基于自适应稀疏表示的宽带噪声去除算法

为了有效地去除信号中的宽带噪声,提出了一种基于自适应稀疏表示的宽带噪声去除算法.根据噪声成分与信号特征成分之间的不相关或弱相关特点,自适应地确定稀疏分解的终止条件,实现信号的稀疏表示.降噪过程中使用染噪信号构造学习样本,由信号的自适应稀疏表示和原子库的更新迭代实现原子库的训练.染噪信号在训练后的原子库上进行自适应稀疏表示,实现信号的噪声去除.仿真信号和齿轮振动信号的降噪试验表明:该方法具有比小波阈值降噪、匹配追踪降噪方法更好的降噪性能,能够有效地去除信号中的宽带噪声.     

加权多尺度形态滤波在轴承故障诊断中的应用

滚动轴承故障信号中通常包含了周期性出现的冲击衰减成分,冲击频率反映了轴承发生故障的位置信息。多尺度形态滤波可以提取分布在不同尺度下的冲击特征,为了更准确的反映不同尺度分析结果的贡献,提出了一种评价冲击特征提取效果的指标,并以此计算权值对多尺度分析结果进行加权综合。仿真信号和轴承外圈故障信号的分析结果表明,加权多尺度形态滤波方法可以有效提取强背景噪声下的冲击特征,为滚动轴承故障诊断提供了一种有效的手段。     

基于声发射检测技术的转炉耳轴轴承故障诊断

以转炉耳轴轴承为研究对象,将声发射技术应用于转炉耳轴轴承的故障诊断中,提出了应用主成分分析(PCA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。首先,对声发射信号的特征量进行主成分分析,得到更能反映设备状态的综合特征参数,然后将新的特征参数输入到最小二乘支持向量机中进行状态识别。利用在实际生产过程中采集到的转炉耳轴轴承声发射数据进行方法验证。结果表明,新方法能够有效区分出转炉耳轴轴承的故障模式,识别的总体正确率可达97.8%。     

基于声信号的轴承故障诊断方法

机械设备在运行过程中的声音包含了大量的机构运行状态信号，本文采用相关分析，小波变换原理，从应用的角度出发，对滚动轴承故障声信号进行时频分析。通过对声信号的多尺度分解和重构，分离出由故障造成的声信号突变。试验表明，该方法具有较好的可靠性和有效性。     

业务流程重组在热送热装生产组织中的应用

针对某冶金企业在热送热装生产组织过程中存在的问题，提出了利用业务流程重组的方法对企业的生产业务流程进行改造，规划了新的业务流程，并对其实施后的预期效果进行了分析，实际应用和理论分析表明，通过业务流程重组该企业可大大提高连铸坯的热送热装率和板坯的热装温度。     

ART3神经网络的研究分析及应用

在ＡＲＴ３神经网络模型的研究基础上，分析比较了ＡＲＴ３的分布式和压缩式识别码的模式识别情况，并且与ＡＲＴ２神经网络模式识别情况进行了比较，并将其应用在轴承故障诊断中，研究分析表明，ＡＲＴ３不仅继承了ＡＲＴ１和ＡＲＴ２神经网络的功能，而且还具备了相当强的功能和可扩展的潜力。