基于变分模态分解和希尔伯特变换的转子非平稳信号故障特征识别

为了提升传统希尔伯特黄变换在处理复杂非平稳信号时的时频分析能力,本文将变分模态分解和希尔伯特变换进行结合,提出了一种时频分析方法变分模态分解和希尔伯特变换。此外,为了对变分模态分解的模态数进行自动调整,还提出了一种基于相关系数的希尔伯特黄变换参数优化方法,有效避免了由于希尔伯特黄变换模态数设置不合理而导致的信号分解不足和分解过剩的问题。利用转子故障信号对变分模态分解和希尔伯特变换方法的时频分析能力进行了验证,并且与传统希尔伯特黄变换的对比突出了该方法在处理非平稳信号中的优势。

激光通信系统中的非平稳信号预测模型

提出激光通信系统中非平稳信号的预测模型,有效地预测激光通信系统的非平稳信号。通过分析激光通信系统信道的损耗因素,构建激光通信系统信道传输模型,通过经验模态分解方法分解激光通信系统中非平稳信号的时间序列,构建最小二乘支持向量机预测模型,寻找预测模型最优参数,经各预测模型的非线性组合后,实现激光通信系统中的非平稳信号的预测。实验证明:该模型能在不同天气状态下有效地预测激光通信系统中的非平稳信号,且预测精度在90%左右,均方根误差均未超过0.05,有较强的应用性。

一种基于改进Hilbert-Huang变换的非平稳信号时频分析法及其应用

对于非平稳信号时频分析,提出了一种基于改进Hilbert-Huang变换(HHT)的分析方法.根据HHT的已有原理,改进了经验模式分解(EMD)过程中的筛选停止准则,提高了分解精度;给出了Hilbert谱分析的完整过程;以线性调频连续波(FMCW)信号模型作为研究对象,结合改进的EMD分解和完整的Hilbert谱分析,通过分析时频分布特征实现高噪声背景下雷达目标信号的检测以及干扰信号的提取.仿真结果表明了改进后的HHT方法对于低信噪比非平稳信号分析的有效性.

一种新的非平稳信号分析方法——局部特征尺度分解法

在定义瞬时频率具有物理意义的内禀尺度分量(Intrinsic scale component,简称ISC)的基础上,提出了一种新的非平稳信号分析方法——局部特征尺度分解方法(Local characteristic-scale decomposition,简称LCD),该方法能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的内禀尺度分量之和。首先对LCD方法的原理进行了分析,然后给出了采用LCD对信号进行分解的详细步骤,最后采用仿真信号对LCD和经验模态分解(Empirical mode decomposition,简称EMD)方法进行了对比分析,结果表明了LCD方法的有效性及在端点效应、迭代次数和分解时间等方面都优于EMD分解方法。

基于小波降噪和短时傅里叶变换的主轴突加不平衡非平稳信号分析

针对主轴运行过程中突加不平衡而产生的非平稳信号无法采用传统的傅里叶变换对信号进行分析处理的问题,提出一种采用小波降噪与短时傅里叶变换相结合对主轴振动特征信息进行准确提取的方法,该方法利用小波降噪技术对非平稳信号进行滤波处理,再对滤波处理后的信号进行重构,最后通过短时傅里叶变换精确获取主轴振动幅值,通过仿真和实验验证了该方法的有效性。

基于稀疏表示与粒子群优化算法的非平稳信号去噪研究

非平稳信号的去噪是信号处理中的热点和难点。文中以冲击原子作为稀疏表示基,构建了仅对人文噪声敏感的冗余字典。并使用粒子群优化算法对匹配追踪算法进行优化,提出了基于稀疏表示与粒子群优化算法的非平稳信号去噪方法。为检验方法的有效性,论文首先进行了针对性的仿真实验。然后将所述方法用于实测的大地电磁信号处理。结果表明,所述方法可以在保留有用信号的前提下,有效分离出类充放电噪声、脉冲噪声以及其它多种不规则噪声,显著提高非平稳信号的信噪比。

测试系统中非平稳信号的时频优化小波包检测算法

非平稳信号为测试系统所测试分析的主要目标之一。对于这些信号传统的检测方法(例如:傅里叶变换)不能起到有效的分析作用。小波包变换是非平稳信号分析的常用工具。Shannon小波函数是现有的单小波家族中唯一能够对信号频域进行严格划分的小波函数,但是由于其时域的非紧支性限制了其应用。本文通过对Shannon小波函数的时频联合优化,改善了其在非平稳信号检测过程中的性能;首先在时域上,改写其时域表达式,并保留其频域的紧支性,提升了其时域的紧支性;其次在频域上,提出了对Shannon小波函数频域滤波器的插值算法,改善其频域的滤波性能;再次,通过牛顿插值法给出了算法的快速实现;最后,做出了仿真实例。结果表明,通过本文的算法,改善了Shannon小波包变换的性能,使其成为测试系统关于非平稳信号检测的有效手段。

零相位数字滤波器在非平稳信号处理中的应用

研究零相位数字滤波器在进行非平稳信号滤波时的特点.选用一种典型带通零相位数字滤波器,以非平稳调幅信号作为滤波器输入,进行仿真分析.将零相位数字滤波器与小波包分解重构和经验模态分解方法的滤波能力进行了比较.探讨了零相位数字滤波器在处理非平稳调幅信号时存在的过渡过程,及对滤波结果幅值和频率的影响.论述了滤波误差与滤波器参数、输入信号特性和信噪比等因素的关系.提出了分段零相位滤波器方法,改善了滤波器性能.最后,以一个实测的振荡信号对上述分析进行了验证.为在非平稳信号处理中,正确使用零相位数字滤波器提供了参考.

非平稳信号的一种ARMA模型分析方法

该文提出了一种新的非平稳信号的时变参数ARMA模型分析方法,用它分析数据需两个基本步骤:首先,用一种信号分解方法把信号分解成一些基本模式分量。接着,对分解得到的基本模式分量建立时变参数ARMA模型,从而得出时颇平面上的时变参数ARMA模型谱。该方法可用于复杂的非线性、非平稳信号的处理。

基于时频分析的机械设备非平稳信号盲分离

针对传统的机械故障源分离方法忽略信号非平稳性的不足,结合时频分析和盲源分离的各自优点,提出一种基于时频分析的机械设备非平稳信号的盲分离方法,并与传统的机械故障源分离方法进行对比。实验结果表明,对于机械设备非平稳混迭信号,必须充分利用信号的非平稳性,才能达到很好的分离效果。文中的研究为机械设备非平稳混迭信号的分离提供一种新方法。

非平稳信号的时变自回归建模及其在轴承故障诊断中的应用

基于时变自回归(TVAR)方法实现了非平稳随机信号的参数化建模,提出采用最小信息准则确定模型阶数.通过多分量线性调频仿真信号的时变谱估计,表明该方法分辨率高,没有交叉项的干扰,计算速度快.在仿真分析的基础上,应用参数化时频谱和BP神经网络方法进行滚动轴承故障信号的分类和辨识,并基于能量法对时频图进行特征提取.分析结果表明,时变自回归方法的拟合精度高,能有效提取轴承故障信号特征,同时结合神经网络能对故障进行准确诊断.

往复式机械非平稳信号的混沌与分形

为了研究往复式机械非平稳信号的非线性动力学特征,以内燃机主轴承的振动信号对其故障间隙的反映为例,在对主轴承受力分析的基础上,进行了模拟不同间隙的故障实验,获得了不同间隙下的振动信号,进一步应用混沌与分形方法研究了故障信号的混沌性,通过计算信号的两个混沌特征量—关联维数和Kolmogorov熵,找出了主轴承间隙与关联维数及Kolmogorov熵之间的变化关系,印证了对该类型非平稳信号进行混沌与分形研究的可行性。

基于HHT的非平稳信号分析仪的研究

本文介绍了希尔伯特-黄变换(HHT)的原理,首先通过经验模态分解(EMD),信号被分解成一系列固有模态函数(IMF),再通过Hilbert变换得到每个IMF的瞬时频率(IF)和瞬时幅值函数,最终得到原始信号的IF分布和Hilbert谱。Hilbert谱是信号的时间-频率-能量分布。为使HHT能有效分析非平稳信号,引入了改进HHT的方法,即在HHT过程中,将小波包变换(WPT)作为预处理器,外加IMF的筛选。采用虚拟仪器开发技术研制了一台基于HHT的非平稳信号分析仪。最后以HHT去噪为例,介绍了基于HHT的非平稳信号分析仪的应用。

基于Wigner-Ville分布的非平稳信号盲分离

许多盲源分离方法限于非高斯、平稳且相互独立的源信号 ,在实际应用中往往会产生许多问题 ,因为自然界中的源信号通常不满足这些假设 .本文基于时频分析 ,通过利用信号的Wigner Ville分布 ,得出一种新的盲源分离方法 ,该方法能有效分离非平稳信号 .

基于空间时频分布的非平稳信号盲分离算法性能研究

基于空间时频分布的盲信号分离算法可以用来分离具有不同时频分布的非平稳信号。Wigner-Ville分布(WVD)作为比较常用的时频分布,对合成信号存在交叉项,因而将WVD分布用于这种分离算法时,其分离性能并不好。理论上,大多数Cohen类时频分布可以抑制交叉项并且保持时频聚集性,因此,Cohen类时频分布可以在TFBSS中取得更好的分离性能。分析了各种常用的Cohen类时频分布对交叉项的抑制性能和对盲源分离性能的影响,理论分析和仿真结果表明:通常情况下,在时频盲源分离算法中,采用Born-Jordan分布、Choi-Willimams分布、Butterworth分布、广义矩形时频分布、减小交叉项分布、平滑伪WVD、ZAM分布、Mar-genau-Hill谱图时频分布和伪WVD分布时的盲分离效果优于采用WVD。

基于时频域单源区域的延迟欠定混合非平稳信号盲分离

针对衰减-延迟欠定混合信号的盲分离问题,提出了基于子空间分解的时频域上单源区域检测方法,估计出信号在时频域上的单源区域以及相应的特征向量,然后利用系统聚类法对单源区域对应的特征向量进行聚类分析,估计出源信号数目以及混合矩阵,最后通过改进的基于子空间投影算法完成源信号的恢复.仿真结果表明本文算法提高了混合矩阵和源信号的估计性能.

非平稳信号分析的广义解析模态分解方法

现有的非平稳信号分析方法都有各自不同的缺陷,短时傅里叶变换的时频分辨率受不确定性原理的限制,希尔伯特黄变换存在端点效应和模态混叠,易导致模糊的时频分布;解析模态分解只适合分析频率恒定的多分量信号;针对包含多个时变模态、特别是频谱重叠的非平稳信号,本文提出了一种新的信号分析方法——广义解析模态分解(Generalized Analytical Mode Decomposition,GAMD).GAMD通过广义傅里叶变换将时变频率转换为频谱可分的,采用解析模态分解对其分解,再对得到的单分量信号进行逆广义傅里叶变换即可得到原始信号的分量.因此,GAMD非常适合分析时变的非平稳信号.通过仿真信号将GAMD与短时傅里叶变换和希尔伯特黄变换等方法进行了对比,结果表明GAMD方法的分解效果更精确,时频分辨率更高.

基于短时傅里叶变换检测非平稳信号的频域内插优化抗混叠算法

非平稳信号的分析越来越受到人们的重视。短时傅里叶变换(STFT)是一种线性变换,避免了其他高次型非平稳信号分析方法中出现的交叉项的干扰,是分析非平稳信号的有力工具。短时傅里叶变换的基本思想是利用一个固定大小的滑动的窗口函数对信号进行分析,并假定信号在窗口内是平稳的,因此加窗变换所固有的混叠现象在短时傅里叶变换中依然存在。本文基于频域插值的思想,提出了基于频域内插抗混叠短时傅里叶变换的算法,首先分析了混叠产生的物理本质,然后以汉明窗为基础构造了频域内插的方法,并利用牛顿插值法得出插值的迭代求解方法,最后给出内插优化算法步骤。仿真实例验证了算法的可行性。

基于非平稳信号组合分析的故障诊断方法

鉴于深度学习、频谱、时频分析方法间的优势互补,设计了由卷积网络、傅里叶变换和小波包分解组合的多流分析处理框架,对非平稳信号进行组合分析。提出了一种基于非平稳信号组合分析的故障诊断方法,提取信号的多属性特征并加权融合。应用于故障诊断的实验结果表明,所提出的信号组合分析方法能够更加稳定、准确地刻画故障类型,在不显著增加计算复杂度的前提下有效提高了故障诊断的分类准确率。

改进非平稳信号的分析方法

研究了WVD和短时傅里叶变换两种时频分析方法的优势和局限性,从两种方法的定义出发,分析了两者间存在的联系,通过构造窗函数,提出一种改进的非平稳信号分析方法,并进行了相应的计算机仿真,结果表明信号的时频特性得到了改善,该方法还适用于多分量非平稳信号的分析。