基于LCD和MCKD的轴承故障诊断

针对振动信号故障特征频率微弱且难以提取的问题,提出基于局部特征尺度分解(local characteristic-scale decomposition,LCD)和最大相关峭度反卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的故障诊断方式。通过对待测信号进行LCD分解,得到一系列的内禀尺度分量(intrinsic scale component,ISC),并根据相关系数,即峭度的筛选原则选择重构所需的真实分量。再利用MCKD对重构信号进行降噪处理,最后对降噪后的信号进行包络解调,提取故障特征信息。实验证明该方法在轴承故障诊断上具有一定的可行性。     

VMD和CICA在齿轮箱故障诊断中的应用

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(variational mode decomposition, VMD)的约束独立分量分析(constrained independent component analysis, CICA)算法。利用单通道加速度传感器采集齿轮箱的混合故障信号,通过VMD算法将混合信号分解为多个不同的本征模态函数(intrinsic mode function, IMF),然后依据峭度和互相关系数选取有效的IMF分量进行重构信号,对于重构信号利用CICA进行降噪处理,根据CICA降噪后得到齿轮和轴承的故障特征,对齿轮和轴承混合故障进行仿真及实验研究,结果表明,VMD-CICA算法可以很好地提取齿轮和轴承的故障特征频率,同时与经验模态分解-约束独立分量分析(EMD-CICA)和集成经验模态分解-约束独立分量分析(EEMD-CICA)算法相比得到的故障特征频率更明显。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

波导环境多目标时延-多普勒解卷成像

有源声呐感兴趣的参量是目标距离和径向速度,它们无法直接观测得到,需要通过估计而获得。利用波导多路径环境多目标时延-多普勒模型,可以导出采样互模糊度函数均值是发射信号自模糊度函数与广义目标反射性密度函数的两维卷积,其中广义目标反射性密度函数为信道扩展函数与目标反射性密度函数的两维卷积。依据信息理论最小Csiszar鉴别准则,可导出R-L(Richardson-Lucy)迭代解卷算法,对采样互模糊度函数均值进行两维迭代解卷积,消除发射信号和信道引入的模糊,序贯地实现时延-多普勒两维像的估计,进而获得多目标的时延和多普勒参量估计。仿真结果和海上实验数据分析验证了R-L解卷算法的可行性和有效性,较之常规的匹配滤波和维纳滤波算法,R-L算法有效地提高了时延和多普勒估计的分辨力和精度。     

格林函数解卷积处理的阵不变量浅海无源定位

水下声源无源定位是声呐技术重要的研究方向。针对水下声源无源定位问题,本文提出了一种基于格林函数解卷积处理的阵不变量无源定位方法。该方法使用盲解卷积算法从水平阵接收信号中提取时域格林函数,然后采用空域解卷积方法处理得到的时域格林函数,获得波束时间偏移,从波束时间偏移中计算得到阵不变量,解算目标距离,从而实现声源定位。区别于常规阵不变量方法,该方法可以得到更精确的波束时间偏移,从而提升了声源定位精度。仿真和实验数据结果表明,在小孔径水平阵情况下,基于格林函数解卷积处理的阵不变量浅海无源定位方法相较于常规时域处理方法的距离估计精度提高近 40%。     

基于VMD-KPCA的轴承设备在线监控

针对轴承运行工况复杂且采集的信号受噪声影响较大,难以提取有效的故障特征并准确进行故障监测的情况,提出基于变分模态分解（VMD）和核主元分析（KPCA）融合的方法对轴承设备进行在线监控。该方法利用相关系数表征VMD得到各本征模态函数与原振动信号之间的关联程度,选择实相关的分量进行重构,提取重构信号的时、频域特征输入到KPCA模型中,结合热尔连T平方统计量（T2）和平方预测误差统计量（SPE）对轴承设备进行实时故障监测。根据已有的公开试验轴承振动数据集,通过试验分析发现,提出的方法对轴承设备的监控效果较好,能有效地监测出轴承设备发生的故障。     

基于小波去噪—经验模态分解和支持向量机的塔机起升机构轴承故障诊断

针对塔机起升机构轴承故障振动信号特点,提出了一种基于小波降噪—经验模态分解(Empirical Mode Decomposition,EMD)和支持向量机(Support Vector Machine,SVM)的塔机起升机构轴承故障诊断方法。首先,对采集到的振动信号进行小波降噪,接着通过EMD方法将降噪后的振动信号分解为若干个本征模态函数(Intrinsic Mode Function,IMF),构造IMF能量矩,最终将提取的能量矩作为输入来建立支持向量机,实现智能化诊断。实验结果表明该方法能有效地应用于塔机起升机构轴承故障诊断中。     

压痕点数及解卷积法对水泥纳米压痕试验的影响

采用K均值法与高斯混合模型对水泥净浆不同压痕点数的纳米压痕数据进行解卷积处理.结果发现:压痕点数对解卷积结果存在影响,100个压痕点数下2种解卷积方法得到的结果均较为离散,但225及以上压痕点数的解卷积结果相似度较好;K均值法虽依赖初值参数的选择,但其对数据的处理结果与高斯混合模型的拟合结果相近,因此可作为高斯混合模型的一种检验方法.     

城市燃气管道泄漏诊断方法

为了提高管道泄漏诊断的正确率和稳定性,提出一种将卷积神经网络用于管道泄漏诊断领域,并与softmax分类器结合进行管道泄漏诊断的方法。选取合适的声发射特征参数,进行声发射信号的提取,用时频和DFT处理将得到的声发射传感器信号转换为时频图和频谱图,将原始信号、时频图和频谱图输入卷积神经网络进行分类诊断。通过分析比较诊断结果可知,频谱图作为输入信息时CNN模型正确率高达99.5%,高于其他两种样本及BP神经网络的管道泄漏诊断率。     

滚动轴承制造精度振动测试模型构建方法研究

滚动轴承的振动是非常复杂的随机机械现象,在轴承制造过程中,常采用振动测试作为其质量评判标准,其关键技术是振动信号的分析。针对滚动轴承制造质量测试过程中振动信号的分解和判别模型构建问题,提出基于粒子群优化算法（PSO）的滚动轴承振动信号的变分模态分解（VMD）和支持向量机（SVM）判别模型构建方法。首先,采用自动测振仪对不同精度等级的轴承振动信号进行采集;其次,对振动信号进行VMD分析,以变分后的有限带宽模态函数（IMF）与原信号的相关系数ρ为适应度函数对VMD参数中的模态分解个数K和二次惩罚项α进行优化;然后,根据各模态的中心频率与其原始信号的相关性对模态分量进行优选和信号重构,并计算重构信号的多尺度排列熵（MPE）特征;最后,采用PSO算法对支持向量机（SVM）模型的惩罚参数c和核函数参数g进行优化,建立滚动轴承质量实时分析的SVM判别模型。试验结果表明：经PSO优化后的VMD-MPE-SVM模型对轴承制造精度的正确判别率为95.00%。研究结果可为滚动轴承制造过程中产品精度实时全检提供一种参考方法。     

太赫兹通信中的高速数字信号处理及其并行算法

本文针对太赫兹通信中高速数字信号并行处理中,并行化率低和码间前后拖尾而造成的串扰问题,进行了系统性研究。首先,为提高系统应用中的并行化率,针对输入信号采用一种基于短卷积迭代算法对网络中的高速数字信号进行并行滤波;其次,提出了一种自适应盲均衡算法来解决码间串扰来恢复原始信号;最后,通过MATLAB验证了均衡算法的有效性,并通过Labview仿真软件对所设计的算法进行实现,通过仿真分析,验证了所设计算法的有效性。经过并行化滤波以及均衡化处理后的高速信号可以较好地还原原始信号的信息。     

血管生成素样蛋白2联合IL-1β、IL-6在儿童川崎病病情中的意义

目的:探讨Angptl-2联合IL-1β和IL-6作为生物标记物在评估儿童川崎病(KD)冠脉损害的意义。方法:检测76例KD患儿急性期及恢复期血清中Angptl-2、IL-1β和IL-6浓度,并在急性期行心脏彩超检查;同时选取同年龄仅呼吸道感染患儿和健康体检儿童各39例作为对照组,进行比较和相关性评价。结果:各组间血清中IL-1β、IL-6和Angptl-2水平比较,差异均有统计学意义(P<0.01);各指标的最高值均在KD组的急性期。血清Angptl-2在KD急性期冠状动脉损伤组与恢复期组组间比较差异有统计学意义(P<0.05)。Angptl-2与IL-1β、IL-6成正相关(r=0.713、0.639,P<0.001)。结论:监测Angptl-2和IL-6、IL-1β等炎症因子水平对KD急性病情判断有一定意义,且Angptl-2与KD的病情活动相关,可监测恢复期的病情恢复。     

基于深度卷积神经网络的未知复合故障诊断

针对振动信号的非平稳性、非线性以及未知复合故障难以诊断的问题,提出了一种基于深度卷积网络的未知复合故障诊断模型。首先将采集到的时域振动信号通过小波变换生成频谱图像;然后将频谱图输入卷积神经网络(convolutional neural network,CNH),利用卷积网络自适应的特征提取能力对复合故障进行特征学习;最后将深度卷积网络输出的特征通过分类器对故障进行诊断分类。在实验室模拟采集的不同数据集上进行实验,结果表明:基于深度卷积网络的未知复合故障诊断模型与基于改进CDCGAN的复合故障诊断方法相比,对未知复合故障的诊断率提高了44%,达到85.77%;使用不同类型的单一未知复合故障和多种未知复合故障进行实验,验证了所提模型的泛化能力和鲁棒性。     

基于Wi-Fi信号SLR的AP选取算法

Wi-Fi室内指纹定位的精度和定位效率与参与定位的Wi-Fi信号接入点Access Points (AP)紧密相关,如何进行AP选取在Wi Fi室内定位技术中变得非常关键。本文提出了一种基于Wi Fi信号丢失率(Signal Loss Rate,SLR)的AP选取算法,通过AP的信号丢失率阈值α进行训练获取参数最优解,然后利用该阈值进行AP选取。为验证该算法可行性,在广州市城市规划勘测设计研究院测量部门的某办公室进行了测试。实验结果表明本文所提算法的平均定位精度比最大均值(Max Mean)、互信息(MI)和最小标准差(LSTD)等AP选取算法分别提高了44. 0%,41. 8%和27. 3%。     

基于卷积神经网络的故障诊断模型振动信号处理方法比较

针对利用卷积神经网络(convolutional neural networks, CNN)对滚动轴承进行故障诊断时可采用的振动信号处理方法较多的情况,设计了基于CNN的振动信号处理方法对比实验,采用不同的振动信号处理方法对滚动轴承在不同工况下的采样数据进行处理,再将动信号输入CNN故障诊断模型进行训练及测试,根据测试精度比较处理方法对故障诊断精度的影响。采用CNN中的AlexNet作为实验模型,选择模型中的最后3个全连接层,以达到快速训练的目的。对比不同信号处理方法对应的检测准确率可知,基于小波变换的滚动轴承故障诊断模型的检测准确率最高。     

基于SSA-LMD-GM的大坝变形组合预测模型

为提高大坝变形预测精度，针对大坝原始监测信号中的噪声，以及其非平稳性、非线性等特点，引入奇异谱分析(SSA)和局部均值分解(LMD)方法，提出SSA-LMD-GM模型。采用奇异谱分析(SSA)对原始监测信号进行去噪处理，为充分提取大坝形变信息特征，利用局部均值分解(LMD)对去噪后的监测信号进行分解。针对乘积函数(PF)分量的特征采用合适的模型预测分析，剩下余项则采用GM(1,1)模型。利用实际工程案例进行检验，结果表明，相较于其他模型，SSA-LMD-GM模型预测精度和拟合精度更加优秀，能较好地预测大坝变形趋势，具有一定的应用价值。     

盾构主轴承典型失效案例分析

通过对盾构主轴承再制造(整修)实际案例进行剖析,分析在盾构主轴承典型故障、失效形式及常见修复技术,为盾构主轴承的设计、维护保养及使用提出合理化建议,降低主轴承的使用风险,提高盾构主轴承使用寿命,同时为主轴承国产化研发提供相关借鉴.     

卷积在信号处理中的应用

本文首先阐明了卷积在通信领域的意义,再利用具体的例子帮助大家深刻的理解卷积,最后对卷积在信号处理中的物理意义进行总结。     

小波变换应用于金属氧化物避雷器在线监测信号处理的研究

利用小波分析可以同时在时域和频域进行局部分析的特点,将其应用于具有较大现场干扰背景的金属氧化物避雷器(以下简称MOA)泄漏电流在线监测的信号处理,对混合了噪音的原始信号进行小波分解,实现真实信号和噪音的分离,并进行了计算机仿真,证明这个方法是有效的。     

航拍绝缘子图像的去模糊处理

针对输电线路航拍图像中绝缘子的模糊图像,分别选用Lucy-Richardson复原法、最小二乘方复原法、盲解卷积复原法、维纳滤波复原法对原始模糊图像复原,并对各种复原结果进行了对比和分析,提出了改进的维纳滤波方法,即采用拉普拉斯算子对维纳滤波去模糊的图像进行线性锐化滤波处理,突出绝缘子的边缘信息,增强图像的轮廓特征,便于观察绝缘子的工作状态。最后引入灰度梯度向量模方和Gk′对复原后的去噪图像进行质量评价。结果表明,改进的维纳滤波方法提高了图像的清晰度,可以作为判别绝缘子故障的一种可行方法。