一种电流弱信号特征提取方法

针对数控机床主轴电流分析中微弱电流信号被噪声淹没的问题,提出了一种将调制随机共振和D-J阈值噪声估计技术用于电流弱信号的特征提取方法。利用调制随机共振技术获得了微弱电流信号的特征频率,在频域上采用D-J阈值收缩方法对所测得的电流信号进行噪声估计,从中分离出有用信号,并根据随机共振原理对该有用信号进行了幅值估计。仿真和实验结果表明,该方法可以对数控机床主轴电流信号中的微弱电流特征信号进行频率识别和幅值估计,克服了传统电机电流分析方法无法识别微弱电流信号的缺点,能够准确地提取出微弱电流信号中的特征频率,可对微弱特征信号进行比较准确的幅值估计,因此具有较强的工程实用价值。     

按类统计方法在滚动轴承可视化可靠性动态评估中的应用

针对目前滚动轴承可靠性评估中性能指标的概率模型大多为单性能指标的静态概率模型,且与实际概率模型误差较大的问题,提出了基于按类统计的滚动轴承可视化可靠性动态评估技术。利用轴承可靠性下降时,其空间状态发生跃迁、概率模型类别会逐渐增多的特点,以滚动轴承的均方根和峭度这两个性能指标为分析对象,采用核密度法建立起初始按类概率模型。对初始按类概率模型进行可视化处理得到初始按类概率图像模型,计算非正常类的图像分布区域面积占总图像分布区域面积的比值得到故障率,进而得到可靠性指标。当数据样本不断累积更新,可实现滚动轴承可靠性的动态评估。对美国智能维护系统中心提供的滚动轴承寿命实验数据进行分析,结果表明,提出的动态按类概率模型能够及时跟踪滚动轴承的退化过程,可靠性指标能够实时反映滚动轴承的退化程度,具有较强的工程实用价值。     

去除癫痫脑电信号运动伪迹的变分模态分解-自适应熵阈值方法

针对癫痫发作前期脑电信号中含有运动伪迹影响癫痫预测的问题,提出一种变分模态分解-自适应熵阈值(VMD-AET)的运动伪迹去除方法。设计了实验室环境下8种模拟运动状态,分析不同运动状态下脑电信号的变化规律;利用VMD方法获得脑电信号各频带的变分模态分量,对分量进行能量熵求解和排序;采用不同的熵阈值进行运动状态下伪迹分量的去除,比较得到能量熵的最优阈值,得到不含运动伪迹的脑电信号;采用Matlab软件使用VMD-AET方法实现了脑电信号中运动伪迹的有效去除。实验结果表明:每种运动状态均能达到去伪迹效果,在跑步时伪迹去除率和信噪比提升最高;对癫痫病人发作前期脑电信号的伪迹去除率为5.54%,信噪比提升达到10.35 dB;与常用的独立成分分析和经验模式分解的阈值法进行对比,所提VMD-AET方法的伪迹去除率和信噪比提升了1.47%和3.36 dB,可满足对移动脑电运动干扰的预处理要求。