基于奇异向量频谱的工频干扰消除方法

针对旋转机械振动信号中的工频干扰问题,提出了基于奇异向量频谱的消除方法.振动信号经奇异值分解后,信号中的有用成分和工频分量被分解到不同的正交子空间.因奇异值谱表征信号中各个成分的能量分布,故先由奇异值谱估计与工频相应的奇异向量所在的子空间范围,然后在该范围的子空间内根据奇异向量的频谱特征确定与工频成分对应的奇异向量,进而确定工频成分对应的奇异值,将这些奇异值置0,用其余的奇异值和奇异向量重构为时域信号,从而达到消除工频干扰的目的.仿真和试验结果表明,所提出的工频干扰消除方法是有效的,在消除信号中工频干扰成分的同时不会影响信号的其他成分.     

基于小波和傅立叶变换的纱线波谱图计算

采用离散小波变换与快速傅立叶变换相结合的方法,先对纱线信号进行小波分解,再对各子带信号作快速傅立叶变换,从而得到各子带信号的频谱。截取相应频段,并在同一图形上显示,然后将各频率成分转换成相应的各波长分量,得到纱线波谱图。     

一种改进的广义谐波小波包分解算法及在信号特征提取中的应用

提出了一种改进的广义谐波小波包分解算法,克服了传统特征提取方法的缺点,实现了信号的快速无混叠分离。通过与小波包分析、经验模态分解、广义谐波小波包分解进行比较,证明其在信号分析上的有效性和优越性。基于超声波信号频率非单一性的特点,将该算法应用到超声波信号特征提取中,实现了任意频段及任意频宽的信号特征提取,且计算量小。该算法为信号特征提取提供了一种更加精确有效的方法。     

基于小波低频子带的奇异值分解的图像识别

提出一种基于小波低频子带的统一特征空间奇异值分解的人脸识别方法.首先利用小波变换提取人脸图像的低频子带,然后作傅立叶变换,获得低频子带的频谱;将低频子带的频谱投影到标准脸奇异值分解的统一特征空间,投影系数作为人脸识别特征;采用L_1距离进行最小距离分类,实验结果表明,该方法比统一特征空间奇异值分解方法可获得更高的识别率.     

谐波小波解调法在齿轮箱故障诊断中的应用

在研究谐波小波频段分解与Hilbert解调分析的基础上,提出了基于谐波小波包变换的解调分析法,并详述了其具体实现过程。该方法根据齿轮箱频谱特征与齿轮箱故障特征频率的理论计算值,确定所需提取的特征啮合分量,并在此基础上选择谐波小波包分解层数与所需提取的频带带宽;通过傅里叶变换及其反变换提取出相应的特征啮合分量,然后借助Hilbert算子对提取出的啮合分量进行包络解调分析。采用这种方法对存在磨损及点蚀故障的齿轮箱振动信号进行了分析,结果表明,基于谐波小波包的包络解调法具有精确提取任意频段调制信息的能力,能够为齿轮箱故障源的准确定位及故障程度提供可靠的判断依据。     

基于共振稀疏分解与子带增强的滚动轴承声学诊断方法

针对轴承声信号易受环境噪声干扰,导致声学诊断结果准确率低的问题,提出一种结合共振稀疏分解与小波降噪选取核心冲击子带、对信号进行二次降噪的滚动轴承诊断方法。首先采用共振稀疏分解算法对原始声信号进行降噪处理,提取信号瞬态冲击成分;然后通过小波包变换对信号进行分解,依据各子带信号峭度值选取核心冲击子带信号进行线性叠加并重构;最终通过包络谱分析确定轴承故障。故障模拟实验结果表明,本文方法可有效增强复杂声场环境下轴承声信号的冲击特性,实现针对滚动轴承的声学诊断。     

基于小波包分解的滚动轴承故障诊断

提出了一种基于小波包分析的滚动轴承故障诊断方法用于实现滚动轴承早期故障的检测.该方法的诊断过程如下:对轴承原始振动信号进行频谱分析,获取振动信号能量集中的频段.根据频段的范围和振动信号的采样频率确定小波包分解的层数.采用小波包分解的方法提取滚动轴承振动信号中能量集中的频段并生成相应的重构信号,对重构后的振动信号进行Hilbert变换和二次频谱分析.通过对比轴承故障的特征频率和二次频谱中的特征谱线判断轴承是否有故障及其发生位置.运用上述方法对具有外环故障的滚动轴承进行了实验研究并成功地实现了滚动轴承外环故障的检测.实验结果表明基于小波包分析的诊断方法可以有效诊断出滚动轴承的早期故障.     

基于正交性检测的宽带DOA快速估计算法

基于子空间的正交特性,给出了一种宽带信号波达方向(DOA)快速估计算法.应用正交性检测获得方向估计,无需预处理,成功避免了预处理误差给估计结果带来的影响;通过频谱分析只选取能量集中的少数窄带频段数据进行角度估计,大大降低了奇异值分解的矩阵规模,可做到快速实时;在对信号能量比较充分利用的同时也保证了算法的高分辨率.计算机仿真验证了该算法的有效性和快速性.该算法可以应用于任意阵列.     

基于EMD和ISA方法的轨道车辆动态应变信号去工频干扰研究

针对轨道车辆动态应变信号实际通道数量小于源通道,无法直接应用独立分量分析(ICA)方法降噪的问题,提出一种基于经验模态分解(EMD)和独立子空间分析(ISA)的去除工频干扰的方法.首先对信号进行EMD分解得到本征模态(IMF),再对结果进行ICA分析,得到独立分量,然后对独立分量进行层次聚类将原信号分解到不同的子空间中,从而达到分离噪声的目的.实验结果表明该方法降噪效果优于传统滤波算法,处理后的信号损伤值高于带阻滤波值处理结果,使寿命评估结果偏向于安全,证实了将其应用于去除轨道车辆动态应变信号中工频干扰的可行性.     

基于小波包频带能量检测技术的结构损伤诊断

小波包变换能将振动信号按任意时频分辨率分解到不同频段, 而各频段信号的能量变化包含着丰富的信息.以悬臂梁为实验对象,对不同损伤程度下的振动信号进行小波去噪后,通过4尺度小波包分解和重构,得到了其能量谱图.实验结果表明:损伤程度不同,小波包能量谱图明显不同.因此可将敏感频带的能量值作为损伤程度的特征值进行损伤诊断.     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术。建立了一套较完善的小波包时频分析技术框架体系。给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法。对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究。应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小波包时频分析仪,能实现任意信号的小波包分解和显示。最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质。     

基于小波包分解和虚拟仪器的传导干扰信号检测

小波包分解(WPD)不仅能检测非平稳信号的整次谐波,还能检测信号的非整次谐波,且小波变换本身对信号的奇异点十分敏感,常常用来跟踪开关电源传导干扰信号.在虚拟仪器(VI) LabVIEW 6.i平台上,基于小波包变换算法设计了VI程序,实现了开关电源传导干扰信号实时检测系统.该系统具有信噪分离、测量传导干扰功率谱、伴有噪声的原始振动波形和噪声波等测量功能,实测结果表明该方法是可行的和有效的.     

小波包时频分析方法的研究及应用

针对非线性、非平稳信号分析与处理方法不能满足某些特别的工程要求的问题,提出将小波包变换和短时傅立叶变换融合形成小波包时频分析技术.建立了一套较完善的小波包时频分析技术框架体系.给出了小波包时频分量谱与小波包时频分量幅度谱以及小波包时频谱与小波包时频幅度谱的算法.对小波包分解的直接算法、Mallat算法、混合算法在计算量和识别精度等方面进行了比较研究.应用Visual C++,OpenGL,photoshop等计算机软件工具和虚拟仪器技术开发了一套虚拟小渡包时频分析仪.能实现任意信号的小波包分解和显示.最后将小波包时频分析应用于仿真测试信号与实测机械磨床振动信号,发现小波包时频分析在识别奇异、辨别信号深层次细节方面具有较好的性质.     

利用航空发动机信号特征的振动源盲分离算法

针对航空发动机机匣观测信号为多个振动源的混合信号的问题,提出了一种基于航空发动机振动信号特征的盲分离算法,能够从混合的观测信号中确定振动源的个数以及提取发动机内部各个振动源的振动信息。算法的核心是基于航空发动机等旋转机械转轴故障振动信号的频谱特点,其故障信号的振动谱一般包含基频、谐波成分和次谐波成分,如不对中、碰磨、裂纹等。算法用到的主要工具是连续小波变换和时间同步平稳法,主要步骤为:首先通过连续小波变换将航空发动机不同观测通道上的观测信号分解,根据谱峰值分析确定主要振动源及对应的基频;然后通过时间同步平稳法,分别从每个观测通道上提取各个振动源的谐波和次谐波成分,从每个观测通道上提取出了源信号;对于同一源信号,从每个观测通道上都能提取出一个基本映像,最后通过对比每个映像信号的二范数,确定每个源信号的最优估计。通过数值模拟信号和实测航空发动机加速度振动信号对算法进行了验证,结果表明,在对发动机转速有一定先验知识的情况下,所提算法能够估计出发动机内部的主要振动源的个数,并能提取源信号的主要成分。结合旋转机械振动频谱特点等先验知识,说明了所提算法的正确性和实用性。     

浅谈铁路FSK信号的频谱分析

频谱分析技术是解决泄漏和噪声的问题分析方法之一。铁路信号频谱细化后,并不是简单的一条谱线,而是一簇谱线。为提取有用频谱,必须把残留的泄漏频谱剔除。工频谐波干扰是影响信号频谱的主要原因之一,也是造成现场无码区段乱上灯的重要根源。由于工频基波、谐波有其特定的谱结构,因此,可以利用其相互关联的特征,去除干扰。     

基于小波包和解调分析的多类故障综合诊断方法研究

提出了一种基于小波包分解和解调分析相结合的旋转机械故障综合诊断方法.它能诊断复杂机械的多类故障,针对振动信号的非平稳和调制特点,首先采用小波包将信号进行分解,再分别以不同的方法分析不同的分解频段.利用解调技术分析小波包分解的高频段(调制频段),用来诊断轴承、齿轮等零部件的各类故障;利用FFT频谱分析小波包分解的低频段,用来诊断转轴的各类故障.理论分析和仿真结果表明该方法优于仅做FFT频谱分析或Hilbert解调分析.实例分析也证明了该方法的实用性和有效性.     

子空间分解法在声目标特征提取中的应用

目的　研究用于识别直升机目标声信号的特征提取方法。方法　通过对直升机声信号频域特性分析,采用基于子空间分解的多重信号分类法(MUSIC)算法提取信号谐波频率作为目标特征,利用子空间分解将观测数据分解为信号子空间与噪声子空间的特点,抑制噪声干扰,提高识别能力。结果与结论　对实测的直升机声信号谐波频率提取结果表明,子空间分解方法提取目标频域特征是可行的,用MUSIC算法提取谐波频率值是有效的。     

小波包分析方法在齿轮箱振动信号处理中的应用

对齿轮箱的振动及振动信号进行了分析，利用小波分析原理及小波包分解故障信号，抽取与故障有关的几个频段进行重构，剔除了主振动分量和干扰项，从而使故障特征信号从复杂的振动信号中分离出来。     

基于分块SVD变换域下的图像盲水印算法

提出了一种新的基于分块奇异值分解(SVD)和离散小波变换(DWT)的数字图像盲水印算法. 该算法充分利用了SVD和DWT的特性,首先对原始图像分块进行SVD分解,提取每一块主要的奇异值进行小波变换,最后采用量化的方法将Arnold置乱后的水印嵌入到小波域的LL子带. 经过实验,该算法能够实现水印的盲提取,能够对JPEG压缩、椒盐噪声干扰、高斯噪声干扰、图像剪切等有较好的鲁棒性.     

抑制局部放电混合干扰的浮阈值量化算法

由于局部放电(PD)信号与含有的混合干扰(白噪和窄带)在能量分布频段上存在明显差异,根据小波包变换各节点分解系数能够有效反映被分析信号能量变化的特点,建立一种以反映PD信号分解系数中噪声能量为判据的浮阈值量化算法,使得最优基下各节点阈值随相应节点分解系数中信号噪声强度的变化而变化,自适应地决定各节点最佳阈值选择,以实现对PD信号分解系数更精细划分。通过对含有混合干扰的仿真与实测PD信号的小波包最优分解,分别用传统全局阈值量化算法与笔者建立的浮阈值量化算法进行了干扰抑制效果的对比,结果表明：后者具有更强的抑制混合干扰的能力,且混合干扰抑制前后PD信号波形相似度更高。