基于油液光谱分析和粒子滤波的发动机剩余寿命预测研究

油液光谱分析是机械磨损状态监测、故障诊断与故障预测的重要技术,基于光谱数据的机械状态剩余寿命预测有利于实现机械系统的最优维修决策。由于机械设备越来越复杂,其健康状态的退化过程很难用线性模型来表示,而粒子滤波(particle filter, PF)对非线性非高斯系统的处理能力,与经典Kalman滤波相比具有明显的优势,文章将PF预测方法运用于光谱分析,提出了基于PF和油液光谱分析技术的设备剩余寿命预测方法。在预测模型中实现了根据设备后验分布的估计值预测其先验分布概率,建立了基于PF的多步向前长期预测模型。最后,对某发动机实际的光谱分析数据进行了预测和分析,并与传统Kalman滤波方法的预测结果进行了比较,结果充分表明了本方法的有效性和优越性。     

基于紫外-可见光谱与深度学习CNN算法的水质COD预测模型研究（英文）

水是生命之源,作为人类生活的必需品,水质的优劣直接关系到人们的健康生活。目前,关于水质COD在线检测方法的研究主要集中在光谱数据预处理和光谱特征提取,而针对光谱数据建模方法的研究较少。卷积神经网络(CNN)作为目前深度学习领域应用最广泛的网络模型,具有强大的特征提取和特征映射能力,本文将CNN与紫外-可见光谱分析法相结合,建立了基于CNN的水质COD紫外-可见光谱预测模型。模型使用Savitzky-Golay平滑滤波方法去除光谱噪声,光谱输入卷积层提取光谱数据特征、池化层降维、全连接层映射全局特征,通过ReLU和Adam优化方法,从而得到模型的预测值。通过实验发现, CNN模型具有较强的水质COD预测能力,具有较高的预测精度和回归拟合优度,通过与BP, PCA-BP, PLSR和RF等模型比较后发现, CNN模型的预测样本的RMSEP和MAE最小,R~2最大,模型拟合效果最优。在与训练样本的模型效果评价对比后发现,模型具有较强的泛化能力。针对吸收光谱的波峰偏移对预测结果所造成的预测结果不准确的问题,作者还提出了一种基于CNN的分类回归模型卷积神经网络增强模型(CNNs),去噪后的光谱数据通过CNN分类模型按照吸收波峰的不同特征分为三类,分别输入对应CNN回归模型进行预测。实验结果表明,分段式CNNs模型比整体式CNN模型的拟合效果更好,预测精度更高,R~2达到0.999 1,测试样本的MAE和RMSEP分别为2.314 3和3.874 5,比CNN分别下降了25.9%和21.33%,效果显著。通过对预测模型的性能测试,计算得出检出限为0.28mg·L~(-1),测量范围为2.8～500mg·L~(-1)。本文创新的将卷积神经网络与光谱分析方法相结合,为光谱分析方法在水质COD吸收光谱建模的应用开拓了新思路。     

人工神经网络结合多光谱遥感数据用于立地质量评价

多光谱遥感数据蕴含着大量的地表立地信息,而传统立地质量评价体系主要使用了人工地面调查数据。为了建立一套有效的立地质量评价体系,以内蒙古赤峰市旺业甸林场为研究对象,基于研究区域的多光谱遥感数据结合地面小班调查数据,采用一种改进的反向传播人工神经网络(back Propagation artificial neural network,BPANN)模型,以落叶松为例,建立了遥感光谱因子结合立地因子与地位指数关系的神经网络模型,对研究区域的小班进行立地质量评价研究。通过训练数据集的敏感度分析剔除弱相关或不相关的因子,简化了神经网络的规模,提高了网络的训练效率,得到了最优的地位指数预测模型,模型的预测精度达到95.36%,与使用传统小班调查数据建立的神经网络模型的预测结果进行了比较,精度提高了9.83%,说明使用多光谱遥感数据+小班调查数据确定的落叶松地位指数预测模型具有最高的预测精度。多光谱遥感数据十分适用于森林立地质量评价,改进BP神经网络具有理想的预测精度,充分证实了该方法的有效性和优越性。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型。对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现多种重金属元素同时检测等优点,故将XRF与深度卷积神经网络相结合,实现对土壤中重金属Zn元素含量的精确预测。采用箱型图来剔除X射线荧光光谱中的异常数据,采用熵权法结合多元散射校正来对样品盒数据进行校正,采用Savitzky-Golay平滑去噪法以及线性本底法对光谱数据进行预处理,可以有效地解决由外界环境和人为因素产生的噪声及基线漂移等问题。针对卷积神经网络结构的特殊性,将获取的一维光谱数据向量,采用构建光谱数据矩阵的方式来进行处理,将同一浓度、同一含水率下5组平行光谱数据向量转化为二维光谱信息矩阵,以该矩阵作为深度卷积神经网络预测模型的输入,以适应卷积层的操作要求,利用深度卷积神经网络特殊的结构模式,能有效提取土壤光谱数据特征,提高了深度卷积神经网络预测模型的学习能力,降低模型的训练难度。深度卷积神经网络预测模型采用3层卷积层搭建,使用ReLU激活函数激活,采用最大池化方式,减少数据的维度,增加Dropout层,防止过拟合,使用ADAM优化器对预测模型进行优化。实验以平均相对误差(mean relative error, MRE)、损失函数(LOSS)、平均绝对误差(mean absolute error, MAE)确定了模型的最优学习率为10-3以及最优迭代次数为3000,并将深度卷积神经网络预测模型与BP预测模型、ELM预测模型、PLS预测模型进行对比,以均方误差(mean square error, MSE)、均方根误差(root mean square error, RMSE)、以及拟合系数R2来分析比较预测模型的好坏,结果表明,基于深度卷积神经网络预测模型在对土壤中重金属Zn元素含量预测方面优于BP,ELM,PLS三种预测模型,提高了预测精度。     

基于近红外光谱技术的土壤参数BP神经网络预测

利用BP神经网络预测方法,建立了基于近红外光谱技术的土壤有机质含量和土壤全氮含量的分析模型。试验共测量了150个田间土壤样本的近红外光谱,首先采用局部加权散点图平滑滤波法对光谱曲线进行了平滑处理,然后根据对目标参数进行的聚类分析结果进一步平均了输入光谱,最后将反射光谱数据进行对数转换后与目标数据一起进行了归一化处理。对预处理后的光谱数据首先进行主成分分析,然后提取贡献率超过99.98%的主成分建立BP神经网络模型。对土壤有机质含量的分析结果：模型拟合精度为0.999,预测精度达到0.854。对于土壤全氮含量的分析结果：模型的拟合精度近似为1,预测精度达到了0.808。研究表明,基于近红外光谱技术的土壤参数BP神经网络预测模型具有较高的鲁棒性和较强的容错能力。     

基于油液原子光谱多维时间序列模型的机械磨损状态监测研究

提出了一种利用润滑油原子光谱分析技术对机械磨损状态进行监测的新方法。对磨合期润滑油原子光谱数据建立多维时间序列模型并视为标准模型,将新数据通过此模型后得到残差并选择残差方差阵元素作为新数据所属磨损状态的特征。然后,利用主成分分析法对高维特征进行降维,提取前三个主成分构成对应磨损状态的特征向量。最后,利用欧式距离度量对测试样本进行分类,达到了对机械磨损状态识别的目的。利用上述方法,通过对某型履带车辆发动机台架实验的光谱数据进行分析,对发动机磨损状态进行了有效识别,从而证明了所提方法的有效性。结果表明,将多维时间序列模型引入油液光谱分析技术,能够实现光谱信息的有效融合,提高机械磨损状态监测的准确性。     

基于油液光谱数据融合的湿式离合器剩余寿命预测

针对湿式离合器油液监测数据具有来源分散、数据量大及时间轴不稳定等问题,对光谱分析得到的多数据进行融合,利用维纳过程的预测实时性和预测准确的优点,建立模型开展离合器剩余寿命预测研究。首先,通过排列熵加权证据融合方法对离合器寿命试验获得的指示元素进行融合,构建健康指数;其次,结合维纳过程建立退化模型并通过极大似然法对模型中的参数进行估计;再次,根据历史退化数据对参数进行更新得到离合器剩余寿命预测模型;最后,将预测模型与实例进行对比,得到利用融合多元素的健康指数建立的维纳过程预测模型预测准确性相比单指示元素预测有了很大提升,其预测点更接近试验值。通过观察也发现,湿式离合器运行50～60 h左右时,预测点有了明显的变化,而同样在220～230 h时,预测点有了明显的偏差,在240 h左右又重新接近试验值,其突变点对应了离合器磨损的三个阶段,即初期磨损,正常磨损和剧烈磨损。研究结果表明,融合油液光谱数据结合维纳过程建立的预测模型用于湿式离合器的剩余寿命预测,具有预测实时性强且预测精度高的优点,而通过预测结果和试验值对比发现,湿式离合器磨损状态的不同对预测结果也有一定的影响,尤其磨损状态转变点对预...     

基于模糊递归小波神经网络的葡萄酒品质预测

针对葡萄酒品质预测模型难以建立的问题,提出一种基于模糊递归小波神经网络的葡萄酒品质预测模型。利用葡萄酒物理化学指标和品酒师打分作为模型的输入输出,采用梯度下降算法在线学习隶属函数层中心、宽度和小波函数平移因子、伸缩因子、自反馈权重因子以及输出层权值。仿真实验时,首先利用Mackey-Glass混沌时间序列进行了性能测试,然后利用UCI数据集葡萄酒品质数据对所建立的品质预测模型进行了验证。结果显示,与多层感知器、径向基函数神经网络等传统前馈神经网络相比,构建的模糊递归小波神经网络品质预测模型具有更高的预测精度,更加适合于葡萄酒的品质预测。     

基于改进教学优化算法的Hermite正交基神经网络混沌时间序列预测

针对传统预测模型对混沌时间序列预测精度低、收敛速度慢及模型结构复杂的问题, 提出了基于改进教学优化算法的Hermite正交基神经网络预测模型. 首先, 将自相关法和Cao方法相结合对混沌时间序列进行相空间重构, 以获得重构延迟时间向量; 其次, 以Hermite正交基函数为激励函数构成Hermite正交基神经网络, 作为预测模型; 最后, 将模型参数优化问题转化为多维空间上的函数优化问题, 利用改进教学优化算法对预测模型进行参数优化, 以建立预测模型并进行预测分析. 分别以Lorenz 系统和Liu系统为模型, 通过四阶Runge-Kutta法产生混沌时间序列作为仿真对象, 并进行单步及多步预测对比实验. 仿真结果表明, 与径向基函数神经网络、回声状态网络、最小二乘支持向量机及基于教学优化算法的Hermite正交基神经网络预测模型相比, 所提预测模型具有更高的预测精度、更快的收敛速度和更简单的模型结构, 验证了该模型的高效性, 便于推广和应用.     

基于独立组分分析和BP神经网络的可见/近红外光谱蜂蜜品牌的鉴别

提出了一种基于独立组分分析的可见/近红外光谱透射技术快速鉴别蜂蜜品牌的新方法。用独立组分分析方法获取蜂蜜的可见/近红外光谱载荷图,将载荷图中相关性最大的波段,作为人工神经网络的输入建立蜂蜜品牌的鉴别模型。建立了一个三层的BP神经网络模型,各层传递函数采用S型(Sigmoid)函数,并设置网络输入层节点数为9,隐含层节点数为10,输出层节点数为3。每个品牌25个样本,3个品牌共75个样本,用来建立BP神经网络模型,剩余的3个品牌各５个样本用于预测,鉴别准确率达100%,模型的拟合残差为8.245 365×10-5。说明基于独立组分分析的方法具有很好的鉴别效果,为蜂蜜的品牌鉴别提供了一种新方法。     

Fiber-fault monitoring technique for passive optical networks based on fiber Bragg gratings and semiconductor optical amplifier

A novel monitoring method for in-service fault indemnification in passive optical networks (PONs) is proposed and demonstrated experimentally. The proposed monitoring technique is based on fiber Bragg grating (FBG) sensors and fiber laser scheme, and a semiconductor optical amplifier (SOA) is used to serve as a gain medium. By detecting the number of the wavelength lasing, the fiber-fault can be monitored without affecting the in-service channels. Moreover, the strain behavior on the FBGs has also been discussed.     

基于半导体光放大器和光滤波器的全光非归零码到归零码的转换

利用半导体光放大器模型和仿真软件对全光非归零码到归零码的变换进行了数值仿真.在仿真结果的基础上,实现了基于半导体光放大器和光滤波器的10 Gbps的全光非归零码到归零码的变换试验.试验结果显示在RZ码输入功率为－15 dBm时,该变换的误码率为1.0×10－9.     

基于SOA光纤环镜的NRZ信号时钟分量提取的数值模拟

采用半导体光放大器(Semiconductor Optical Amplifier, SOA)的分段模型,对基于SOA光纤环镜的非归零 (Non-Return-to-Zero, NRZ)信号时钟分量提取进行了数值模拟.SOA光纤环镜可以将NRZ信号转化为包含其时钟分量的伪归零(Pseudo-Return-to-Zero, PRZ)信号给出了2.5Gb/s下的模拟计算结果,并与实验结果进行了比较,进一步给出了10Gb/s下的模拟计算结果.     

Investigation of wavelength division multiplexed hybrid ring-tree-star network topology to enhance the system capacity

In this paper, we have investigated wavelength division multiplexed (WDM) hybrid (ring-tree-star) topology. Eight optical add/drop multiplexers (OADMs) are used to make ring structure. The single mode fiber and dispersion compensating fiber and semiconductor optical amplifier (SOA) are employed between each OADM to achieve a maximum. To increase the number of users each OADM node of ring network is connected to star and tree network topology which can accommodate more than 2048 users. Various system parameters (for different channel spacing, different input power signal, different data rates and the fiber length) are varied to investigate the system performance in the term of BER and Q factor.     

基于神经网络的高压输电线路单端测距方法

针对单端行波故障测距第二个行波波头性质辨识问题,提出一种将小波模极大值方法和神经网络算法相结合的测距方法。采集故障波头时间差和极性等信息作为样本,利用神经网络的非线性拟合能力对样本进行训练、测试,从而建立相应的故障测距神经网络模型。将故障信息代入神经网络模型得到初步测距结果,根据初测结果和波头极性、时间差等性质的关系,对第二个行波波头进行正确辨识,从而得到优化的测距结果。经Matlab/Simulink仿真验证,该方法有较高的可靠性和精确性。     

A novel design using meshed-planar fan-electromagnetic bandgap (MP-FEBG) structure for ultra-wideband (UWB) antenna

A concept to combine the plane fan antenna with the meshed-planar electromagnetic bandgap (MP-EBG) structure is proposed; and then, based on the theory, a novel ultra-wideband (UWB) antenna with double-deck meshed-planar fan-electromagnetic bandgap (MP-FEBG) is designed. The structure of the sector is beneficial to the increase of the antenna bandwidth. The double layer structure can greatly reduce the size of the antenna, and the aperture structure can easily adjust antenna's performance. The antenna is compact in size, suitable for UWB applications. An antenna model was established on the substrate of FR4 and at least 79.1% dimension of the antenna was reduced by the traditional UWB antenna in the related documents. The simulation results show that the antenna can achieve a wide bandwidth from 3.20 to 15.78 GHz with return loss less than −10 dB and exhibit stable antenna gain. Furthermore, the measurement result is in better consistence with the simulation result.     

近红外光谱定量分析的改进ELM算法

极限学习机理论(extreme learning machine, ELM)作为一种新的化学计量学方法,在近红外光谱定量分析中的应用研究,已引起学术界的高度重视。然而,由于光谱数据维数较高,建立ELM模型时需要大量的隐节点,导致隐含层输出矩阵维数高且存在高度共线性,用现有的Moore-Penrose广义逆算法求取隐含层输出矩阵与待测性质间的回归模型往往会存在病态问题。基于ELM建立光谱波长变量与性质之间的回归模型,提出以ELM模型隐含层输出矩阵作为新的变量,采用作者最新提出的基于变量投影重要性的改进叠加PLS算法(stacked partial least squares regression algorithm based on variable importance in the projection,VIP-SPLS),建立新变量与待测性质间的回归模型。VIP-SPLS算法充分利用了每个隐节点的输出信息,能有效解决高维共线性问题,同时具有模型集成的优点,从而改进了ELM模型的性能。将提出的改进ELM算法(improved ELM,iELM)应用于标准近红外光谱数据集,结果表明iELM模型的精度相对于现有的PLS模型和ELM模型分别显著提升了29.06%和27.47%。     

Sensor and Actuator Fault Diagnosis for Robot Joint Based on Deep CNN

This paper proposes a data-driven method-based fault diagnosis method using the deep convolutional neural network (DCNN). The DCNN is used to deal with sensor and actuator faults of robot joints, such as gain error, offset error, and malfunction for both sensors and actuators, and different fault types are diagnosed using the trained neural network. In order to achieve the above goal, the fused data of sensors and actuators are used, where both types of fault are described in one formulation. Then, the deep convolutional neural network is applied to learn characteristic features from the merged data to try to find discriminative information for each kind of fault. After that, the fully connected layer does prediction work based on learned features. In order to verify the effectiveness of the proposed deep convolutional neural network model, different fault diagnosis methods including support vector machine (SVM), artificial neural network (ANN), conventional neural network (CNN) using the LeNet-5 method, and long-term memory network (LTMN) are investigated and compared with DCNN method. The results show that the DCNN fault diagnosis method can realize high fault recognition accuracy while needing less model training time.