自适应VMD联合MOMEDA的滚动轴承故障提取

针对强背景噪声下滚动轴承微弱故障特征提取问题,提出了一种基于参数自适应优化变分模态分解(VMD)与多点最优最小熵解卷积(MOMEDA)相结合的轴承故障特征提取方法。首先对滚动轴承时域振动信号进行VMD分解,然后基于自相关函数脉冲谐波噪声比指标(AIHN)最大化原则进行挑选得到最佳模态分量(BIMF)并对其进行MOMEDA滤波,包络解调后得到故障特征频率,最后将本文所提方法体应用于数值仿真信号上可以明显观察到故障特征频率131.1Hz,应用于实际轴承故障信号可以有效识别轴承故障特征频率294.5Hz,与原始包络谱提取的311Hz以及MCKD提取的320Hz相比更加接近理论故障特征频率294Hz。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

Plackett-Burman设计和响应面分析法优化香菜中总黄酮的微波提取工艺

为了确定香菜茎叶中总黄酮微波辅助提取最佳工艺条件,首先用Plackett-Burman设计对影响香菜总黄酮得率的因素进行评价,筛选出三个主要影响因素:液料比,微波温度,乙醇体积分数。以香菜总黄酮得率为响应值,采用响应面分析法优化提取条件,确定最佳提取条件为液料比35∶1,微波温度80℃,乙醇体积分数67%。在此条件下黄酮得率的预测值为1.33%,实测值为1.31%,误差为1.30%。表明Plackett-Burman设计结合响应面分析法可以很好的对香菜总黄酮微波提取工艺进行优化。     

电力调度自动化系统及其发展的探究

随着社会的不断发展与进步,电网建设进程也在逐渐加快,而电力调度自动化系统作为电网安全运行的主要构成环节,在电力行业发展过程中发挥着十分重要的作用。现阶段,在电网装机容量与规模不断加大的形势下,对电网安全运行与管理提出了更高的要求,因此,为了满足当前电网建设的需求,一定要强化电力调度自动化系统的建设,保证电力生产的有序性与安全性。     

欧洲城市环境噪声地图与治理措施

欧洲公共交通发达、城市人口和居住密度大,是世界上环保立法上最完善、最严厉的区域之一,在噪声立法和治理措施方面走在了世界的前沿。     

奇异谱分解联合互信息的主轴轴承故障特征提取研究

奇异谱分解(singular spectrum decomposition, SSD)算法存在当信号信噪比较低时降噪能力较差以及敏感分量个数难以确定的问题。针对上述问题，提出了SSD联合互信息理论(mutual information, MI)的主轴故障特征提取方法。首先，将轴承振动信号经过SSD分解，得到多个奇异谱分量(singular spectral component, SSC);然后分别计算原始信号与SSC之间的互信息，选择最小互信息(minimum mutual information, MinMI)处的分量为最佳分量。由于背景噪声的影响，选取的最佳分量故障特征频率并不明显。因此，基于振动信号特点与互信息理论提出了差分突变互信息(differential mutation mutual information, DMMI)的有效分量保留方法，通过对计算相邻SSC之和之间的MI值，保留突变点内的分量作为敏感信号，在此基础上再依据MinMI原则设计带通滤波器，对敏感信号带通滤波并进行包络解调以提取故障特征频率。通过仿真信号与真实主轴轴承数据分析表明，对信号进行DMMI保留敏感分...     

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题，提出了一种基于信息融合的稀疏自编码故障诊断方法。首先，对振动加速度信号进行频域积分得到速度和位移信号，同时计算加速度信号的频谱；其次，将频谱、速度、位移三种信号融合成一个复合信号；最后，将复合信号作为稀疏自编码网络的输入进行深度特征提取，利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型，并与传统的稀疏自编码故障诊断模型相比，结果表明，所提方法能有效识别滚动轴承故障和RV行星轮故障，且在减少网络层数的同时能够提高识别准确率。     

旋转设备数据不平衡问题的数据生成方法

在旋转设备运行状态监测及故障识别时，采集的样本多为无故障样本，而故障样本较少，这种数据分布的不平衡会严重影响分类器识别的准确性。针对此问题，提出了一种少数样本数据生成方法，即基于傅里叶变换与皮尔逊系数优化的生成对抗神经网络（Fourier-Pearson generative adversarial networks，简称FP-GAN）模型。通过对故障少数样本的扩充，提高故障诊断训练和识别的准确性。首先，使用傅里叶变化得到信号频域的单边谱，使用GAN网络生成信号频域；其次，通过皮尔逊相关系数对生成的数据进行优化；最后，通过傅里叶逆变换获得更接近真实数据的生成数据。仿真和实验数据验证表明，基于FP-GAN生成的数据样本在时域特征、时域统计特征以及分类器分类结果方面都能较好地与已有实际数据融合，可以对小样本数据进行增强，能有效解决数据不平衡问题。     

一种用FPGA实现的FIR滤波器结构

A digital FIR filter architecture implemented in FPGA is described．The FIR architecture is based on a pipelined multiply-add-accumulator（MAC）which employs carry-save array．To save the delay time and hardware resources，multiplier uses the partial products generated by modified Booth algorithm．The FIR architecture is written in VHDL，and is synthesized into FPGA．The synthesis result shows that the proposed FIR architecture  can run at 50 MHz clock rate in FPGA XC4025e-2．     

一种高电源抑制比CMOS能隙基准电压源

介绍了一个采用０．６μｍ数字ＣＭＯＳ工艺制作的能隙基准电压源电路，该电路具有小的硅片面积（０．０６ｍｍ２）、高电源抑制比和较低温度系数。在该电路应用于高精度电路的偏置系统时，还可增加改善输出偏置电流温度系数的电路。