针对滚动轴承(rolling element bearings,REBs)早期故障振动信号冲击成分微弱,受噪声影响故障特征难以提取,提出了基于自相关和Teager能量算子增强的滚动轴承微弱故障特征提取法。利用自相关计算和经验模态分解(empirical mode decomposition,EMD),分别实现轴承振动信号整个频带随机噪声和低频噪声的抑制,突出故障冲击周期。同时,提出基于内禀模态函数(intrinsic mode function,IMF)能量比加权的互相关系数-峭度指标用于筛选最优IMF进行信号重构,强化重构信号中的故障信息。对重构信号作用Teager能量算子(Teager energy operator,TEO),得到故障冲击特征增强的瞬时能量序列,通过功率谱分析提取轴承故障特征频率。内圈故障仿真信号和滚动体故障实测信号分析表明,该方法能够有效抑制轴承振动信号噪声,对早期故障的微弱特征有显著增强作用。
睡眠质量对人的生活质量影响很大,而睡眠质量的好坏则可通过浅睡、深睡、快速眼动睡眠期(Rapid Eye Movement Sleep,REMS)等睡眠分期来进行判别。提出了一种基于微动敏感床垫进行睡眠分期的新算法。方法首先通过微动敏感床垫采集心电信号和呼吸信号等相关数据,然后利用短时傅里叶变换进行频域的预处理,之后再使用巴特沃斯滤波器进行滤波处理,最后利用固定阈值算法进行睡眠分期,进而得出个体的浅睡、深睡、REMS等不同时段的睡眠分期结果。对比标准的多导睡眠图(Polysomnography,PSG)睡眠监测结果,上述算法的分析结果符合率为92.9%,所得的结果具有较大准确度,对于睡眠健康的深度研究具有很大意义。
