基于信息融合和广义循环互相关熵的电机轴承故障诊断

针对传统基于单路振动信号的故障识别可靠性较差和传统谱相关方法难以有效处理非高斯噪声的问题,该研究提出了一种基于多传感器振动信号信息融合和广义循环互相关熵谱的轴承故障诊断方法。首先推导了广义互相关熵、广义循环互相关熵和广义循环互相关熵谱密度的计算公式;然后给出了电机轴承故障诊断步骤;再利用轴承外圈故障仿真信号,分析了轴承故障振动信号的频谱特征,验证了广义相关熵的降噪性能,结果表明广义循环相关熵能有效处理高斯和非高斯噪声。最后将两路振动信号通过广义循环互相关熵进行融合,并应用于电机轴承故障诊断。试验结果表明,广义循环互相关熵能有效提取电机轴承内圈、外圈局部裂纹故障频谱特征,提高了故障诊断的准确性和可靠性,其性能优于传统的谱相关方法。

基于麦克风阵列的时延估计新方法

针对传统时延估计方法易受噪声和混响影响的问题,提出了一种基于麦克风阵列的时延估计新方法。该方法充分利用多个麦克风的空域信息和每个麦克风时域信息,以提高算法对环境噪声的抑制能力。该方法在抗噪声和抗混响性能方面都优于常用的PHAT-GCC（Phase Transform-Generalized Cross Correlation）方法。仿真实验表明,与MCCC（Multichannel Cross Correlation Coefficient）方法相比,在信噪比为20 dB,阵元个数为2～6个,混响时间在200～620 ms条件下,该方法的时延估计错误率明显降低。

基于多传感器视听融合的三维目标跟踪

目前的跟踪技术主要是用完全基于声音或视觉的传感器,但音频定位具有精度差而覆盖面广的特点,视觉跟踪具有定位精度高而受摄录角度限制的特点,以至于在复杂环境下难以取得理想的跟踪效果。针对这一问题,提出了一种利用从立体视觉和立体音频得到的融合信息对三维物体进行目标跟踪的新方法,介绍了一个包含2个麦克风和立体视觉的简单跟踪系统,由这2个系统提供的定位估计使用一种改进的PSO算法(TRIBES)来融合、综合2种传感器各自的优点。实验表明:与传统的方法相比,这种新技术可以实现更快、更精确的跟踪性能。

基于线性判别分析的室内声源定位方法

在小信噪比和混响时间较长的恶劣环境下,基于模式分类的手段能够有效克服传统的声源定位算法鲁棒能力不足的缺点,其中朴素贝叶斯分类器定位的准确率高,计算量小,鲁棒能力强。在此基础上,为了获得更好的定位性能,提出使用线性判别分析(LDA)分类器进行声源定位。使用Matlab进行仿真,截取声源信号的相位变换加权广义互相关函数(PHAT-GCC)作为特征向量,通过投影变换,找到最佳的特征空间来区分特征数据,从而训练得到线性判别分析分类器。然后在不同的混响时间和信噪比的条件下,进行定位测试,比较了线性判别分析分类器和朴素贝叶斯分类器的性能。仿真结果表明,在环境恶劣场合更宜使用线性判别分析分类器,特别是混响严重时,线性判别分析分类器的定位准确率比朴素贝叶斯分类器高1%~2%。

基于四元交叉阵列的声源定位

本文提出了一种基于四元交叉阵的声源定位方法,并设计了声源定位系统。利用4个声源传感器采集声源信号,经过放大、处理、AD转换等步骤,采用广义互相关函数法计算信号到达4个传感器的时间差,从而确定声源的位置。实验表明,该系统在速度和精度上都能达到较好的性能。该声源定位系统可以与具有低成本惯性传感器的运动估计系统相结合,以提高估计精度。

基于卷积神经网络的室内麦克风阵列声源定位算法

在室内麦克风阵列声源定位算法的研究中,混响和噪声对定位精度影响很大,传统的声源定位算法无法在高混响和低信噪比的环境中保持较高的定位精度。为了解决这一问题,提出一种基于卷积神经网络的室内声源定位算法,该算法提取麦克风阵列接收信号的相位加权广义互相关函数作为训练特征,获取目标声源三维位置信息。基于NOIZEUS数据库的实验结果表明,该方法能够通过训练适应不同的声学环境,与其他基于学习的室内声源定位算法相比,其在高混响与低信噪比环境下仍具有较好的定位性能与鲁棒性,具有较大的研究和应用价值。