Hilbert-Huang变换能量谱在轴承故障诊断中的应用

H ilbert-Huang变换是先把时间序列信号用经验模态分解方法分解成不同特征时间尺度的固有模态函数,然后经过H ilbert变换获得频谱的信号处理新方法。介绍了该方法的基本原理,并将H ilbert-Huang变换的能量谱应用于轴承故障诊断,轴承故障实验信号的研究结果表明:H ilbert-Huang变换的能量谱分析方法,能有效地诊断轴承的故障。     

结构振动系统的模态解耦控制

基于特征结构配置的参数化结果,给出了实现结构振动系统模态解耦的充要条件,导出了期望的反馈增益阵及闭环特征向量矩阵的全体参数化表示。该方法在实现模态解耦的同时,还提供了全部自由度,可用来实现系统设计中某些性能要求。该方法直接基于原系统的参数矩阵,便于工程应用。三级质量弹簧系统的实例表明该方法有效。     

基于ICEEMDAN和小波阈值的Φ-OTDR信号去噪算法

针对分布式光纤声波传感系统信号信噪比较低的问题,提出了一种改进的自适应噪声完全集成经验模态分解方法。改进方法利用样本熵和小波阈值去噪算法,从高噪声分量中提取有效成分。通过改进的自适应噪声完全集成经验模态分解(ICEEMDAN,Intrinsic Computing Expressive Empirical Mode Decomposition With Adaptive Noise)对实际采集的信号进行分解,计算样本熵,将其中的含噪分量进行小波阈值去噪,最后与未处理的信号分量进行重构。实验结果表明,对实采的信号进行降噪处理后,信噪比提高了5.34 dB,均方误差降低了0.014 8,波形互相关系数提高了5.7%。与其他常用的去噪方法相比,该方法不仅在信噪比方面表现更优秀,而且在均方误差和波形互相关系数方面也具有更好的性能,能够更好地保留有用信号。     

柔性机械手的模态分析与模态辨识

柔性机械手的模态辨识是分析柔性机械手动力学与控制问题中的难点,目前有关文献的工作还不够深入,没有提出较为简单又可方便实时辨识的方法。本文提出了一种简单而有效辨识柔性机械手摸态的方法,在理论上根据哈密顿原理和滤波理论说明了该方法的正确性和可行性。     

自动武器系统精度综合分析方法的研究

本文为探讨自动武器结构系统与射击精度的内在关系,以动态优化设计的思想,提出分析自动武器系统精度的一种综合方法,将武器的传统测试与理论模态分析、实验模态分析以及有限元结构动力分析有步骤、分阶段地有机结合、交叉运用,通过修改有限元结构模型达到控制武器射击精度与优化武器结构的目的。     

离散变结构控制系统的变速趋近律

首次提出了离散变结构控制的变速趋近律．文中指出,在变速趋近律的制约下,会出现扇形的切换区．给出了扇形切换区准滑动模态的数学模型．     

基于声辐射模态理论的平面近场瞬态声全息

为了避免二维傅立叶变换算法引起的卷绕误差,首先从理论上推导出重建的公式、分析了重建中产生的误差,并给出了减小重建误差的方法;然后,以三个初始振动幅值不一样的刚性脉动球作为声源,采用本文提出的方法重构出声场,计算表明重构是有效的。     

基于改进希尔伯特-黄变换的进动目标周期估计

针对进动目标的微多普勒周期估计问题,提出了一种基于改进希尔伯特-黄变换的提取算法。该算法通过将希尔伯特-黄变换中的经验模态分解（EMD）替换为完备总体经验模态分解（CEEMDAN）,对目标回波信号进行分解得到各本征模态函数（IMF）后,再对IMF进行希尔伯特谱分析,从该希尔伯特谱中提取出目标信号中的微多普勒周期。仿真表明,所采用的方法能有效地克服EMD算法噪声环境中性能较差的缺陷,在低信噪比条件下具备较好的性能。     

EEMD+BiGRU组合模型在短时交通流量预测中的应用

针对城市交通流随机波动性强、数据中含噪声多导致预测精度下降的问题,提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)和双向门控循环单元(bidirectional gated recurrent unit,BiGRU)的组合交通流量预测模型,有效地提升了短时交通流预测的精度。模型利用EEMD算法对原始数据进行分解,根据分解所得的本征模函数(intrinsic mode function,IMF)分量绘制噪声能量图谱,去除分量中的噪声,并将去噪后的IMF分量作为BiGRU网络的输入进行训练,再将训练所得的结果进行重构加和,得到最终的预测结果。实验结果表明,未舍弃含有噪声的IMF分量进行重构的预测结果,相比于参考文献中提出的EMD+LSTM模型、LSTM模型和EEMD+LSTM模型,其平均绝对百分误差分别优化了42.36%、61.82%和30.95%;舍弃含有噪声的IMF分量后进行重构的预测结果,其平均绝对百分误差相比于将全部IMF分量进行重构优化了56.62%。