一种基于多重同步压缩的高动态信号捕获技术

为了解决高速飞行器通信时的高动态信号捕获问题,根据多普勒变化特点,将信号建模为非线性调频信号,采用时频分析的方式提取瞬时频率,设计了一种基于多重同步压缩(Multisynchro Squeezing Transform,MSST)的时频分析方法,有效提高了时频能量聚集能力和鲁棒性。为了避免时频图起始点选择错误引起的频率估计误差过大的问题,提出了一种分段能量泛函最小化法,将时频面分成多个部分,向前向后分别提取脊线,提高了低信噪比下频率估计的准确性。仿真结果表明,对6 Ma、40g、100 g/s的高动态信号,相比传统时频分析方法频率估计精度提高50%以上,所提方法捕获概率可达到95%以上,对低信噪比高动态信号有较强的适应能力。

基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。