基于LLSSVM的MUH高度信息融合技术的研究

应用基于局部最小二乘支持向量机(LLSSVM)的多传感器融合技术实现了高度信息融合技术的研究。针对无法精确测量的微小型无人直升机(MUH)飞行高度问题,用LLSSVM建立了以数据驱动的黑箱模型,并用该多传感器信息融合模型对高度信息进行预测。将基于LSSVM和LLSSVM模型的仿真结果进行对比,结果表明后者效果明显优于前者,说明基于LLSSVM的信息融合模型更为合理有效,解决了LSSVM模型的预测延迟和误差积累放大的问题。     

自适应VMD及其在状态跟踪及故障检测中的应用

针对变分模态分解(variational modal decomposition, VMD)的特征提取性能受到参数影响的问题,以及故障状态跟踪的 实时性较差的问题,提出一种状态预警线构造方法和自适应 VMD 方法并将其用于机械零件的故障检测。 首先,提取机械零件 全寿命振动信号的退化特征,基于 2σ 准则构造状态预警线来跟踪机械零件的退化状态并检测故障预警点。 然后,引入能量熵 和互信息构造适应度函数,通过蚱蜢优化算法(grasshopper optimization algorithm, GOA)构造自适应 VMD 模型来检测预警点附 近机械零件的故障状态。 结果表明,提出的状态预警线能更及时有效地检测出故障预警点,自适应 VMD 能更准确地检测出机 械零件故障,具有良好的应用价值。     

二次VMD筛选-MPE和FCM相结合的故障诊断方法

针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。