测量信息对飞行器工作模态辨识精度影响分析

针对模态辨识结果对输入的敏感性，研究了测量信息对飞行器工作模态辨识精度的影响。介绍了自回归 滑动平均(auto-regressive and moving average,简称ARMA)模型环境激励模态辨识方法的理论、试验测点和激励情况，并给出了试验研究方案情况。通过选择不同测点布置组合，研究了测点布置对辨识结果的影响。对各测点数据人为增加噪声，研究了数据品质对辨识结果的影响。研究发现，测点数目较多，且测点布置在振型数值较大位置，辨识结果较好。     

Taylor展开的线性时变系统参数辨识及误差分析

以辨识线性时变系统参数为目的,应用时变参数Taylor级数展开后变为定常系数多项式的特点,在利用实测系统响应数据建立的时变自回归滑动平均模型(Time varying-auto regressive moving average,TV-ARMA)基础上,对线性时变系统参数辨识方法进行研究.利用最小二乘法获得时变参数的定常待定系数.对输入、输出误差对参数辨识的影响以及算法对误差的放大作用进行分析,根据误差分析结果,以减少误差及提高效率和精度为目的,提出分段辨识方法以及处理参数边缘不连续的线性插值技术,提高辨识的效率和精度.在Matlab环境下对谐波快变以及线性慢变的时变参数进行辨识以及讨论,提出合适的分段长度.仿真结果显示,在一定的误差条件下,方法所获得的时变参数的轨迹与理论值比较吻合,所采取的措施具有较强的抗干扰性和高效性.     

移动最小二乘法的时变结构模态参数辨识

研究时变结构模态参数辨识,基于泛函矢量时变自回归模型(Functional series vector time-dependent AR model,FS-VTAR)提出一种改进的移动最小二乘法的时变结构模态参数辨识方法。该方法源于无网格法中构造形函数进行局部近似的思想,引入带权正交基函数对移动最小二乘(Moving least square,MLS)的基函数进行改进,使得在辨识时间域内构造形函数矩阵过程中不再出现数值条件问题,从而提高了计算精度。把时变系数在形函数上线性展开,利用最小二乘法得到形函数的系数,从而得到时变系数。把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:改进的移动最小二乘法相比于传统的FS-VTAR模型能有效地避免基函数形式的选择和很高的基函数阶数且更加高效,相比于移动最小二乘法能有效地避免辨识过程中的数值问题,具有更高的模态参数辨识精度。     

一种改进的ARMA模型参数估计方法

针对自回归滑动平均(auto-regressive moving average,简称ARMA)模型参数谱估计容易出现谱峰漂移问题,提出一种基于组合目标函数和遗传算法的ARMA模型参数估计方法.通过最小均方误差准则获得ARMA模型参数初始估计,依据现代谱估计理论和连续函数极值存在的必要条件推导模型参数的频域约束方程,构造组合目标函数并采用遗传算法对模型参数初始估计值进行优化获得模型参数的最优解.将该方法用于车削状态下尾顶尖垂直方向振动加速度时间序列建模和谱估计,结果表明了方法的有效性.     

热弹性效应分析与机床进给系统热动态特性建模

通过一维杆的一维传热的分组显式数值求解,分析热弹性效应的存在及规律,得出随着时间的增长,温升-热变形之间的关系会逐渐趋近稳态,但不可能获得绝对的稳态;在传热过程中,随着距离增加,温度衰减很快,离热源越远的点的热弹性效环应越窄.提出用非线性时序模型与前向神经网络相结合的模型(Nonlinear auto-regressive moving average neural network with exogenous inputs,NARMAX-NN)来辨识热弹性效应.用NARMAX-NN模型对高速进给系统试验台的热动态特性进行建模,获得良好的效果.此方法比多变量回归模型、反馈神经网络模型及广义最小二乘输出误差模型有更好的精度和鲁棒性,能精确地对复杂结构、多热源的时变非线性热误差特性进行建模和预测.     

基于粒子群优化SVR-ARMA组合模型频率预测

为实现环境激励下复杂钢结构的损伤预警,提出一种基于粒子群优化(particle swarm optimization,简称PSO)的支持向量回归(support vector regression,简称SVR)-时间序列(auto-regressive and moving average model,简称ARMA)组合模型用于频率预测,并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明:与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比,所提模型具有更高的泛化能力和预测精度;在白浪河摩天轮钢结构的损伤预警中,基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化,具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

涡轴发动机弹性支撑外挤压油膜涡动特征频率

为实现环境激励下复杂钢结构的损伤预警，提出一种基于粒子群优化（particle swarm optimization, 简称PSO）的支持向量回归（support vector regression, 简称SVR）-时间序列（auto-regressive and moving average model, 简称ARMA）组合模型用于频率预测，并结合均值控制图法将其用于复杂钢结构的损伤预警中。所提出频率预测模型的准确性和有效性采用潍坊市白浪河摩天轮钢结构实测数据进行验证。验证结果表明：与基本SVR模型、SVR-ARMA模型和PSO-SVR模型相比，所提模型具有更高的泛化能力和预测精度；在白浪河摩天轮钢结构的损伤预警中，基于粒子群优化的SVR-ARMA组合模型可检出由损伤造成模态频率轻微的异常变化，具有较强的损伤敏感性。研究成果可为环境激励下复杂钢结构的损伤预警提供参考。     

振动台功率谱复现算法

传统的振动控制技术将初始辨识的系统频率响应函数贯穿使用于振动控制的过程中;针对液压振动台系统的时变特性,提出使用基于最小均方误差(least mean square,简称LMS)的自适应算法在线辨识系统的频响函数.平滑周期图功率谱估计法相对现代谱估计法分辨率较低,提出自回归(auto-regressive,简称AR)模型法对振动系统响应信号进行功率谱估计,利用尤利-沃克(Yule-Walker)方程求解AR模型参数,并给出AR模型阶次确定的方法.利用自行开发的基于DSP和ARM多处理器信号处理系统对功率谱复现进行软硬件仿真.结果表明,此方法对振动台功率谱进行复现,复现精度优于传统功率谱复现算法.     

基于FARIMA模型的Internet时延预测

针对Internet时延具有自相似性这一特点,采用自回归分数滑动平均模型(fractal autoregressive integrated moving aver-age,FARIMA)对Internet时延建模,提出了基于概率上限的Internet时延预报方法,即保证实际时延按一定概率在预测时延范围之内。通过对实测时延数据进行预测对比,结果表明基于FARIMA模型的预测效果要优于基于ARMA(auto regnessive and mov-ing average)模型的预测效果。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

矿渣粉磨健康状态识别模型及系统设计

提出一种基于数据挖掘的装备健康状态识别模型,实现对矿渣粉磨系统的运行健康预测。首先,利用一种多算法综合的特征筛选方法对工况数据进行挖掘分析,确定影响设备运行健康状态的评估指标参数;其次,以健康运行状态评估指标为对象,开展系统运行工况状态聚类挖掘,分析历史样本运行数据中的健康工况模式分布,以此为依据定义工况的运行状态类别,建立健康工况模式库;然后,将实时运行数据与健康工况模式库比对,利用自回归积分滑动平均算法(auto-regressive integrated moving average,简称ARIMA)训练预测评估模型,对健康评估指标参数的变化趋势进行预测,获取系统健康状态评估结果;最后,基于上述模型开发了矿渣粉磨健康状态识别系统软件,并应用于某生产现场,验证了该模型及系统的有效性和实用性。     

车辆主动悬架自适应LQG控制策略研究

针对车辆主动悬架的结构原理,建立了其动力学模型。在分析车辆主动悬架状态方程具有时变性的基础上,提出了自适应LQG主动悬架控制策略,通过自适应控制模型能够实现对车辆悬架时变参数和扰动输入参数的辨识。结合LQG控制性能指标函数,在确立簧载质量垂直加速度、悬架动行程和轮胎动行程的加权系数后,通过采用扩展自回归滑动平均模型进行悬架时变参数辨识,实现了主动悬架的自适应LQG控制。仿真结果表明自适应LQG控制策略优于LQG控制,较好地改善了车辆的平顺性。     

飞行器垂直尾翼的神经网络模型辨识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题。分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模。试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠。     

飞行器垂直尾翼的神经网络模型辩识

以某型飞行器50%的垂直尾翼模型为研究对象,针对模型结构振动主动控制系统的不确定性和非线性特性,研究了该系统的神经网络建模问题.分别采用单频信号和不同频率范围的扫频信号作为激励信号,基于外时延反馈的双BP神经网络,采用改进的非线性自回归滑动平均模型(NARMA)对模型结构振动主动控制系统进行辨识和动态建模.试验结果表明:此方法的辨识精度高,训练时间短,所建网络模型具有很好的泛化能力,辨识结果合理可靠.     

时间序列模型中的随机共振现象

在滑动自回归(auto regressive and moving average,简称ARMA)时间序列模型的基础上,利用模态稳定性图来确定系统真实模态,描述了在求解过程中产生的随机共振现象。借助悬臂梁的有限元模型,利用精细时程积分方法计算得到了其加速度脉冲响应函数,建立了用于振动模态识别的ARMA模型。在利用模态稳定性图来确定系统真实模态的过程中发现,加入合适的噪声信号可以有效地改善识别结果,剔除虚假模态,即产生了随机共振现象。对悬臂梁进行时变化处理后,随机共振现象较之前不变系统更加显著,对最终识别结果产生了明显的优化作用。     

电液弯辊力伺服控制系统的预测控制

本文利用广义预测控制原理，通过建立轧机弯辊力伺服系统的受控自回归积分滑动平均模型，实现了具有提前控制效果的预测控制，该方法简单、预测精度高、抗干扰性好、实时性强，能够消除系统中参数时变、非线性环节等因素的影响，仿真试验表明此算法具有较好的控制效果。     

机载往复密封二元时变相关退化建模与可靠度评估

往复密封件作为机载液压作动器的重要组成部分,对飞行安全有着重要的影响.机载往复密封件承受着高压、宽温、变载荷、强振动等机载工况,多场耦合作用下其失效机理复杂,现有数值模型难以完全揭示其失效机理.在基于自回归滑动平均(Auto-Regressive Moving Average,ARMA)模型的机载往复密封二元时变相关退...     

基于轨道数据对齐的ARIMA模型的轨道不平顺预测

轨道几何尺寸数据是在对被测轨道进行检查时得到的,而不同时间的历史数据,由于检查环境和条件存在变动,其数据表现经常伴随着累积里程误差的存在,导致数据存在无法对齐的现象,从而不能精准预测轨道不平顺的发展。针对此问题,提出将多组原始数据依次以某一步长进行分段验证,以互相关函数相互进行评价,将各组原始数据的里程对齐之后得到有效的观测值。以广铁集团惠州工务段杭深线潮汕站4道K1317+150-K1317+350间的2013-2015年度的历史数据作为试验样本,通过建立自回归积分滑动平均模型(auto-regressive integrated moving average model,简称ARIMA)预测轨道不平顺。结果表明,将轨道几何尺寸原始数据对齐后再进行其不平顺状态的预测研究,可以达到更高的试验精度,其相对误差绝对值的最大值小于5%,样本中相对误差均值为1.75%,适用于工程。     

基于ELMD能量熵与AFSA-SVM的行星齿轮箱关键部件故障诊断研究

针对行星齿轮箱振动信号复杂时变调质特点使其"难表征",致使据此构建的状态辨识模型精度低的问题,提出一种基于总体局部均值分解(Ensemble local mean decomposition,ELMD)的能量熵与人工鱼群算法(Artificial fish swarm algorithm,AFSA)寻找支持向量机(Support vector machine,SVM)最优核函数系数组合的行星齿轮箱关键部件的状态辨识方法。首先,利用ELMD分解经形态平均滤波的行星齿轮箱关键部件的振动信号来获取若干窄带乘积函数(Product function,PF)。然后,计算其能量熵来构建高维特征向量集。最后,将其作为输入,通过训练学习建立AFSA优化SVM的行星齿轮箱关键部件状态辨识模型。实验结果表明,所提方法能凸显原信号中的有效故障成份,提高了模型的状态辨识精度。     

基于自回归滑动平均最小熵反褶积的滚动轴承故障诊断

滚动轴承的时域故障信号含有工作部件或轴承元件间微弱碰撞产生非周期性冲击以及工况噪声成分,造成信号中表征故障信息的周期冲击成分难以提取,无法准确有效的对滚动轴承进行故障诊断。针对这一问题,提出自回归滑动平均最小熵反褶积方法。通过自回归滑动平均模型和最小熵反褶积计算得出正逆两组滤波器系数,其中自回归滑动平均模型计算出的滤波器系数用于分离故障信号中的非周期冲击成分,最小熵反褶积计算出的逆滤波器系数用于恢复故障冲击成分。通过仿真和实验的处理结果证明了方法的有效性。