Constant envelope FrFT OFDM: spectral and energy efficiency analysis

Constant envelope with a fractional Fourier transformorthogonal frequency division multiplexing(CE-FrFT-OFDM)is a special case of a constant envelope OFDM(CE-OFDM),both being energy efficient wireless communication techniques with a 0 dB peak to average power ratio(PAPR).However,with the proper selection of fractional order,the first technique has a high bit error rate(BER)performance in the frequency-time selective channels.This paper performs further analysis of CE-FrFT-OFDM by examining its spectral efficiency(SE)and energy efficiency(EE)and compare to the famous OFDM and FrFT-OFDM techniques.Analytical and comprehensive simulations conducted show that,the CE-FrFT-OFDM has five times the EE of OFDM and FrFT-OFDM systems with a slightly less SE.Increasing CE-FrFT-OFDM’s transmission power by increasing its amplitude to 1.7 increases its SE to match that of the OFDM and FrFT-OFDM systems while slightly reducing its EE by 20%to be four times that of OFDM and FrFTOFDM systems.OFDM and FrFT-OFDM’s amplitude fluctuations cause rapid changing output back-off(OBO)power requirements and further reduce power amplifier(PA)efficiency while CE-FrFTOFDM stable operational linear range makes it a better candidate and outperforms the other techniques when their OBO exceeds 1.7.Higher EE and low BER in time-frequency selective channel are attracting features for CE-FrFT-OFDM deployment in mobile devices.

基于多带加权包络谱的轴箱轴承故障诊断

为增强复杂噪声干扰下轴箱轴承故障检测的鲁棒性,基于循环谱分析并考虑轴承故障信息分布差异和阈值降噪,对轴箱轴承故障诊断的包络谱构造方法进行了研究.首先,提出频域信噪比作为轴承故障信息量化的新测度,用于评估谱相干中不同谱频带内的轴承故障相关信息;其次,构造以谱频率为变量的故障特征信息分布函数,并自适应确定信息阈值来辨识谱相干中故障信息丰富和干扰噪声主导的谱频率分量,进一步基于故障特征信息分布函数和信息阈值设计权重函数;最后,由谱相干和权重函数生成融合多带信息的多带加权包络谱,通过分析谱中的轴承故障特征频率来检测轴箱轴承的不同故障.铁路轴箱轴承实验数据的分析结果表明:相比于基于谱相干的典型包络谱方法,多带加权包络谱能够在复杂噪声干扰下准确识别轴箱轴承的外圈、滚动体和内圈故障,并能取得更高的性能量化指标(频域信噪比和负熵).

改进融合指标的新型盲解卷积算法在轴承故障诊断中的应用

为解决现有盲解卷积算法易受随机脉冲影响的问题,综合时域特征和频域特征,提出一个新的故障敏感指标,即包络谱峭度-包络基尼系数融合指标(Envelope Spectral Kurtosis-envelope Gini Index,ESKEG)。该指标对周期性脉冲更敏感,不易受随机脉冲的影响。基于该指标,提出一个新的解卷积算法,即基于最大ESKEG的盲解卷积,并采用粒子群算法(Particle Swarm Optimization,PSO)求解滤波器系数。通过仿真振动信号和实验仿真信号进行验证,结果表明相比于其他盲解卷积算法,所提出的PSO-ESKEG算法在故障先验知识未知的情况下,能更有效避免受到随机脉冲信号的影响。

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机(GA-SVM)相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),分解成若干个固有模态函数(Intrinsic Mode Function,IMF),依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。

基于加权联合提升包络谱的轴箱轴承故障诊断

为解决列车轴箱轴承微弱故障特征在宽频带上难以提取的问题,基于轴承故障信号的二阶循环平稳特性,提出了一种利用加权联合提升包络谱进行故障诊断的方法.首先,利用谱相干算法将振动信号分解到由频谱频率和循环频率构成的双频域,实现振动信号在全频带内的精细化解调,并基于谱相干的局部特征识别轴承候选故障频率;接着,利用1/3二叉树滤波器将频谱频率分割为不同中心频率和带宽的窄带,在窄带内沿着频谱频率对谱相干的模进行积分,得到窄带提升包络谱;然后,以候选故障频率在窄带提升包络谱中的能量占比为诊断性指标,在每一分解层上构造联合提升包络谱;最后,对不同分解层的联合提升包络谱进行加权平均,得到轴承振动信号的加权联合提升包络谱.轨道车辆轴箱轴承台架试验信号的研究结果表明:所提方法的优势在于能充分整合分布于不同窄带内的轴承故障信息,且不依赖于名义故障周期信息;和现有方法相比,能更有效地揭示轴承故障特征频率及其谐波特征,在提取和识别轴箱轴承微弱故障方面具有一定优势.

基于SFLA优化变分模态提取的滚动轴承故障诊断

为解决变分模态提取(variational mode extraction, VME)在分解轴承故障信号过程中近似中心频率和惩罚因子的选择过于依赖专家经验的问题,提出混合蛙跳算法(shuffled frog leaping algorithm, SFLA)与VME相结合的滚动轴承故障诊断方法。首先,为解决单一指标作为目标函数提取特征时信息不全面的问题,结合信息熵(information entropy, IE)、包络谱峭度和相关系数建立新的参数优化指标—KIC;然后,将KIC的极小值作为SFLA的目标函数自适应地选取VME期望模态的中心频率和惩罚因子;最后,通过包络解调分析期望模态进行故障诊断。仿真信号与轴承试验台相关数据集的分析结果表明,所提出的SFLA-VME方法能够准确地提取出期望模态并诊断轴承故障。

基于深度学习的近红外光谱图像处理的农作物虫害检测研究

采集农作物虫害图像时常因外界干扰使特征区域划分不明,导致虫害检测精度不足,为此,提出基于深度学习的农作物虫害近红外光谱图像分割算法。利用分块匹配模型对近红外光谱图像进行视觉纹理提取,通过高斯滤波技术去除噪声干扰。采用边缘特征重构和角点匹配方法,构建近红外光谱图像分割和相似度度量模型,采用分块帧点检测的方法对目标关键特征点定位和包络检测,多模态特征匹配后得到虫害特征分布,完成虫害检测。测试结果表明,该方法对虫害定位均方根误差平均为0.14,耗时平均为256.4 ms,检测精度平均为96.68%,具有较好的应用性能。

基于集成包络谱的滚动轴承早期故障检测指标

针对常规统计指标对滚动轴承早期故障不敏感的问题,该研究基于集成包络谱(integrated envelope spectrum,IES)提出一种滚动轴承早期故障检测指标——集成包络谱谱峰因子(integrated envelope spectrum peak factor,IESPF),应用于轴承早期故障检测。首先,对信号进行快速谱相干(fast spectral coherence,Fast-SCoh)计算;然后,根据循环频率与谱频率的映射关系确定包含故障信息丰富的频带,并对该频带积分获得IES;最后,计算IES的最大值与其均方根值的比值,从而获得该研究所提指标IESPF,应用于轴承外圈故障检测。通过分析滚动轴承外圈模拟故障试验数据和疲劳试验数据表明,该研究所提指标对轴承外圈早期故障较敏感,适用于早期故障检测。

基于Fast-SC和EC的滚动轴承故障检测

解调分析的关键在于准确找到合适的解调频带,针对此问题,提出一种基于快速谱相关(fast spectral correlation,简称Fast-SC)和包络谱谱峰因子(crest of envelope spectrum,简称EC)的解调频带确定方法,应用于滚动轴承故障检测。首先,对信号进行Fast-SC计算,采用考虑滚动体滑移误差的故障频率区间作集成谱相关切片并将其作为目标谱相关曲线,根据其最大值确定解调频带的中心频率搜索中心;其次,用同时考虑冲击信号强度与周期性的EC进行频带优化选择,自适应获得优化的滤波参数组;最后,根据所得滤波参数组对信号进行带通滤波,并求其包络谱,实现轴承故障特征频率提取。仿真和实验表明,与Autogram解调算法相比,所提方法降噪能力更强,解调频带的选择更优。

自适应频域字典的机车轮对轴承稀疏诊断方法

稀疏分解是强噪声环境下故障特征提取的一种有效方法,构造与故障振动信号匹配的字典对稀疏分解效果至关重要。小波参数字典因小波的灵活多变性和良好的局部时频特性而被广泛应用于轴承故障诊断领域。然而,现有小波参数字典多是通过时域相关滤波法(CFA)以小波与故障冲击间的相关系数为指标获取字典原子的最优中心频率、阻尼比等参数,时域滤波耗时长、抗噪性差,相关系数指标没有考虑冲击发生的周期性特点,导致字典匹配性欠佳。针对上述问题,提出一种自适应频域滤波进行参数字典设计的机车轮对轴承故障诊断方法。该方法以新提出的时频域指标——加窗包络谱峭度(WESK)和相似度指标——皮尔逊相关系数(PCC)作为字典原子参数选取依据,以粒子群优化算法(PSO)优化的Morlet小波带通滤波器确定轴承故障产生的系统共振频率作为字典原子的中心频率,按照PCC值最大原则选取最优阻尼比完成字典原子的构造,改变时移变量张成小波字典后,结合正交匹配追踪算法(OMP)稀疏重构原始信号,提取故障特征频率。自制试验台数据以及机车轮对轴承的工程实际应用均验证了所提方法和新指标(WESK)的有效性和稳定性,诊断效果优于现有时域相关滤波法(CFA)以及常用可调品质因子小波变换法(TQWT),具有一定的工程实用价值。

包络谱稀疏指标盲滤波器的轴承状态监测

为了解决包络谱稀疏问题,提出了一种基于包络谱稀疏指标盲滤波器的轴承状态监测方法。提出的盲滤波器利用三种不同的稀疏性测度:l1/l2范数、霍耶指数和谱负熵导出,迭代优化过程的关键是利用Rayleigh商来更新滤波器系数,从而在不需要知道有关机械部件的特征故障频率等先验信息条件下,利用包络谱的稀疏性来跟踪振动信号中具有二阶循环平稳特征的故障。轴承数据集的实验结果表明提出的方法能够实现具有循环平稳特征的轴承故障跟踪,并且对滤波器长度具有良好的鲁棒性。

轨道列车轴箱轴承状态监测方法

基于快速谱峭度的轴承诊断方法在恒转速工况和信号高信噪比下具有较好的诊断效果,但在轨道列车处于变转速工况、强噪声干扰以及轮轨冲击环境下难以适用。提出一套基于阶次分析和相关谱峭度方法的诊断流程:首先同步采集振动信号和转速信号,通过阶次分析对信号进行平稳化处理;然后计算信号相关谱峭度得到最优解调频带及其对应的解调谱;最后从解调谱中识别轴承的故障频率。模拟试验台以及实车数据验证了该方法可以在变转速、强干扰噪声及轮轨冲击下准确提取轴承的故障特征频率,实现轴承故障诊断。

SVD-LESE在滚动轴承微弱故障识别中的应用研究

矿用电机运行过程中环境噪声强且复杂,其滚动轴承的早期故障特征容易被淹没。提出一种有限包络谱熵(LESE)引导的振动信号奇异值分解方法,用于滚动轴承早期故障特征提取。根据待分解信号中频率和奇异值之间的对应关系,将对应同一振动信号成分的奇异分量进行累加作为一个信号子分量进行输出;提出LESE用来解决轴承微弱故障信号经SVD处理后故障敏感信号分量的筛选;最后通过对故障敏感信号分量进行包络谱分析从而确定滚动轴承的故障类型。实验结果表明:上述方法能够实现对轴承早期故障特征提取,有利于及时发现轴承问题,避免设备进一步劣化。

语音转换及相关技术综述

给出了语音转换的定义,介绍了语音转换的用途,分析了表征说话人个性特征的语音参数,研究了语音转换的系统结构,对语音转换的实现主要从频谱包络和韵律两个方面的转换进行了研究讨论,分析并介绍了语音转换现在的发展水平及存在的问题。

MFCC中的基音频率信息对说话人识别系统性能的影响

目前对MFCC的应用与研究,一般忽略了基音频率对MFCC的影响.分析发现,基音频率会影响MFCC对声道特性的准确描述,进而影响说话人识别系统的性能;由此提出了一种基于平滑幅度谱的SMFCC(smoothing MFCC),在YOHO说话人识别数据库上的实验表明,SMFCC性能在整体上优于MFCC,而在女性说话人数据集上性能提高尤其明显,并且具有更好的时间鲁棒性.

韵律参数和频谱包络修改相结合的情感语音合成技术研究

情感语音合成可以增强合成语音的表现力、人情味,是近年来的新兴课题。除了韵律特征之外,音质类和发声器官类参数对情感语音的表达也有着至关重要的影响,而通常的研究大多都是基于规则或者预先为某种情感设计的滤波器来进行这两类参数的修改。本文提出了通过频谱包络综合地调整音质类和发声器官类参数来合成情感语音的方法,并通过实验验证了这一方法的有效性。另外,实验结果也显示了当韵律参数和频谱包络同时得到修改时,相对于单独修改某类参数可以获得更好的情感合成效果。

基于DT-CWT和MCKD的滚动轴承早期故障诊断方法

滚动轴承早期故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了双树复小波(dual-tree complex wavelet transform,DTCWT)和最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量进行最大相关峭度反褶积处理以消除噪声成分,凸现故障特征信息。最后对降噪信号求取Hilbert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。

基于EEMD与形态滤波的滚动轴承故障诊断方法研究

为从滚动轴承故障信号中提取出包含故障信息的特征频率,提出集合经验模式分解法(EEMD)与形态滤波相结合的解调方法。该方法首先利用EEMD自适应地将信号分解成多个IMF分量,然后计算各IMF分量与原信号的相关系数,选择合适的IMFs进行信号重构,再对重构后的信号进行形态滤波,滤除脉冲干扰,提取出故障特征信息。将该方法应用于滚动轴承故障诊断实例中,并将分析结果与直接对原信号进行包络谱分析解调的结果进行对比。结果表明,该方法提取故障信息的效果较包络谱分析解调的效果要好。

基于DT-CWT和奇异能量差分谱的滚动轴承故障诊断研究

滚动轴承故障信号具有非平稳、能量低等特征,为了能够准确、有效地检测出轴承故障,提出了将双树复小波和奇异值能量差分谱相结合的诊断方法。首先运用双树复小波对采集到的振动信号进行分解,再重构单支信号,由于噪声的干扰,从重构后分量的频谱中很难对故障做出正确的判断。然后对包含故障特征的分量求取奇异值能量差分谱,确定有效阶次进行信号重构降噪。最后对降噪信号求Hibert包络谱,便能准确获得故障特征频率。通过信号仿真和实验数据分析验证了该方法的有效性。

基于小波包能量与峭度谱的滚动轴承故障诊断

针对故障轴承的振动信号中包含冲击成分,导致信号的能量集中的问题,提出了一种基于小波包能量与峭度谱相结合的方法用以提取轴承故障信号特征。首先应用小波包对测量信号进行分解、能量归一化处理和信号重构,然后将重构信号采用峭度谱确定带通滤波器的最佳中心频率和带宽,最后将滤波信号进行包络解调并提取故障特征频率。分别对仿真信号和试验数据进行研究,能够清晰地得到故障特征频率及其高次谐波,从而验证了所提方法在滚动轴承的故障诊断中的有效性和可行性。