考虑到最小熵反褶积(Minimum Entropy Deconvolution,MED)只对单一的异常振动信号很敏感,而且,滤波器的长度需要人工调控,提出了一种最大峭度熵反褶积(Maximum Kurtosis Entropy Deconvolution,MKSED)方法,并将其应用于轴承故障诊断。考虑峭度熵具有突出连续冲击振荡的优点,选择峭度熵作为反褶积的目标函数。同时,利用峭度熵作为改进的局部粒子群优化算法(Local Particle Swarm Optimization Algorithm,LPSO)的适应度函数,利用局部粒子群优化滤波器长度,使最大峭度熵反褶积在解卷积时自适应地调整滤波器长度,从而能够准确地提取出连续的脉冲信号。实验分析结果验证了该方法能够更叫有效的提取连续脉冲信号的能力,提升了故障诊断的精度。

本文介绍了电视信号中标准时间、频率的应用，其中包括彩色副载波标准频率综合器、电视行同步标准频率综合器、采样保持鉴相器、电视标准时间数字钟等设备的研制。藉助这些设备,只要直接接收中央电视台1、2或4套节目的全电视信号，便可输出常用的标准频率和时间,可用于精密时间测量、计量和校频，也可作为标准频率信号源使用，其校频精度达5×10-12/30 min，时间同步精度在1μs以下。

在比较分析的基础上介绍了选择光电传感器法作为智能动平衡仪获得基准信号的方案,并将此方案成功应用于智能化整机动平衡仪中.详细阐述了基准信号的提取和处理方法.实践证明该法具有传感器安装方便、转换电路简单、价格低廉且获得的基准信号稳定可靠等优点.

砂轮传感器拾取的振动信号是包含有大量噪声和其它周期成分的宽频信号，要实现精确平衡必须从中提取出与砂轮转速同频的不平衡振动信号，传统方法是采用模拟带通滤波器。其主要缺点是检波精度不高，另外对不同的磨床转速需要重新设计滤波器参数，通用性差。利用小波包对砂轮振动信号进行分解可以获得信号的时——频分布特性，对于分析以非稳态振动为特征的砂轮不平衡信号提供了有效的分析手段。文中给出了利用小波包进行砂轮不平衡信号提取的应用实例，并与其它信号提取方法进行了比较，显著提高了检波的精度。

远场涡流检测对高导电管的管壁上的缺陷非常敏感,具有透壁性.探讨应用远场涡流技术检测带翼片(散热片或金属隔板组件)钢管的有关问题,分析了管外翼片对远场涡流的耦合特性和缺陷信号的影响,得出了翼片响应信号与缺陷信号的关系及缺陷信号的提取方法.

针对基于四象限压力传感器阵列的迎角测量方法中传感器信号受到干扰的问题。讨论了在其预处理中应用小波包变换进行信号分离提取的方法。根据小波包分解理论，对信号进行小波包分解，信号中频率不同的部分落在不同的尺度上，剔除反映干扰的变换尺度，提取出有用信息。结果表明，该方法可很好地提取信号的主要特征信息，也有效地去除了确定性干扰和随机噪声，与传统的信号滤波方法相比较具有明显的优点，同时为后续的信号处理奠定了基础。

通过变分模态分解特征能量重构法(VMD)来实现对故障进行分析时,存在准确性不高的问题,针对这一问题,提出了一种通过变分模态分解特征能量重构法(VMD)和多尺度散布熵实现的柱塞泵滑靴磨损故障诊断方法。首先,对原始信号先进行了VMD分解,获得了能量余量;然后,设计了一种建立在特征能量占比(FER)基础上的变分模态分解特征能量重构法(VMD)和多尺度散布熵(MDE)的方法;最后,以柱塞泵故障诊断为研究对象,通过仿真分析方法,依次对柱塞泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下的情况进行了分析。仿真及研究结果表明:在逐渐增加时间尺度的过程中,粗粒化序列的随机性和复杂性都明显下降;故障程度增大后,形成了更加规律的变化过程;与DE、MSE和MFE相比,该方法的计算速度更快,分离效果更好;ELM相对SVM的训练时间缩短了12.5%,同时测试精度提升了17%;相

针对变分模态分解(Variational Modal Decomposition,VMD)特征能量重构法实现故障算法存在准确性不高问题,对原始信号先通过VMD分解获得能量余量,在特征能量占比(Feature Energy Ratio,FER)基础上对VMD特征能量重构法,并选择有效的多尺度散布熵(Multiscale Dispersion Entropy,MDE)作为向量。以液压泵故障诊断为研究对象,依次分析了液压泵在正常状态与滑靴端面磨损为0.1 mm、0.2 mm、0.3 mm状态下情况。仿真结果得到:时间尺度持续增大,形成了排列更有序的粗粒化序列,系统复杂性大幅降低。重构信号MDE在正常运行状态和滑靴磨损达到0.10 mm时都可以保持稳定状态。VMD-MDE方法进行处理获得了98.1%准确率,与VMD相关系数分类方法相比提高了7.1%,与模态分解(Mode Decomposition,DE)方法相比提高19.32%。极限学习机(Extreme Learning Machine,ELM)处理时间比支持向量机(Support Vector Machine,SVM)降低13.2%,而准确率增

针对六自由度机械臂关节扭矩传感器,为有效地提取机械臂关节的扭矩信号,提出一种适用于单轴扭矩传感器的信号提取方法。通过设计信号调理电路,采集扭矩信号,对电桥输出的微弱信号进行放大,同时减小同步温漂对信号输出的影响,解决电路的零偏问题。对扭矩测量传感器进行标定试验,得到扭矩测量传感器的性能指标及每个关节承受的扭矩与输出电压之间的关系。通过试验,验证了采用双全桥电路测量扭矩的可靠性。