基于小波分析的氢涡轮泵低温轴承保持架故障特征辨识

提出了小波分析与短时傅立叶分析相结合的方法来分析处理滚动轴承的振动信号,提取对应于轴承保持架的特定频率成分有助于准确地判断轴承保持架的健康状况.研究结果表明,在氢涡轮泵低温轴承保持架故障特征辨识中,综合利用小波分析与短时傅立叶分析能够更形象、更直观地识别出特定的频率成分.     

基于第二代小波包解调技术的船载天线轴承故障诊断方法研究

针对船载天线传动机构中滚动轴承易损坏问题,研究基于第二代小波包解调技术的轴承故障诊断方法。首先将原始振动信号进行第二代小波包分解和分频带重构,求得各频带重构信号的希尔伯特包络谱分贝值;然后分别提取各频带包络谱中轴承故障特征频率处的分贝值,从而得到最大分贝值;最后依据冲击脉冲法故障等级经验计算公式识别轴承的状态。实际应用结果表明,第二代小波包解调技术可实现轴承故障的定位定量诊断。     

基于EMD-Hilbert包络谱分析的涡轮泵轴承故障特征识别

在火箭发动机涡轮泵高速轴承试验中,轴承的可靠性对保证试验的成功至关重要。针对涡轮泵轴承故障特征难以从原始信号中提取的问题,基于EMD-Hilbert包络解调分析方法,对涡轮泵高速轴承故障特征进行识别。采用EMD方法对原始信号进行自适应分解,获得若干个IMF分量;基于相关性指标最大原则筛选IMF分量进行信号重构;对重构信号进行Hilbert包络解调分析,提取出故障轴承的特征。以某型号涡轮泵低温高速轴承试验的真实故障数据验证本方法的有效性,数据记录了试验装置在阶梯式升速全过程中保持架故障的振动加速度信号。分析结果表明,基于EMD-Hilbert包络解调分析方法能够提高信噪比,最大程度保留保持架故障信息的周期性冲击成分,并能有效提取保持架故障频率、故障倍频及各种调制频率成分,实现对涡轮泵高速轴承故障的有效识别。为深度解析轴承保持架故障情况,结合系统11种运行状态,提出了一种轴承渐进劣化全过程的解析方法,确定出轴承故障早期人为干预的具体时刻。     

基于谱相关函数-Wigner-Ville谱的轴承分布故障信号分析

针对包络解调技术不能有效提取滚动轴承中分布故障特征的问题,利用轴承分布故障振动信号的二阶循环平稳特性,研究了基于谱相关函数的Wigner-Ville谱的时频特征提取方法。与直接Wigner-Ville分布方法和匹配追踪时频分布方法不具备降噪功能不同,对含噪声的循环平稳信号,先用长数据序列计算得到谱相关函数,可通过计算中的多次平均显著削弱信号中噪声成分,再对谱相关函数作关于循环频率的逆傅里叶变换,得到的Wigner-Ville时频分布计算结果可有效降低噪声的干扰。对有轴承分布故障的振动信号,用滤波器去除一阶循环平稳成分,用获得的基于谱相关函数的Wigner-Ville时频谱消除平稳随机噪声的影响,能有效提取轴承分布故障的二阶循环平稳特征。仿真分析表明:所提方法能有效直观提取轴承分布故障,而普通Winger-Ville时频分布易受噪声影响,包络谱分析结果无法明确轴承分布故障特征。实验结果验证了所提时频算法提取齿轮箱轴承分布故障特征的有效性,而信号包络谱、平滑伪Wigner-Ville时频分布均无法有效提取该特征。     

基于特征融合的雷达信号脉内调制类型识别

针对雷达信号脉内调制识别算法准确率低的问题,提出基于特征融合的雷达脉内调制类型识别方法,该方法首先提取雷达信号时频图像的形状特征和纹理特征,利用改进的主成分分析法（IPCA）对特征进行融合,然后将融合特征输入支持向量机（SVM）,实现信号的分类识别。仿真实验中对8种常见的不同调制类型的雷达信号进行识别,该算法在信噪比为5dB时识别准确率接近100％,验证了该方法的有效性。     

基于PSO-VMD算法的生命探测方法研究

生命探测雷达在航空航天领域有着重要的应用,通过探测飞行员的呼吸、心跳、肢体动作等微弱信号,实现对飞行员的生命监测。针对实际场景中生命体微弱信号检测困难的问题,提出一种将包络熵作为粒子群算法适应度函数的变分模态分解（variational mode decomposition,VMD）参数优化算法。首先,利用粒子群算法对适应度函数进行选择,确定VMD算法中固有模态分量的分解层数以及惩罚因子个数的组合;其次,通过频谱分析选择特定层数的固有模态分量并重构雷达回波信号;最终达到去除噪声,提取生命体弱信号的目的。对比实验表明,所提出的方法相比经验模态分解算法能够更加准确地提取生命体信息,仿真结果验证了算法的有效性。     

基于时变散射特征与CNN的双极化SAR作物分类

作物类型分类是极化合成孔径雷达(PolSAR)图像中最重要的应用之一。然而，由于成本和系统限制，越来越多的双极化SAR系统已经投入使用。由于双极化模式的限制，双极化SAR数据集存在严重的贴现特性，使得双极化SAR图像难以获得令人满意的分类精度，因此有必要提取更适合于双极化SAR数据集的散射特征。基于H/α分解的基本理论，引入了一个新的参数来测量农作物的时变散射特性，并针对双极化SAR图像提出了时变散射特征驱动的卷积神经网络(CNN)。实验结果表明:提出的CNN分类方法达到了最高的分类精度。与不同的特征组合输入相比，提出的新参数能稳定地提高分类器的分类性能，H、α、θ和强度特征的组合也能达到最佳的分类性能。     

一种基于小波和人工神经网络的故障检测与诊断方法

提出了一种基于小波和人工神经网络的故障检测与诊断的方法，该方法利用小波包分解的精确细分的特点，分别对正常系统和故障系统的采样信号进行精确特征提取，并构造一系列基于信号能量且具有表征系统状态能力的特征向量，然后利用人工神经网络分类器对系统在各种状态下的特征向量进行分类决策，从而实现对系统的故障检测与诊断。     

关于滚动轴承代号和画法标准的介绍与分析

概述了滚动轴承分类和结构,介绍了各类轴承代号及其标记,重点对滚动轴承的通用画法、特征画法和规定画法作了介绍与分析。     

SAR图像中道路检测方法研究

提出一种两步算法用于合成孔径雷达（SAR）图像中无监督地提取线性特征，特别是公路网的提取。第一步利用局部线特征检测算子提取线基元，为此本文提出一种改进的均值比率（RoA）算子，应用SAR图像的统计特性，保证较高的准确率；第二步引入公路结构特征的先验信息，构造方向势能函数（DPF）。通过DPF最小化，来对提取的线基元进行组织，获得宏观的线性结构，文中方法通过ERS－1图像加以验证。     

基于时频原子方法的雷达辐射源个体识别

针对雷达辐射源个体识别问题,提出一种时频原子分解的特征提取方法.该方法针对主振放大式发射机,首先根据锁相环频率合成器相位噪声的功率谱,模拟含有特定相位噪声的辐射源信号.然后基于时频原子分解原理并采用膜算法将带有相位噪声的辐射源信号在正弦原子库中进行一次分解.最后利用分解后的原子提取出正弦原子能量特征和原子频率偏差特征,...     

微惯性测量单元信号小波自适应滤波仿真研究

针对微惯性测量单元信号进行小波多分辨率分析后在各尺度空间呈现的不同特性,提出了一种分解层数和阈值门限自适应选取的滤波去噪方法,同时采用具有紧支集特性的Daubechies正交小波基和改进的阈值函数,自适应选取分解层数并逐层进行阈值自适应滤波,然后经小波逆变换重构原始信号,最后应用实际的M IMU信号进行滤波仿真。实验结果表明该方法能有效消除M IMU信号随机误差,大幅改善其零偏稳定性和信噪比,且算法简练通用性强,有很强的实用性。     

基于导航定位原理的火箭涡轮泵轴承故障诊断

为准确判断火箭发动机涡轮泵轴承在试验台上试验时发生故障的部位，同时避免通过轴承特征频率诊断轴承故障的方法所带来的不确定性，基于GPS卫星导航定位原理，利用时幅曲线的相位信息，提出一种新的轴承故障诊断方法:振源坐标定位法，即通过四个已知坐标的振动传感器测得同一振动波的时幅曲线相位差判定振源位置。将试验台上轴承和四个振动信号传感器安放在坐标已知的直角坐标系中，利用时幅曲线拐点分析法准确捕获振动信号到达四个传感器的时刻，再利用这四个时刻和已知坐标计算出振源位置坐标，最后根据振源位置坐标判断其是否为轴承故障及具体故障部位。通过仿真计算证明该方法理论上可行。     

基于振动检测的发动机故障诊断算法研究

基于振动检测的发动机故障诊断算法,分析发动机发生故障时振动信号所具有的特征和故障诊断指标选择,对振动信号预处理、特征提取、状态识别和诊断决策分别进行了介绍,研究出采用振幅和频率两参量包络曲线法诊断发动机故障的算法,通过发动机热试车验证了采用发动机振动检测来判断发动机故障的算法的正确性。     

基于图像识别的机械振动信号特征提取与寿命预测方法研究

滚动轴承作为许多机械设备的关键组件,被广泛应用于机械制造、航空航天等领域,其健康状态直接影响了相应设备的剩余寿命,因此在设备故障预测与健康管理(Prognostics and Health Management, PHM)领域,滚动轴承寿命预测具有很高的研究价值。目前基于数据驱动的轴承寿命预测方法主要利用特征提取并构造健康因子(Health Indicator, HI),然而在这一过程中特征的选择与融合依然依赖于专家先验知识,并且健康因子也很难从复杂的时序数据中进行提取。因此,提出了一种新型的数据驱动寿命预测算法,在特征提取方面,通过连续小波变换(Continuous Wavelet Transform,CWT)将传感器振动信号转换为时频谱图,再通过深度残差网络(Deep residual network, ResNet)结合时空卷积网络(Temporal Convolutional Network, TCN)将时频谱图中的时域频域特征构造成为健康因子,最后完成剩余寿命预测。本研究在PRONOSTIA数据集上与现有的数据驱动算法进行了对比,证明了该算法可以更准确地完成剩余寿命预测。     

SAR图像目标峰值特征提取与方位角估计方法研究

目标峰值特征是SAR图像目标识别的重要特征之一。峰值特征提取是SAR图像目标识别的一个重要步骤，为了由SAR图像快速、精确地提取目标峰值特征．本文首先研究了SAR图像目标峰值特征提取方法，提出了一种“子像素”级精度的SAR图像目标峰值特征提取方法．并通过仿真实验分析了峰值位置、峰值幅度的估计精度。由于目标SAR图像或SAR图像特征矢量对目标方位角变化的敏感性，因此，为了提高SAR图像目标识别系统的分类效率，本文还研究了SAR图像目标方位角估计方法，提出了一种利用峰值特征基于线性回归的sAR目标方位角估计方法，和现有方法相比，该方法除了计算速度快，估计精度较高之外，还能在估计方位角的同时，给出该估计的置信区间，从而更好的满足SAR ATR的实际需要。文中通过对大量实测MSTAR SAR图像目标方位角的估计实验，验证了本文目标峰值特征提取及方位角估计方法的有效性。     

一种快速有效的雷达目标识别方法

基于核的学习算法提出一种快速有效的雷达目标识别方法。首先利用核的主分量分析方法对雷达目标的一维距离像进行特征提取,可以有效地提取出其中的非线性特征;然后基于一种新型的支撑矢量机——近似支撑矢量机作为分类器对所提取的特征进行识别。实验结果表明,所提出的识别方法其正确识别率与标准支撑矢量机相当,但在计算速度上却有很大的提高,并对噪声具有较好的抑制作用。     

一种雷达信号模糊函数特征提取与识别方法

现代雷达面向智能化、软件化、多功能与多用途方向发展,一部雷达往往具有多种工作体制与工作状态,雷达信号采用复杂的波形设计,这就使得雷达信号的特征提取与识别过程变得越来越困难。另外,现代电磁环境复杂,杂波、噪声干扰严重,给雷达的侦察工作带来更大的难度。基于此,提出将流形学习应用于雷达信号模糊函数的特征提取,并对其进行仿真与分析。结果验证了该方法的可行性。     

遥感场景分类的批处理协方差神经网络方法

针对卫星遥感图像场景分类数据集中存在的局部区域特征异常问题，提出一种采用批处理协方差层的神经网络(CovNN)模型进行遥感场景分类的方法。该方法通过计算全输入通道的局部区域均值实现一种3D批处理协方差算法，能够有效消除局部区域均值的影响，从而更好地处理局部光照过强和局部区域存在无关特征的问题。将其应用于存在局部光照异常和局部无关特征问题的卫星采集AID数据集和NWPU RESISC45数据集中，实验表明CovNN在两个数据集上均取得了超过现有卷积神经网络(CNN)的召回率，可有效降低图像局部区域特征异常的不利影响。