率联合信号提取方法EEMD-ICA。在脑功能成像仪器平台上采集多通道多波长脑功能成像近红外光密度信号,先对该信号进行集合经验模态分解将其按频率成分分解为多层本征模态函数,之后将独立成分分析应用于目标频率分量函数进行自适应去噪,最后将处理后的分量累加、重构获得近红外光谱脑功能成像的特征信号。将Valsalva氏实验测试数据作为研究对象进行滤噪处理,与经验模态分解法和集合经验模态分解法对fNIRS特征信号的提取效果对比。对实测数据的处理结果进行信噪比和误差参数分析,结果表明,该方法能够有效解决去噪过程中丢失原始信号有用信息及由于信噪频谱混叠不能完整去除噪声的问题,信号处理效果理想,对比另外两种信号提取方法更为优化。     

基于小波变换和混合遗传算法的医学图像配准

为了解决灰度图像配准中由于目标函数容易陷入局部极值而造成的误匹配问题,使参数随图像的NMI计算和多分辨率级数进行自适应调整,采用基于小波变换多分辨率策略,形成多尺度匹配模型,并将粒子群算法(PSO)作为添加算子,提出了以图像归一化互信息(NMI)作为相似性测度的混合遗传算法,对CT与MRI图像进行了配准。实验结果表明,该方法能够解决遗传算法早熟收敛问题,有效地克服信息函数的局部极值,实现图像的自动配准,具有匹配精确、鲁棒性好及效率高等优点。