给出了一种基于小波变换的汉语语音信号预处理的方法。通过小波变换中的Mallat算法来分解汉语语音信号,能够消除信号冗余度,提高数据压缩比,而不影响语音信号的真实效果。同时还给出了小波变换原理和Mallat算法以及实验结果

以流量信号作为特征信息进行液压故障诊断,分析了液压系统中出现流量异常时的主要表现及产生原因,基于流量信号与液压系统工况之间关系的分析及CBG 2040型齿轮泵的4种故障的实验研究,指出:流量信号也是状态信息的丰富载体,利用流量信号来监测液压系统的状态及进行故障诊断是可行的、有效的

概述 一、信源的原始信号绝大多数是模拟信号,因此,信源编码的第一个任务是模拟和数字的变换,即:A/D,D/A 二、样率取决于原始信号的带宽:f=2×,w为信号带宽 三、抽样点的比特数取决于经编译码后的信号质量要求: SNR=6×(dB),L为量化位数

4.10.1周期误差的测定 一、周期误差 测距信号为e1,串扰信号为e2,相位差为,串扰信号与测距信号的强度比为K=e2/e1,串扰信号引起的附加相位移为△。K大,ΔΦ大

实验三序列信号发生器与序列信号检测器的设计 一、实验目的:用VHDL语言实现序列信号发生器和检测器的设计,并对其进行仿真和硬件测试。 二、实验要求: 1、利用VHDL语言设计一个8位任意序列的序列发生器,编译定义引脚并下载到实验箱中进行验证。 2、利用VHDL语言设计一个8位任意序列的序检测器,显示检测值,编译定义引脚并下载到实验箱中进行验证

为解决强背景信号下冲击特征的提取问题,提出了一种自适应多尺度形态学分析方法.对于实际的待分析信号,分别定义长度尺度和高度尺度来确定多尺度形态学分析的结构元素,并基于信号的局部峰值实现自适应多尺度形态学分析.数值仿真实验分析表明,自适应多尺度形态学分析方法较单尺度形态学分析方法更利于提取信号的形态特征,避免了单尺度形态学分析在结构元素选择时的盲目性和对相关先验知识的依赖性.本文所提出的方法应用于轴承故障诊断,结果表明这种方法可以清晰地提取出各种特征信号

1.1信号与系统 1.2信号分类与典型确定性信号 1.3冲激函数、广义函数 1.4信号分解 1.5系统分类 1.6线性系统

由PLC程序设计者自行定义,如在 SINUMERIK810数控系统 中,机床侧的某一开关信号通过IO端子板输入至I/O模块 中,参阅图0-1所示。设该开关信号用1102来定义,在软键功 能 DIAGNOSIS的 PLC STATUS状态下,通过观察IBl0的第 2位“0”或“1”来获知该开关信号是否有效 11.2PLC至机床 PLC控制机床的信号通过PLC的开关量输出接口送到机床 侧,所有开关量输出信号的含义及所占用PLC的地址均可由 PLC程序设计者自行定义

行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性

滚动轴承局部故障振动信号中的周期性冲击是识别故障的关键特征.形态分量分析在由多种形态原子组成的过完备字典基础上提取信号中的不同形态成分,基于这种思想提出了一种基于新型过完备复合字典的形态分量分析方法.依据滚动轴承故障振动信号中分量间的形态差异性,改进字典后该方法可以更具针对性地提取出包含故障特征的冲击分量,配合包络谱分析准确提取故障特征频率,诊断滚动轴承局部故障.对比基于快速谱峭度法的轴承故障诊断方法,该方法可以避免人为选择共振带产生的不准确性和非最优问题,提高了故障诊断效果.通过轴承仿真信号和故障实验信号分析验证了该方法的有效性