机械振动特征分析中的信号处理技术与微机特征分析系统

文中指出抑制阶比混迭和泄漏是建立一套完整的微机特征分析系统中需要解决的二个关键的信号处理问题。提出了阶比滤波器是抑制阶比混迭有效和实用的方法;并研制频率比合成器以抑制泄漏。介绍了由频率比合成器、阶比滤波器、TMS32010数据采集装置、主机和绘图仪所组成的微机特征分析系统。最后给出了该微机特征分析系统对轴承进行故障诊断的结果。     

12.7mm高射机枪模态试验与分析

本文利用实验模态分析技术和有限元法研究机枪—土壤系统的动态特性,通过模态试验获得机枪在硬质土壤支撑条件下的低阶模态信息,据此对机枪有限元模型的边界条件进行模拟,并从动力学角度分析影响射击精度的主要因素,为进一步研究机枪结构动力修改和质量评估提供依据,     

一种新的变结构控制方案及其在船舶操纵中的应用

船舶的操纵与控制问题可以归结为一个四阶线性系统在环境干扰、参数摄动与建模误差同时存在时的状态空间控制问题。传统的变结构控制应用于船舶操纵系统易导致频繁来回操舵。本文研究一种连续的变结构控制方案,进一步讨论了其稳定性及优点,并将其引入限制水域的船舶操纵中。仿真表明,它可以完全抑制频繁来回操舵或抖振,并可得到较理想的控制效果。     

顾及噪声影响的GNSS高程序列预测Prophet方法

全球导航卫星系统(global navigation satellite system, GNSS)高程时间序列具有非平稳、非线性、含噪声等特点,在深入研究Prophet预测模型的基础上,针对Prophet预测模型对于趋势信号和周期信号有良好预测效果这一特性,提出一种引入经验模态分解(empirical mode decomposition, EMD)的“降噪—分解—预测”组合GNSS高程时间序列预测方法。该方法先将原始时间序列进行EMD降噪,再对降噪后的序列进行分解预测,最后重构各分量预测信号为最终预测序列。通过对实测高程数据进行研究,实验结果表明：降噪后信号的平均信噪比为10.30dB,能量百分比平均为88.75%;利用所构建的短期预测方法,GNSS高程时间序列预测结果的均方根误差分别平均提升26.41%和14.88%;平均百分比误差分别平均提升18.92%和7.91%,验证了组合预测方法的有效性及实用性。     

结合振动特征优选和GWOA-XGBoost的电机轴承故障诊断

为解决电机轴承故障状态难以识别,从而造成诊断精度不高的情况,提出了一种基于信号特征提取与极限梯度提升算法(extreme gradient boosting, XGBoost)结合的电机轴承故障诊断模型。使用优化的变分模态分解获得振动信号的固有模态函数(intrinsic mode function, IMF)分量,再基于多尺度熵理论计算各IMF分量的多尺度熵值进行特征重构。在鲸鱼优化算法(whale optimization algorithm, WOA)中引入遗传算法的选择、交叉、变异操作对WOA进行改进。用改进的WOA算法对XGBoost的超参数进行寻优,获得了帮助XGBoost取得最优分类效果的超参数组合,将7种不同故障类型的振动信号进行重构后输入优化的XGBoost模型进行故障诊断。实验结果表明,所提GWOA-XGBoost模型的电机轴承故障诊断精度能够达到97.14%,相较于传统诊断方法,性能提升效果显著。     

相位噪声对调频步进雷达信号的影响

频率源相位噪声的指标直接影响频率源性能,因而建立相位噪声与相关雷达指标之间的关系为频综设计者确定频率源相噪指标、改善雷达性能具有一定的参考意义.结合频率稳定度理论,基于调频步进雷达系统的信号模型,分析得出,频率源相位噪声在信号处理过程中发生混叠现象;并比较得出在相噪和相噪混叠对多点目标成像的影响中,相嗓的影响起主要作用.     

基于EMD和神经网络的气阀机构故障诊断研究

运用经验模态分解(EMD)对柴油机缸盖振动信号进行分析,求得各内禀模态函数(IMF)的能量百分比;将能量百分比作为神经网络的输入进行网络训练和故障识别,实现了气阀机构的故障诊断,取得了较好的效果。     

基于压阻敏感元件的压力信号调理电路设计

针对压力信号测量中压阻式敏感元件的压力信号易受温度影响,并且压力信号中常常会混有噪声干扰信号的问题,设计了一种新的基于压阻式敏感元件的压力信号调理电路。该方案采用恒流源供电方式消除温度影响,通过放大电路将传感器输出的微弱信号放大,再经抗混叠低通滤波电路滤除干扰信号;并对压力信号调理电路中各个模块进行了理论分析和试验验证。通过试验表明:该信号调理电路将温度影响减小到0.01%,并且能够有效地滤除压力信号中的高频信号。     

面向癫痫脑电的简化深度学习模型

针对脑电信号随机性强、动态变化迅速等特点,提出了一种简化深度学习模型研究癫痫脑电识别问题。提出的模型以一维卷积神经网络为基础,在结构方面简化了卷积层、池化层等以提高模型效率,在整体框架方面应用了Keras框架,在训练优化算法方面采用RMSProp算法作为模型优化算法,通过预定义的目标函数来进行损失估计,模型设计上加入了批标准化层和全局均值池化层。基于所提模型,从三个方面研究了癫痫脑电识别问题,即:利用经验模态分解,分别选取前三阶、前五阶、前七阶、前八阶的本征模态函数分量,在简化模型上进行对比分析;利用提出模型所具备的深度学习特点,直接识别原始脑电信号而无须特征提取环节;增加了三种不同方法分别提取7类特征,对相同的脑电数据进行对比分析。性能分析结果表明:对于五类不同的脑电信号,前三阶的本征模态函数分量的识别率达到92.1%,比其他几种处理方式识别率高;前八阶的本征模态分量识别率不及原始信号,表明人工数据处理时会给数据带来噪声; 所提出的简化深度学习模型能高效处理癫痫脑电识别问题,具备较高效率和较好性能。