为了改善常规电刺激仪缺少主动训练模式导致的疗效不佳,在电刺激仪中引入一种新的肌电反馈方法;在肌电反馈设计中,针对病情不一导致的患者肌电幅值跨度大的特点,设计了自适应增益控制及滤波模块;采用了基于Delta-sigma计算技术的均方根值提取方法,检测患者自发肌电是否达到康复训练的阈值要求;并将均方根值作为反馈量控制刺激脉冲的输出;创新地实现了肌电信号的自适应增益调节、特征值提取及反馈控制,促使患者主动参与训练和治疗;经实验可知：系统已达到预定的功能,实现了康复治疗训练过程的智能化。

超声检测在多界面粘接检测应用中，由于多界面结构的特殊性，造成回波信号不易分辨。本文采用双探头对射法和单探头反射法对构件进行多次检测，再多次利用自适应滤波对回波信号进行特征提取。实验证明，这种方法能够较好的提取出各界面脱粘特征信号。

超声检测技术中，缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法，并对实测的超声缺陷回波信号进行了特征提取；进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明：泼方法提取的缺陷回波信号特征值，其可分性测度均值达91．7%，从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。

针对传统依靠单一指标判断空化状态方法中存在的效果差和滞后性缺点,在多类特征融合的基础上,对不同工况下产生的空化外特性信号进行探讨,开发出一种以极限学习机(ELM)方法评价液压柱塞泵空化程度的新技术,能够非常准确地测定液压柱塞泵运行阶段出现的空化情况。研究结果表明:通过EMD完成空化状态的分解,再对IMF分量样本熵实施归一化,完成空化处理后形成了不同的样本熵。提高样本熵值后,形成了更复杂变化特征的样本序列。通过与BP神经网络、随机森林方法进行对比,表明采用ELM分类器处理时只需设置简单的结构和系统参数就可以消除人为因素造成的误差波动。用户也可以自主设置隐层节点的个数,极大地增加了系统的适应性。

随真空度的持续提高,泵运行过程中开始形成空化并且空化程度逐渐变得明显,由此引起泵流量减小。为实现对柱塞泵的实际振动信号精确分析,选择小波基函数对采集信号实施三层小波包分解处理,经过阈值去噪以及小波包重构方法完成信号去噪过程。采极限学习机用EMD自适应分解方法处理振动信号,从中提取可以显著反馈信号复杂度的样本熵,并根据该参数判断空化情况。当样本熵值提高后形成更复杂的样本序列。开展了通过ELM实现的柱塞泵空化状态检测,结果表明:本设计特征提取方法都能够准确检测各工况的空化状态,与BP神经网络以及随机森林(FR)相比,ELM达到了更高检测准确度,并且ELM模型时间也显著缩短。该研究对提高柱塞泵空化振动信号提取及故障诊断效率分析具有很好的实际指导价值。

为解决强背景噪声下经验小波变换（EWT）难以准确提取滚动轴承故障特征的问题,提出了一种自适应频率窗EWT方法。首先对轴承故障振动信号进行傅里叶变换,引入一个带宽可变的滑动频率窗对其频谱进行分割;然后利用水循环优化算法（WCA）,通过所提出的包络谱谐波噪声比指标,自适应确定滑动频率窗位置;最后进行EWT筛选出最佳的模态分量信号,通过包络解调分析提取轴承故障特征信息。采用所提方法对滚动轴承故障实验信号进行分析,结果表明,该方法可以有效用于滚动轴承微弱故障特征的提取,而传统EWT方法因为受强背景噪声影响较大,无法准确提取故障特征信息。

目前行星齿轮箱已经在军用和民用装备中广泛应用，研究行星齿轮箱的故障诊断方法意义重大。为了研究行星齿轮传动的故障机理，揭示其故障特征，建立了行星齿轮系统的动力学模型，研究了齿轮裂纹对齿轮啮合刚度的影响，得出了正常、太阳轮裂纹和行星轮裂纹等三种状态下系统的振动响应。提出了基于包络排列熵的特征提取方法，以判断行星轮系的运行状态。最后通过实测信号验证了所提特征的有效性。

针对集成经验模式分解(Ensemble empirical mode decomposition,EEMD)在轴承故障特征提取中的问题,提出一种混合故障诊断方法。首先,将“形态滤波-平移不变量小波”作为EEMD的前置滤波器,实现对原始信号中窄带脉冲和随机噪声干扰的有效消除;其次,针对本征模式分量(Intrinsic mode functions,IMFs)中真实分量的选取问题,提出一种轴承振动信号EEMD分解的筛选规则,即计算各IMFs和原信号的自相关函数并作归一化处理,然后计算各IMFs自相关函数和原信号自相关函数的相关系数,以最大相关系数的一半作为阈值剔除虚假的IMFs,与此同时保留第1和第2阶IMFs,从而实现对EEMD的改进。仿真和实验轴承故障诊断研究表明了该方法的有效性,方法的优点在于将“形态滤波-平移不变量小波”作为集成经验模式分解的前置滤波器,可有效去除故障轴承振动信号中的窄带脉冲和随机噪声干扰;本文的...

针对液压阀件特性影响因素多的特点,提出利用主成分分析方法对多影响因素进行相关分析,根据各主成分的贡献率对液压阀件特性多影响因素进行重构,实现液压阀件多影响因素特征提取,从而用较少的主成分代替多影响因素。研究结果可以有效的降低液压阀件特性与多影响因素耦合规律的分析难度,同时提高液压阀件特性建模的鲁棒性,解决由于输入变量过多所造成的建模效率下降的难题。