基于小波包和神经网络的行星齿轮箱故障模式识别技术

行星齿轮箱振动信号在各频段的能量分布与其故障类型有关。利用Daubecics小波包将不同故障的振动信号分解到各个频带。BP神经网络的输入是各频带的能量——行星齿轮故障的特征向量,用神经网络识别故障类型。通过实验验证了该方法可以快速、准确地进行故障模式识别,达到良好的预期效果。利用此方法可以有效解决武装直升机武器系统复杂故障现象问题。     

基于小波包频带能量检测的神经网络故障诊断技术

利用小波包频带能量检测技术对观测信号进行处理,从中获取反映故障特征的信息,以此作为输入对网络进行训练,可对故障进行比较可靠的分类。同时介绍了利用小波包频带能量检测技术提取观测信号特征向量的方法和步骤,以及基于松散小波神经网络的故障诊断方法。最后结合某型导弹舵系统故障诊断的实例,给出仿真试验,证明了该方法的有效性。     

基于DWT-LPP的行星变速箱故障信号特征增强方法

针对行星变速箱齿轮故障信号特征易被噪声湮没且不同齿轮故障信号较难区分的特点,提出了一种基于离散小波变换(Discrete Wavelet Transform,DWT)和局部保持映射(Local Preserving Projection,LPP)的行星变速箱故障信号特征增强方法。首先,利用DWT对信号进行多频段的重构扩充信号维度;然后,通过LPP对多维度信号进行降维,减弱噪声影响并增强信号的稳定性;最后,以排列熵(Permutation Entropy,PE)、样本熵(Sample Entropy,SE)和功率谱熵(Power Spectral Entropy,PSE) 3种信息熵表征信号特征。对台架试验采集不同故障状态的振动信号进行分析,结果表明:该方法对故障信号特征增强明显,依据3种信息熵值的三维坐标有效实现了行星变速箱齿轮故障的分类识别。     

基于ELM的航空发动机故障诊断方法

以航空发动机主燃油泵为具体研究对象,提出了一种基于基于小波包能量比与极限学习机(Extreme Learning Machine,ELM)的故障诊断方法。对于某型真实航空发动机,采用振动传感器感知发动机附件机匣的振动信号,对获取的发动机附件机匣的振动信号采用DB3小波包对其进行3层小波包分解,求出第3层各频带信号的能量作为原始信号的特征,构建特征向量。用求得的特征向量建立基于ELM的故障诊断模型,对航空发动机主燃油泵进行故障诊断技术研究。为表明该方法的有效性,还设计了基于BP神经网络的故障诊断模型,并对所构建的特征向量进行了诊断。试验结果表明,基于ELM故障诊断方法可以有效提高故障诊断的速度及准确率,具有很好的工程应用前景。     

基于SVM的控制棒驱动机构滚轮状态评估方法

针对控制棒驱动机构滚轮振动信号非平稳、小样本的特性,提出了一种基于支持向量机的滚轮状态评估方法。该方法首先对信号进行小波降噪,再将降噪后的信号分解为若干乘积函数分量之和,选取包含主要故障信息的分量进一步分析,从这些分量中提取几种特征参数作为支持向量机的输入参数,建立了滚轮故障识别模型。通过对滚轮正常状态、故障状态的分析证明,该方法可以准确、有效地对滚轮的工作状态进行分类。     

基于振动分析的坦克柴油机汽缸燃烧压力检测方法

针对在坦克实车上不易直接测量柴油机汽缸压力的问题,提出了一种通过测量柴油机汽缸盖振动信号来间接检测汽缸燃烧压力的方法。在某型坦克柴油机上同步测量了汽缸燃烧压力、汽缸盖振动信号和变速箱振动信号,利用自适应滤波方法滤除了汽缸盖振动信号中包含的变速箱振动信号形成的噪声干扰,利用配气相位从时间域分离出由气体燃烧压力激发的振动信号,利用Hilbert变换和小波分解方法分别提取了振动信号和压力信号的特征波形。建立了RBF神经网络模型,以汽缸盖振动信号的包络作为网络输入,实现了汽缸燃烧压力的间接检测。     

一种应用于超大数据库的人脸识别方法

针对数据库中待识别人脸数目巨大，计算困难的问题，提出了一种基于小波变换和主成分分析的人脸识别方法。该方法首先对数据库中的人脸进行小波变换，然后对小波变换后的图像进行主成分分析提取特征，将特征送入BP神经网络进行训练、识别。经过对比实验，结果表明：该方法可以在保证较高识别率的前提下，大大降低数据维数，从而该方法可以应用于超大数据库的人脸识别。     

小波包变换和支持向量机模拟电路故障诊断方法

为提高模拟电路故障诊断效率,将小波包变换和支持向量机结合起来,提出了一种完整的模拟电路故障快算检测和准确定位的方案.利用小波包变换对电路输出电压信号进行多层分解,提取各频带的能量作为故障特征,给出了具体的特征提取方法;利用支持向量机的多分类一对一方法,完成电路的故障定位,同时实现了小波函数的选择.在一模拟电路的故障仿真实验中,通过与BP,RBF和PNN等神经网络对比,结果显示该方法的诊断效率是很高的.     

神经网络技术在智能BIT故障诊断系统中的应用

论述了智能BIT的智能设计、智能检测、智能诊断和智能决策,构建了基于神经网络的某高炮装备随动系统的智能BIT故障诊断系统。用Multisim进行电路仿真,提取输出信号的均值、峭度、偏斜度构成三维向量,以它作为特征向量利用神经网络进行模拟电路的故障诊断。通过比较BP神经网络、SOM神经网络和小波神经网络的诊断结果,得知利用均值、峭度和偏斜度作为特征,BP神经网络和SOM神经网络能够有效识别故障状态模式。     

基于小波神经网络的MEMS陀螺输出预测方法

为了解决弹载MEMS陀螺实时输出预测问题,提高陀螺输出预测精度并减小计算量,通过分析弹载陀螺信号时间序列特性,结合小波分析和神经网络两种方法的优势,提出了一种基于小波神经网络的MEMS陀螺输出预测方法。选取并优化神经网络结构参数,利用实测陀螺数据对建立的小波神经网络进行训练,并预测出未来一段较短时间的陀螺输出值。与陀螺实测值和ARMA模型预测结果的对比发现,小波神经网络方法有效地提高了MEMS陀螺输出预测的精度、减小了计算量,从而验证了该方法的有效性和精度。     

基于不同能量值特征优选的水声目标识别

采用Bartlet平均周期图、小波变换和经验模态分解方法分别提取信号的频段能量值特征、IMF能量值特征，重点对IMF能量值特征进行特征优选。通过设计BP神经网络分类器，对实测的四类舰船目标的辐射噪声信号进行测试，取得了较好的识别效果。     

基于小波分析对网络协议指纹识别的研究

小波分析是当前信号、信息获取与处理领域(尤其是故障诊断分析与检测技术)中一个十分活跃且迅速发展的新领域,是当今国际研究热点,它同时具有理论深刻和应用十分广泛的双重意义。基于小波分析对网络协议进行指纹识别研究,利用小波变换把原始信号分解成多频段的信号,对信号进行塔式分解,通过计算处理每一层取得所有的有关Wi信息,提取指纹特征信息,并提出了检测方法和指纹识别系统的体系结构,对解决当今日益突出的网络安全问题进行有益尝试。     

基于小波变换的舰船辐射噪声调制特征分析

舰船辐射噪声在不同频带上的调制是有差异,利用多子带技术可以得到不同频带上的调制谱.研究了多子带分析技术以及利用小波包分析获得不同频带上的调制谱技术,利用最小信息熵准则对小波包分解进行了优化.双比两种方法,得到了一些有益的结论.试验表明,多子带分析技术对识别工程应用有指导意义.     

面向射频指纹识别的高效IQ卷积网络结构

现有应用于射频指纹识别的卷积网络对时序同相正交(in-phase and quadrature-phase,IQ)信号的处理都是将其简单视为图像进行的,存在识别准确率低和计算量大的问题。针对以上问题,提出了一种基于IQ相关特征的卷积神经网络结构。该网络分步提取了IQ相关特征及时域特征,通过自适应平均池化获得了各通道特征均值,并用单个全连接层进行分类。实验结果表明,较传统卷积网络结构,所提网络在多种场景下的识别准确率更高,并且计算量更小。     

基于自适应小波正交基神经网络的参数辨识

提出了一种基于小波正交基神经网络的非线性在线辨识方法.小波变换具有良好的收敛速度和逼近精度,神经网络具有强大的非线性映射能力、自学习、自适应等优势,采用正交基小波函数作为神经网络的基函数构成小波神经网络,该网络兼有小波函数和神经网络的优点;制导航弹数字仿真结果表明, 该方法对含噪声数据进行处理效果好,能很好地满足非线性在线辨识的需求.     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合,应用于高海况、低信噪比条件下,水中目标信号的特征提取中.文中首先对信号进行功率谱估计,利用目标信号功率主要集中在低频部分的特点,提取低频信号的能量作为特征,然后利用人工神经网络对目标信号进行检测.利用不同浪级情况下海洋水压场的仿真信号数据,对某型目标舰船的水压信号进行了检测计算,验证了该方法的有效性,尤其是达到了在高海况、低信噪比条件下,对目标信号检测率比较高、虚警率比较低的效果.     

小波理论的单脉冲雷达目标RCS特性测量

随着现代信号处理技术的发展,对非平稳信号分析和处理的小波分析技术已成功应用于雷达目标特性分析领域,大功率单脉冲雷达作为我国航天测控网当中的主干设备,具有一定的目标特性识别能力。主要针对目前靶场的现有装备,讨论了基于小波理论的单脉冲雷达空间目标RCS特性测量,并对窄带低分辨率雷达在未来空间目标识别中发挥其作用谈了作者的看法。     

确定冲击载荷识别频段方法探讨

冲击载荷识别中,识别频段的确定直接影响识别精度,根据目前确定信号频段的4种方法,通过分析比较,提出了依实际情况,经载荷频段预估、试识别、平滑处理,而后用载荷频谱函数下降20db确定载荷频段的方法,并通过实例,进一步说明了该方法的可行性。     

参照化流形空间融合学习的敏感特征提取与异常检测方法

针对遥测振动信号冲击强、响应周期短、共振频带宽和小样本等特点导致异类模式识别率低的问题,提出基于参照化流形空间融合学习的敏感特征提取与异常检测方法。采用多尺度分析方法将信号正交无遗漏地分解到各尺度带中,提取多尺度特征构造高维特征集；以相同的正常信号样本结合相同类型的异常样本建立专属参照化模型单元,采用线性流形学习获取各参照化模型单元多尺度流形特征差异,增强异常特征的敏感性。融合各参照化模型单元的投影矩阵对原始特征集进行升维再学习,获取低维多尺度敏感流形特征；输入到分类器实现对未知样本状态辨识。实测信号处理结果验证了算法的有效性。