基于ARMA模型的低阶次无线传感网络数据融合算法

针对如何兼顾WSN数据融合算法的高精度和低复杂度的要求,提出一种基于ARMA模型的低阶次WSN数据融合算法.首先介绍ARMA时间序列分析模型,利用节点采集的数据的强时空相关性预测未来数据;其次用BIC检验准则逐步升阶确定自回归部分阶次后,再用F-检验逐步降低滑动平均部分的阶次;最后利用节点的预测模型修正算法和簇头节点的预测融合算法确定适合传感器节点的ARMA模型.实验结果表明,该算法能够在保证融合高精确度的情况下,降低了预测模型的复杂度,降低了对处理能力和存储能力的需求,节约了能量.

基于二次分数低阶协方差的时延估计方法

针对强脉冲噪声背景下基于分数低阶统计量时延估计方法性能退化且需要噪声先验知识的问题,提出了一种基于二次分数低阶协方差的时延估计新方法。所提方法首先利用有界非线性Sigmoid函数对含有脉冲噪声的信号进行预处理,使其在不影响有用信号时延信息的基础上对附加脉冲噪声进行充分压缩;然后对处理后的收发信号进行二次分数低阶协方差运算,即求得发射信号的自分数低阶协方差和收发信号的互分数低阶协方差之后,再次计算二者的互分数低阶协方差,以期更大程度上抑制脉冲噪声的影响。通过模拟仿真实验对所提方法进行了有效性验证,结果表明所提方法突破了分数低阶矩阶次需小于Alpha稳定分布噪声特征指数的限制,并且比分数低阶协方差方法具有更高的估计精度。仿真实验结果表明在广义信噪比-10 dB情况下,时延估计用时为0.0560 s,准确率达到97.76%。

基于低次故障特征阶比系数的变转速滚动轴承等效转频估计算法

基于时频表达的阶比跟踪算法能够帮助实现变转速旋转设备的故障诊断而不依靠转速计的帮助。然而,滚动轴承振动信号的时频表达却因缺少明显且易提取的转频成分使得该算法无法得到应用。为此,引入瞬时故障特征频率作为滚动轴承的等效转频,并提出基于低次故障特征阶比系数的估计算法对其进行提取。根据转频的变化范围确定基本滤波带宽并沿频率轴构造一组带通滤波器对原信号进行带通滤波。计算各带通滤波结果的包络时频谱并提取相应的等效转频趋势线。利用等效转频趋势线对相应的滤波结果进行重采样并计算故障特征阶比包络谱。将各阶比包络谱中与一、二、三次故障特征阶比相对应的幅值之和作为标准确定最优滤波带宽与相应的等效转频趋势线(瞬时故障特征频率趋势线)。利用该趋势线对原始信号进行故障相角域重采样,所得结果故障特征阶比包络谱即可用于滚动轴承的故障诊断。仿真算例和应用实例证明了该算法的有效性。

轴承振动信号PF分量的分数低阶特征提取

针对分数低阶Alpha稳定分布特性下轴承振动信号乘积函数(product functions,简称PF)的高阶统计特征提取性能退化问题,提出了轴承振动信号PF分量的分数低阶特征提取方法。通过信号平稳化PF分量的概率密度函数(probability density function,简称PDF)曲线拖尾及特征指数α估计,验证轴承振动信号PF分量的分数低阶Alpha分布特性,并提出最优分数低阶统计量和共变低维流行映射矩构成轴承特征矩阵,以降低二阶及高阶统计量对信号分量特征描述误差,实现不同故障轴承特性的准确性表征。通过轴承特征散点图对比分析,结果表明,分数低阶次特征对轴承振动信号PF分量描述更为准确,不同状态轴承特征描述准确性和区分效果提升明显,具有一定的可行性及实际应用优势。