AbstrAct论文摘要
上银优秀机械博士论文奖
针对近年来机械故障诊断对于微弱故障特征稀
疏性表征的迫切需求，本论文将不同观测域下的稀疏
成分表示和分离作为切入点，研究了小波展开域上的
柔性超小波自动诊断技术，探索了旋转机械周期簇稀
疏特征提取的非凸稀疏正则优化理论、复合故障耦合
特征的稀疏成分同步分离算法等关键科学问题和工程
实用技术。特别地，独立于经典内积匹配原理，本论
文提出了非凸精细正则化及总体凸优化的原创性诊断
理论。研究取得的主要创新成果如下：
（1）提出了周期稀疏导向的超小波自动诊断技
术。设计了针对性强的柔性超小波匹配函数库，为了
刻画对冲击性特征的匹配效果，构造了周期性非平稳
故障特征幅值权重指标（PNFAR），以PNFAR优化
为目标函数优选小波基函数。将所研究的自动诊断技
术应用于平整机电机轴承电蚀故障诊断以及某大型风
电设备电机轴承故障分析中，有效的实现了稀疏故障
特征的自动提取。
（2）提出了周期重叠簇稀疏信号优化特征提取
算法（POGS）。针对机械故障诊断周期性特征提取
问题构造了有效的稀疏优化目标函数，利用非凸正则
项增强稀疏特征提取效果，推导了目标函数整体为凸论文名称：周期簇稀疏特征提取方法及其在机械故障诊断中的应用研究
论文作者：西安交通大学 / 贺王鹏
指导教师：訾艳阳《研究领域：机械设备状态监测与故障诊断、复合材料健康监测、装备可靠性分析与寿命预测、柔性传感器设计》、Ivan W. Selesnick《研究领域：稀疏信号处理、小波变换、图像和视频处理、医学信号处理》
的约束条件。引入优控极小化方法求解所构造的目标
函数，并提出了高效的迭代收敛数值算法，且该求解
算法最终收敛于全局最优解。故障诊断实践证明该方
法鲁棒性强，在有限先验知识下从复杂干扰背景下检
测出微弱故障信息。
（3）提出了机械故障诊断的时频域周期重叠簇
稀疏（TFPOGS）特征提取算法。TFPOGS方法通过
求解所构造的非凸正则优化模型来获取稀疏的时频系
心电信号特征提取及分类方法研究
一、引言
心电信号是诊断心脏疾病的重要工具，因此如何提取和分类心电信号的特征成为了一个热门话题。现代人们常常面临着各种生活压力，例如，工作、学习和家庭等方面的压力。这些压力会影响心脏功能，导致心脏方面的问题。因此，对心电信号的研究成为了必要。
本文介绍了心电信号特征提取和分类的方法。这些技术可以帮助心脏病学家和其他相关领域的研究人员更好地理解心脏疾病的诊断和预测。
二、 心电信号概述
心电信号是描述心脏电活动的信号。心脏每次搏动释放出一个电信号，这个信号可以通过电极采集到。心电信号是一种持续不断的信号，因此它是连续时间信号。心电信号是非常微弱的信号，需要对信号进行滤波和放大才能更好地观察和分析。
三、 心电信号特征提取方法
心电信号的特征提取旨在从长时间连续信号中提取出具有重要意义的信息。这些信息通常包括心率、QRS波峰和ST段等。
1. 心率变异性（HRV） 心率变异性是描述心脏在不同时间内跳动的速率的变化。它可以提供有关心脏自主神经系统的信息，这对于心脏疾病的诊断和治疗非常重要。HRV可以通过计算时间和频率域特征来实现。时间域特征包括SDNN、RMSSD和pNN50等。频域特征包括LF、HF和LF / HF等。这些特征提供了有关心脏自主神经系统的信息，可以用来诊断心脏疾病和评估心血管健康。
2. QRS波形
QRS波形通常由三个波峰组成，包括Q波峰、R波峰和S波峰。QRS波形是用来检测心脏节律和心脏传导系统是否正常的信号。QRS波形的形状、幅度和时间可以用来诊断心脏疾病。
3. ST段
ST段是在QRS波形末端和T波开始之间的一段平缓的区域，用来描述心肌的膜电位恢复过程。这个区域维持在基线水平附近，ST段的上升或下降可以说明心肌缺血或心肌梗死等疾病。
四、 心电信号分类方法
心电信号分类通常是一种监督学习方法。分类方法可以用来对心脏疾病进行诊断或预测。
1. 基于机器学习的方法 机器学习是一种可以从数据中学习和发现规律的方法。在心电信号分类中，机器学习可以用来分类不同的心脏疾病和预测心脏病发作的风险。常见的技术包括支持向量机、决策树和神经网络等。
第５３卷第８期 ２０１０年８月 地 球 物 理
ＣＨＩＮＥＳＥ ＪＯＵＲＮＡＩ ０Ｆ 学 报
ＧＥ０ＰＨＹＳＩＣＳ Ｖ０１．５３。Ｎｏ．８ Ａｕｇ．，２０１０
吴何珍，葛洪魁，杨顶辉等．钻柱振动倒谱分析及其钻头源信号提取方法研究．地球物理学报，２０１０，５３（８）：１９６８￣１９７５，ＤＯＩ
１０．３９６９／ｊ．ｉｓｓｎ．０００１—５７３３．２０１０．０８．０２３
Ｗｕ Ｈ Ｚ，Ｇｅ Ｈ Ｋ，Ｙａｎｇ Ｄ Ｈ，ｅｔ ａ１．Ａ ｒｅｓｅａｒｃｈ ｏｆ ｃｅｐｓｔｒｕｍ ａｎａｌｙｓｉｓ ｏｆ ｄｒｉｌｌ ｓｔｒｉｎｇ ｖｉｂｒａｔｉｏｎ ａｎｄ ｅｘｔｒａｃｔｉｎｇ ｔｈｅ ｂｉｔ ｓｏｕｒｃｅ
ｓｉｇｎａｌｓ．Ｃｈｉｎｅｓｅ Ｊ．Ｇｅｏｐｈｙｓ．（ｉｎ Ｃｈｉｎｅｓｅ），２０１０，５３（８）：１９６８￣１９７５，ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０００１～５７３３．２０１０．０８．０２３
钻柱振动倒谱分析及其钻头源信号提取方法研究
吴何珍 ，葛洪魁 ，杨顶辉 ，陆 斌 ，韩来聚。，魏茂安。
１中国地震局地球物理研究所，北京 １０００８１ ２清华大学数学科学系，北京 １０００８４
３中国石化胜利石油管理局钻井工艺研究院，山东东营 ２５７０１７
摘要随钻地震参考信号处理的关键是从众多噪音成分ｑ１提取较弱的钻头源信号．钻头随机激励源信号由于其
频率范围宽，持续时间短，易受钻柱和其他机器噪音的影响．倒谱分析方法是一种非线性滤波技术，该技术不但可
以将时域卷积信号转变为倒时域信号的相加，而且通过窗函数的选择，还可消除结构混响，提取源信号．本文根据
钻柱模拟实验数据，利用了倒谱滤波技术进行瞬态源信号的提取，并用该方法进行ＳＷＤ参考信号的处理，从而达
到钻头源信号强化的目的．
关键词 随钻地震参考信号，源信号，倒谱分析，窗函数，钻柱波模拟信号，结构混响
ＤＯＩ：１０．３９６９／ｊ．ｉｓｓｎ．０００１—５７３３．２０１０．０８．０２３ 中图分类号Ｐ６３１ 收稿日期２００９—１１～２７，２０１０－０７—１５收修定稿
国 防 科 技 大 学 学 报 第２９卷第２期 ＪＯＵＲＮＡＬ ＯＦ ＮＡＴＩＯＮＡＬ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＤＥＦＥＮＳＥ ＴＥＣＨＮＯＬＯＧＹ Ｖｏ１．２９ Ｎｏ．２ ２００７
文章编号：１００１—２４８６（２００７）０２—０１１３—０４
基于核主成分分析的铁谱磨粒特征提取方法研究
李岳，温熙森，吕克洪
（国防科技大学机电工程与自动化学院，湖南长沙４１００７３）
摘要：针对铁谱分析的磨粒识别过程中存在原始磨粒特征描述指标参数多、非线性突出的问题，提出基
于核主成分分析的磨粒特征提取方法，介绍该方法的原理与算法。结合某柴油发动机故障检测与分析系统中
铁谱磨粒自动识别的应用实例，并与传统主成份分析方法进行对比分析，结果表明该方法在进行样本非线性
特征参数指标综合以及特征维数压缩方面具有可行性和有效性。
关键词：核主成分分析（１ａＰｃＡ）；铁谱磨粒；特征提取
中图分类号：ＴＰ２７７ 文献标识码：Ａ
ＫＰＣＡ—ｂａｓｅｄ Ｔｅｃｈｎｉｑｕｅ ｆｏｒ Ｄｅｂｒｉｓ Ｆｅａｔｕｒｅ Ｅｘｔｒａｃｔｉｏｎ
ＬＩ Ｙｕｅ，Ｗ Ⅺ．ｓｅｎ，Ｌｔｌ Ｋｅ－ｈｏｎｇ
（Ｃｏｌｌｅｇｅ ０ｆ Ｍｅｃｈａｔｒｏｎｉｃｓ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ａｕｔｏｍａｔｉｏｎ，Ｎａｔｉｏｎａｌ Ｕｎｉｖ．０ｆ Ｄｅｆｅｎｓｅ Ｔｅｃｈｎｏｌｏｇｙ，Ｃｈａｎｇｓｈａ ４１００７３，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｔｏ ｄｅａｌ ｗｉｔｈ ｔｈｅ ｐｒｏｂｌｅｍ ｏｆ Ｄｅｂｒｉｓ’ｆｅａｔｕｒｅ ｅｘｔｒａｃ￣ｏｎ ｗｉｔｈ ｔｈｅ ｃｈａｒａｃｔｅｒｉｓｔｉｃ ｏｆ １ａ ｓｃａｌｅ ｎｕｍｂｅｒ ｉｎ ｄｅｓｅｒｉｐｔｉ０ｎ
ｐａｒａｍｅｔｅｒ ａｎｄ ｎｏｎｌｉｎｅａｒ ｒｅｌａｔｉｏｎｓｈｉｐ ａｍｏｎｇ ｔｈｅｓｅ ｐａｒａｍｅｔｅｒｓ，ａ ＫＰＣＡ－ｂａｓｅｄ ｍｅｔｈｏｄ ｉｓ ｐｒｅｓｅｎｔｅｄ．Ｂａｓｅｄ ｏｎ ｔｈｅ ｄｅｔａｉｌｅｄ ｉｎｔｒｏｄｕｃｔｉｏｎ ｏｆ
