矢双谱分析及其在机械故障诊断中的应用

双谱分析由于可以有效提取信号中的非线性特征被广泛应用于转子故障诊断。但常规双谱分析是以单通道信号为研究对象,不能全面地反映转子系统的非线性特征,存在着信息遗漏的问题,而且由同一截面的两个通道信号得出的分析结论会不一致。为解决这个问题,以全矢谱分析方法为基础提出矢双谱信号分析的新方法。矢双谱是融合了同一截面上双通道信号的幅值信息而保留了各自的相位信息的全矢双谱分析方法,能够真实地反映转子运转所包含的各种信息,且能满足分析结论的一致性要求。给出矢双谱的定义与算法,通过仿真和齿轮箱故障试验,研究结果表明,该方法能够更加全面地反映信号中所包含的非线性特征信息,分析结论具有一致性和可信性,从而提高智能故障诊断的准确性。

基于矢双谱的智能故障诊断方法

支持矢量数据描述(Support vector data description,SVDD)是一种单值分类方法,可以解决故障诊断中故障样本缺乏的问题。矢双谱方法是基于全矢谱信息融合的双谱分析方法,能够有效融合旋转机械的双通道信息,更加全面、准确地反映信号中所包含的非线性故障特征信息。为实现在缺乏故障样本的情况下,对设备故障进行有效的智能诊断,提出一种矢双谱和SVDD相结合的智能故障诊断方法。采用矢双谱对双通道信号进行处理并提取特征矢量,作为SVDD的输入参数,建立起分类模型即可对机器运行状态进行分类。将该方法应用于齿轮箱的故障诊断中,结果表明可有效提取齿轮箱信号的特征信息,提高SVDD在故障诊断中的准确度。

基于LMD切片双谱和SVM轴承故障诊断研究

针对滚动轴承发生点蚀故障时峭度和1倍频能量都会发生变化的情况,提出了基于局部均值对故障信号进行分解的方法。该方法取峭度值较大有效分量信号进行重构,再做切片双谱进一步降低高斯噪声对特征频率的影响,提取故障特征1倍频、2倍频和3倍频并进行归一化处理得到特征向量。利用支持向量机对提取的特征向量进行训练与测试,从而识别故障与否及发生点蚀故障的程度。通过对实测滚动轴承振动信号的分析与诊断,验证了该方法的有效性,说明其具有良好的应用前景。

基于双谱分析和支持向量机的手震颤加速度信号识别

针对目前临床上对特发性、帕金森病、生理性等3种常见震颤误诊断的问题,本文提出了一种基于双谱分析和支持向量机识别3种不同类型震颤的新方法.首先测量3种震颤类型志愿受试者手震颤的加速度信号并分别对其用Hinich方法检验,发现该类信号具有非高斯、非线性特性,然后用适合处理该类信号的双谱分析方法提取手震颤加速度信号的双谱对角切片的特征信息,最后采用"一对一"和"一对多"两种多分类的支持向量机算法对受试人的手震颤特征进行分类.交叉验证表明"一对一"算法的平均分类正确率高于"一对多"算法,分类正确率最高达到93.13%.该方法为临床医生提供了辅助识别不同类型震颤的新途径.

双谱分析和支持向量机在转盘轴承故障诊断中的应用

针对转盘轴承故障样本少、信号微弱且不易提取的特点,提出了一种双谱分析和支持向量机相结合的故障诊断方法。首先采用双谱分析提取特征向量,然后利用支持向量机对转盘轴承正常、外圈故障、单个螺栓断裂、多个螺栓断裂4种状态进行分类和识别。结果表明:该方法分类结果的总体准确率为86%,基本有效可行,但精度仍需进一步提高。

基于双谱和支持向量数据描述的故障诊断

双谱是处理非线性、非高斯性信号的有力工具,而支持向量数据描述(support vector data description,SVDD)是一种单值分类方法,可以解决故障诊断中故障样本缺乏的问题。基于此,提出一种基于双谱和SVDD相结合的故障智能诊断方法。该方法采用双谱对振动信号进行处理并提取特征向量,以此作为SVDD的输入参数进行训练和分类。将该方法应用于滚动轴承的故障诊断中,结果表明,该方法可以有效提取轴承信号的特征信息,提高SVDD在故障诊断中的准确性。

不同意识脑电的双谱切片特征分析与分类

脑电是一种典型的非高斯、非线性随机信号,传统时域或频域分析已不能准确表征信号特征,而高阶谱方法对脑电信号的处理却有较好效果。本文通过几组不同意识状态下的脑电测试实验,提取脑电信号,并通过双谱分析提取脑电双谱切片的特征值,借助支持向量机、概率神经网络、最近邻分类算法等3种方法对双谱切片的特征值进行处理,比较其分类效果。研究结果表明,电极C3处脑电与其他电极处的脑电具有不同的双谱特征,不同脑电极信号双谱切片具有明显差异。

声矢量信号双谱与互双谱估计算法

提出了声矢量信号双谱与互双谱估计算法,给出了算法的具体步骤。将算法应用于两类水中目标的特征提取,并用所提取特征构造了LMBP神经网络的输入向量集,对矢量水听器实测的水中目标进行了分类识别。识别结果验证了所提出算法的有效性。实验表明,B类目标识别率优于A类目标,原因是由于B类目标特征频率较集中,而A类目标特征频率较分散所致。互双谱特征分类结果优于双谱特征分类结果这个事实是与声压振速联合信号处理优于声压或振速单一信号处理相吻合的。

基于双谱特征的超宽带雷达人体目标识别

为了在人体微多普勒特征不明显条件下识别静态人体目标及人体姿态,提出了一种结合双谱对角线起伏特性与目标强散射点分布特征进行人体目标识别的方法。首先,通过分析静态人体目标双谱,提取双谱对角线起伏特性作为分类特征,降低了双谱数据的维数,减少了双谱特征冗余。然后,结合目标强散射点分布特征从不同角度描述目标,并构造用于目标识别的特征向量。最后,用支持向量机实现目标识别。仿真和实测结果均表明,双谱对角线起伏特性与目标强散射点分布特征融合的方法可以有效识别出静态人体目标并且实现人体姿态识别。

双谱二次特征在雷达信号识别中的应用

针对利用常规参数进行复杂体制雷达辐射源信号识别存在的问题,提出将信号双谱作为雷达辐射源特征参数,并将Bhattacharyya分离度准则作为双谱的二次特征提取的算法.利用双谱分析可以完全抑制高斯有色噪声对信号的影响,同时保留信号的幅度和相位信息的特点,提高雷达辐射源特征参数的有效性;针对信号双谱中包含许多对识别辐射源不起显著作用的双谱和与辐射源识别无关的冗余双谱,将Bhattacharyya距离作为双谱二次特征提取的依据,将具有最强类可分离度的双谱提取出来作为信号的特征参数.仿真结果表明,提取的双谱二次特征具备一定的抗噪能力,在较宽信噪比范围内能够较好地体现辐射源之间的个体差异,平均识别正确率可达到95%.

双谱用于毫米波雷达目标特征提取的研究

在毫米波雷达系统中,信噪比对作用距离的影响很大。本文利用双谱技术提取出目标信号双谱的局部相位信息作为特征矢量;该特征良好的抗噪性大大降低了目标识别对雷达系统信噪比的要求,从而提高了毫米波雷达的灵敏度及作用距离。

基于双谱和支持向量机的小麦碰撞声分类研究

为实现小麦颗粒的自动分类,采用双谱和支持向量机相结合方法对小麦完好粒、虫蛀粒和霉变粒的碰撞声进行分类识别。对碰撞声信号进行双谱估计,提取信号双谱峰值和对角切片谱两部分特征,用支持向量机分类器进行分类,对完好粒、虫蛀粒和霉变粒3种小麦颗粒识别正确率均达84%以上。实验结果表明,该研究具有较强的实际应用价值,为小麦颗粒的分类提供了新的方法和依据。

双谱核主元分析在气液两相流流型识别中的应用

针对压差波动信号的非线性和非高斯特性,提出了一种基于高阶谱和核主元分析相结合的流型识别方法。通过对气液两相流压差波动信号的双谱分析,提取了不同流型下信号的非高斯特征,以双谱分析核主元数字特征提取流型的特征,最后利用最小二乘支持向量机对流型进行智能识别。实验结果表明,提取的核主元特征反映了两相流的流动状态,最小二乘支持向量机可以有效地识别水平管道内的4种典型流型,整体识别率达到95%,为流型识别提供了一种有效的方法。

基于双谱奇异值和最优参数支持向量机的目标识别算法

提出了基于双谱奇异值和最优参数支持向量机的目标识别算法。首先从目标距离像的双谱中提取双谱奇异值特征;然后通过实验的方法确定支持向量机参数取值的范围,利用遗传算法获取支持向量机的最优参数;最后应用最优参数支持向量机对3种地面坦克目标进行识别。仿真实验表明,即使在较低的信噪比下该算法仍然可以取得比较高的识别率。

基于矢双谱分析的旋转机械故障诊断研究

基于数据融合思想,将矢谱分析方法延拓到非平稳信号领域,与高阶谱分析结合,提出了矢双谱分析方法,给出了其定义、算法和性质。仿真和试验结果均表明,矢双谱能有效消除机械系统的高斯噪声,与单通道分析相比,能更全面、准确地反映系统的非线性特征,为故障诊断提供有力依据,并可应用于工业现场的在线诊断,具有实用价值。

一种基于射频指纹的电网无线设备入侵检测算法

随着泛在电力物联网的广泛建设,泛在电力物联网需要管理的无线终端设备日益增多,新的业务模式和复杂应用场景对电网无线设备入侵检测提出了更高的要求。射频(Radio Frequency,RF)指纹使用了终端设备射频上固有的硬件差异进行识别,且该特征无法用任何其他设备进行复制。为了解决在实际环境中遇到的设备入侵识别准确率低等问题,将射频指纹技术应用于电网无线设备入侵检测,改进了传统的基于信号双谱的特征提取方法,提出了一种提取射频信号矩形积分双谱(Square Integral Bispectra,SIB)和选择双谱的融合特征作为射频指纹特征的新方法,使用支持向量机(Support Vector Machine,SVM)作为分类器,对无线设备终端进行入侵检测。实验结果验证了将SIB和选择双谱的融合特征作为射频指纹特征来实现电网无线设备入侵检测方法的有效性和准确性。

基于图像识别的齿轮故障诊断方法研究

以圆柱齿轮为对象,提出了基于双谱分析和图像识别的齿轮箱故障诊断方法。通过小波包双谱分析生成故障信号的双谱图,并通灰度共生矩阵的2阶特征统计量来表征双谱图特征。对于这些特征统计量,通过相关度的大小进行分类从而得到故障模式识别的输入特征向量。通过支持向量机(SVM)模式识别算法对这些特征集合进行分类,从而识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。

基于小波包和双谱的发动机异响模式识别

摩托车发动机异响识别通常采用人工听诊法,受环境因素和经验参差不齐的影响准确率较低,需要寻找一种科学、有效的模式识别法来提高异响类型识别的准确度。利用麦克风采集发动机近场声音信号,首先利用小波空域相关滤波法去除背景噪声;然后分别采用小波包变换和双谱估计提取发动机声信号特征向量,作为发动机异响模式识别支持向量机的输入向量;选取RBF核函数及参数建立分类模型并训练;最后用测试样本检验分类模型的准确率。通过分析发现,采用所提出的发动机异响特征提取方法进行模式识别,训练准确率为98%,测试准确率达到90%。

利用信号围线积分双谱分形特征实现电台识别

信号的双谱能反映信号的细微特征,可用于电台识别中,但将它直接应用于电台识别需要计算复杂的匹配模板,增加分类器的复杂度,影响识别效率。针对此问题,提出了一种将信号围线积分双谱的分形特征作为电台特征参数的识别方法。首先由信号双谱估计值求出围线积分双谱,然后利用盒维数和信息维数定量描述围线积分双谱波形的复杂度,并将这两种分形维数作为特征向量,最后利用支持向量机(SVM)实现电台分类识别。对两部实际电台所发射的2FSK信号利用所提方法进行分析,结果表明在信噪比为7 dB及以上时,电台正确识别率能达到94.29%以上,验证了所提方法的可行性。

基于高阶统计量的DAISY特征向量降维

采用DAISY算子描述特征点时,每个特征点会生成一个1×200维度的特征向量。维度较高的特征向量会对后续的工作如特征点匹配等,带来非常大的计算量,严重影响算法的效率。因此,需要采取一定的方法降低特征向量的维度。因此,提出了一种基于三阶统计量的方法。这种方法可以通过提取原始向量中的主成分来降低维度。数值实验中证明,相对于经典的PCA降维算法,所提算法在提取主成分方面有更好的效果,同时可将向量的维数降到更低水平,大大提高了算法效率。