基于非侵入式测量的优势,实验室设计研发了运动诱导涡流(Motion Induced Eddy Current,MIEC)传感器用于振动信号的测量。作为一种非侵入式传感器,MIEC传感器具有结构简单、价格低廉和保证被测对象结构的完整性等优势,不仅可以应用于机电设备的状态监测,还可以应用于智能家居领域的人体健康监测。针对室内人体健康监测及旋转设备的振动监测问题,本文以MIEC传感器为信号获取装置,主要研究了MIEC传感器在振动信号获取上的应用和其信号处理方法两方面内容。主要工作包括三部分:(1)MIEC传感器的应用研究。研究了MIEC传感器的结构和测量原理,并针对人体及设备的振动信号测量,对MIEC传感器进行了调理电路的设计以及非侵入式部署。针对人体心功能检测,将MIEC传感器安装于办公座椅上,通过MIEC传感器对座椅上人体振动信号的采集实现了心冲击图(Ballistocardiogram,BCG)信号的测量。针对轴承振动信号的采集,将MIEC传感器布置在旋转振动台的基座上,实现轴承振动信号的体表测量。(2)事件信号提取算法研究。针对MIEC传感器所测得的BCG信号和人体及设备健康监测领域所常用的心电信号、轴承故障信号等具有脉冲性质的事件信号,研究了一种基于相空间重构的事件信号提取算法。该算法包括峰值特征曲线计算、时间序列分割和相似性片段寻找三个部分。通过相空间重构与网格化,计算得到原始信号的峰值特征曲线,可实现事件特征信号的局部增强。依据峰值特征曲线进行信号分割,保证了分割后的子信号均具有完整的事件特征。将分割后的子信号嵌入到二维相空间中进行相似度计算,解决了不等长信号的相似性度量问题,并应用聚类算法找到了具有事件特征的子信号的相似特征。将该算法用于处理实测BCG信号及公共数据库中的数据,所得到的结果验证了事件信号提取算法的有效性。(3)故障信息提取算法研究。MIEC传感器在体表测量时所得到的信号信噪比较低。因此针对低信噪比的振动信号中故障信息的提取问题,对基于Teager能量算子的时频联合分析算法进行了研究。Teager能量算子在分析信号时引入了能量的概念,使得信号中故障的冲击响应成分得到了增强,在结果中更容易观察到。计算过程中只需要三个采样点即可得到一个输出点,计算量小,并且具有很好的时间分辨率和瞬时响应特性。与经验模态分解算法相结合,所得到的时频分析结果中,轴承故障特征比短时傅里叶变换的结果更加明显。