结合矢量量化与远间隔预测的振动遥测信号压缩方法

本文针对一类准周期性振动遥测信号的特点 ,提出了一种结合矢量量化与远间隔样值预测的数据压缩的新方法 .此方法充分利用了矢量量化和远间隔样值预测的优点 ,并将二者有机地结合起来 ,从而形成了一种有效的压缩方法 .这种方法对振动信号中周期性较强部分获得了很高的压缩比 ,而且运算速度快 ,可在嵌入单片机的系统中实现 .实验中对 10kHz抽样的振动信号进行压缩 ,获得了约 5 0倍的压缩比和

时频流形自适应稀疏重构的遥测振动信号特征增强方法

针对遥测振动信号非线性、非平稳性、瞬态冲击性等特点,提出一种基于时频流形自适应稀疏重构的遥测振动信号特征增强方法,对振动信号进行相空间重构提取其时频流形;以时频流形为基础,采用KSVD算法自适应构建过完备字典,并从中找到最匹配的时频原子,根据得到的原子与相空间展开信号的时频分布,依次匹配计算获得其重构的稀疏系数;利用稀疏系数和时频原子对相空间中各维信号的时频分布进行重构,通过时频分布的逆运算和相空间还原得到特征增强信号。仿真和实测信号处理结果验证了算法的有效性。

基于双树复小波的遥测振动信号多尺度噪声调节随机共振分析

遥测振动信号包含大量反映飞行器试验过程中的状态特征信息,具有非线性、非平稳性、强噪声等特点,如何提取反映系统运行状态的微弱非线性特征直接关系到飞行状态监测和故障诊断的准确性,针对这一问题,提出一种基于双数复小波的多尺度噪声调节随机共振分析方法,充分考虑多尺度带限噪声对非线性随机共振的影响,利用多尺度噪声调节和樽海鞘群算法优化非线性随机共振,对遥测振动信号的微弱特征信息进行增强,仿真和实测数据实验结果表明该方法的有效性。

基于小波模极大值模糊熵的遥测振动信号异常检测

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于小波模极大值模糊熵的遥测振动信号异常检测方法。首先对采集到的遥测振动信号进行零漂修正和趋势项消除;然后对经预处理后的振动信号进行一维连续小波变换,计算所有尺度空间中的小波模极大值序列;最后将原信号及其小波模极大值序列的模糊熵构成的特征向量输入到SVM分类器,根据模糊熵的变化情况对遥测振动信号进行异常检测。实测数据验证了该方法的有效性。

遥测振动信号的小波模极大值多重分形分析与异常检测

针对遥测振动信号频域成分复杂、非平稳非线性和强噪声特性,提出一种基于小波模极大值多重分形分析的遥测振动信号异常检测方法。首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用小波模极大值多重分形分析方法对振动信号进行分析,进而提取其多重分形特征参数;最后将特征参数输入到SVM分类器,根据分类结果对遥测振动信号进行异常检测。实测数据验证了该方法的有效性。

基于多尺度谱峭度图的遥测振动信号异常检测

针对遥测振动信号频域成分复杂、非平稳非线性和强噪声特性,提出一种基于多尺度谱峭度图的遥测振动信号异常检测方法。首先对采集到的信号进行零漂修正和趋势项消除,然后利用自适应分解方法对信号进行自适应多尺度分解,依据谱峭度筛选出异常频率所在频带的分量;接下来利用筛选出的分量做时频分布,对时频分布进行多尺度划分,计算相应尺度频段内的谱峭度值并画出谱峭度图,依据峭度最大原则选取滤波频段;最后利用CZT变换对滤波后的信号进行频谱细化,进而获得振动信号的异常频率。仿真和实测数据验证了该方法的有效性。

基于自适应多尺度时频熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于自适应多尺度时频熵的遥测振动信号异常检测方法;首先对采集到的遥测振动信号进行零漂修正和趋势项消除,然后采用自适应分解方法对信号进行多尺度分解,得到若干分量,利用相关系数剔除虚假分量;接下来用筛选出的分量作时频分布,对时频分布进行多层多尺度划分,计算相应尺度频段内信号的分形维数,依据分形维数的大小自适应地确定各频段的时频划分尺度;最后计算时频平面的自适应多尺度时频熵,通过时频熵的变化情况对遥测振动信号进行异常检测;实测数据验证了该方法的有效性。

遥测振动信号EMD-WVD分布应用研究

飞行器飞行试验采集的遥测振动信号频段丰富、成分构成复杂,合理有效地解读其包括的时频信息在分析飞行器结构和环境特性方面至关重要;依托经验模态分解(EMD)方法将复杂信号分解成准单分量信号,借助相关系数法将伪分量信号剔除,保证分解信号的有效性;通过EMD和WVD方法的结合,将保留的准单分量信号进行WVD变换并做平滑伪处理,从而获得复杂信号的时频分布;EMD-WVD组合模型经在仿真信号上的应用检验,能够检测信号自身的时频特性,进一步应用其在遥测振动信号上,同平滑伪WVD抑制交叉项方法进行了比较,结果表明EMD-WVD组合模型更加有效,能够反映复杂工程信号的时频分布特性。

虚部噪声辅助LCD方法及其在遥测振动信号处理中的应用

针对局部特征尺度分解方法(Local Characteristic Scale Decomposition,LCD)的模态混叠以及集成局部特征尺度分解法(Ensemble LCD,ELCD)在集成平均时容易引入新的模态混叠、伪分量和运算量大等问题。提出一种基于虚部噪声辅助局部特征尺度分解法(Image Noise Assisted LCD,INALCD);首先以原信号为实部添加虚部白噪声构成复数信号,然后对复数信号在指定方向上进行投影,求取对称投影象限的基函数,通过投影后虚部白噪声均匀化原信号投影的极值点的分布,辅助信号分解过程中极值点的选取,抑制模态混叠,最后将对称投影象限的基函数进行线性组合消除噪声的影响,避免了ELCD因集成平均带来的相关问题。仿真和实测数据实验结果表明,该方法在降低模态混叠的同时,大大减少了计算量,性能优于LCD和ELCD方法。

HHT方法在遥测振动信号检测中的应用研究

介绍了HHT的基本原理、特点、存在问题及解决手段,应用该法对仿真振动信号和遥测振动信号进行了处理分析,结果表明其能够有效地对非线性、非平稳振动信号进行分解,且具有自适应性,在时域和频域内具有较好的分辨能力,分解出的分量具有较为清晰的物理意义,由于其表示结果的多样性,可以对单个分量做进一步精确分析,能够检测出信号的突变,并能定位突变的时间点,为飞行器飞行状态判定、优化方案设计以及故障检测提供重要依据。

分形维数约束ICA-RLS的遥测振动信号降噪方法

针对噪声会对遥测振动信号时频分析产生影响的问题,提出一种分形维数约束独立分量分析ICA-递归最小均方RLS的降噪方法,首先对振动信号进行相空间重构,采用基于峭度最大化的牛顿迭代ICA算法对信号进行盲源分离;然后计算各源信号的分形维数,根据分形维数自动判别含噪源信号,对含噪源信号进行RLS自适应滤波;最后对滤波后的信号进行重构,得到降噪后的振动信号。实测信号处理结果验证了算法的有效性。

基于LMD模糊熵的遥测振动信号异常检测方法

针对遥测振动信号频域成份复杂、非平稳非线性和强噪声特性,提出一种基于局部均值分解(Local Mean Decomposition,LMD)模糊熵的遥测振动信号异常检测方法。实测数据验证了该方法的有效性。

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集;以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征;输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。