钢的硬度对磁巴克豪森噪声检测参数的影响

研究了钢的硬度对磁巴克豪森噪声（ＭＢＮ）检测参数的影响规律．得出了一个反映这一规律的经验公式．其系数可用实验数据的线性回归或图解法求得．所得关系对残余应力的定量检测和巴克豪森效应测量有重要意义．     

钢的硬度对磁巴克豪森噪声检测参数的影响

研究了钢的硬度对磁巴克豪森噪声（ＭＢＮ）检测参数的影响规律，得出了一上反映这一规律的经验公式，其系数可用实验数据的线性回归或图解法求得，所得关系对残余应力的定量检测和巴克豪森效应测量有重要意义。     

钢铁件淬硬层深度的电磁无损检测

通过分析磁矫顽力与淬硬层深度之间的关系,试制了一种电磁无损检测仪(DWY-1)。该仪器完全能满足生产实际对淬硬层深度的测量要求。     

金属磁记忆在齿轮早期微裂纹检测中的应用

依据金属磁记忆检测的基本原理,提出关于齿轮早期局部微裂纹缺陷的漏磁信号模型,指出在裂纹区域,漏磁场的切向分量具有峰值,而法向分量过零、其梯度具有峰值,分析了裂纹深度对上述特征的影响,并将上述理论应用于实际齿轮表面微裂纹检测,显微分析的结果论证了磁记忆检测的有效性。     

10CrMo910钢老化过程中的巴克豪森效应

基于Larson-Miller参数对10CrMo910钢进行了不同时段的高温加速老化模拟实验,运用光学显微镜(OM)和透射电子显微镜(TEM)对试样进行了显微组织观察,并研究了显微组织变化和不同老化程度对巴克豪森噪声(BN)的影响.结果表明,随高温加速老化时间的增加,老化过程中的主要组织结构变化为珠光体的消散与分解,碳化物自基体中析出与长大并向晶界迁移,晶粒亦有所长大,与此同时,位错密度则显著下降.与之对应的巴克豪森噪声检测结果显示,随着老化程度的增加,其BN振铃计数率呈逐渐降低趋势,作者从磁畴结构的角度并结合显微组织的变化对此进行了详细的分析并指出,老化过程中磁畴壁数目的减少是其最为主要的原因.     

霍尔效应磁传感器的相敏特性研究

检测强噪声背景中的微弱特征磁场信号,方法通过和低通滤波器相结合,利用磁传感器所产生的磁场信号和参考控制电流的相关输出,给出正比于待测磁场信号的直流输出电压。＊用计算机对霍尔传感器进行模拟。结果给出了有关噪声特性、谐波抑制和灵敏度的理论结果。＊结论由上述理论演变而成的仪器其最小可测磁场为１０－６Ｔ。除了直流输出之外,此类具有磁电相＊乘功能的传感器还可测量待测磁场信号的相位,并有良好的谐波抑制和噪声去除能力。     

油气管道缺陷漏磁在线检测定量识别技术

用有限元软件建模研究了管道缺陷的特征参数与漏磁信号的关系.对漏磁信号进行预处理以消除传感器提离值不同带来的影响,用BP神经网络进行了管道缺陷的定量识别,识别结果的误差<10%.将轴向和径向漏磁信号分别用加权平均和自适应加权平均两种方法进行信号级融合,数据融合后缺陷定量识别的精度和可靠性得到了提高.     

小波变换和改进谐波法的感应电动机转速辨识

针对感应电动机无速度传感器开环、闭环控制依赖数学模型的问题,建立了由自适应神经网络与小波变换构成的数字低通滤波器,并给出定子磁场定向改进转子槽谐波辨识转速的方法.利用小波变换辨识定子磁链,数字低通滤波器消除谐波信号、白噪声、频率变化等干扰因素的影响,保证准确提取转子槽谐波电压.仿真实验结果表明,该算法具有较强的鲁棒性,可在强噪声下进行信号检测,有效提高转速的辨识精度,使转速可以在很宽的范围内进行调整,并可改善其动态性能和低速性能.     

基于在线学习磁校准的行人航位推算算法

目前常用的微机电系统磁传感器存在时变的软磁和硬磁误差,这些误差严重影响基于地磁的航向估计以及地磁匹配定位算法性能.利用行人正常行走过程中产生的机会性自然旋转,使用陀螺仪感知磁传感器小尺度姿态改变,构建包含多个优选磁观测对的基于余差动态加权的非线性目标代价函数,使用具有全局最优解的布谷鸟非线性优化算法在线动态估计软磁和硬磁误差.使用所提磁校准算法可降低3.09°的平均航向误差.在行人航位推算算法上进行测试,航位估计相对误差为2.09%.     

外磁场激励下管道弱磁应力内检测特性研究

弱磁应力检测技术支持非接触在线应力损伤检测,在长输油气管道应力内检测技术领域具有巨大的应用潜力。但弱磁信号微弱,易受外界环境干扰,检测结果易出现偏差。为加强弱磁信号的检测能力,基于铁磁材料的微观特性,建立了外磁场弱磁应力检测模型,获得了弱磁信号强度随外磁场强度与施加应力的变化规律,描述了外磁场对弱磁应力检测信号的激励特性,并进行了系统的实验研究。结果表明,弱磁信号的切向峰值与法向零点均位于应力集中区的中心位置,且不随应力与外磁场的变化而发生波动;弱磁信号切向峰值与法向峰峰值随外磁场与应力的增加而增大;外磁场对弱磁应力检测信号的激励作用随外磁场的增加先增大后减小。     

应力对磁、声Barkhausen噪讯频谱特征的影响

通过对两种构件在不同应力条件下产生的磁、声Ｂａｒｋｈａｕｓｅｎ噪讯的强度分析,得出了在交变磁化场作用下,材料受力对Ｂａｒｋｈａｕｓｅｎ频谱影响的规律,从而得出磁、声Ｂａｒｋｈａｕｓｅｎ噪讯在拉、压应力下的差异。     

Relationship between magnetic Barkhausen noise and the stresses, the hardness and the phase content of ferromagnetic materials

Magnetic Barkhausen Noise (MBN) is a phenomenon of electromagnetic energy emission due to the movement of magnetic domain walls inside ferromagnetic materials when they are locally magnetized by an alternating magnetic field. According to Faraday’s law of electromagnetic induction, the noise can be received by the coil attached to the surface of the material being magnetized and the noise carries the message of the eharaeteristies of the material such as stresses, hardness, phase content, etc. Based on the characteristic of the noise, research about the relationship between the welding stresses in the welding assembly and the noise, the fatigue damage of the plate structure and the noise, and the influence of heat treatment and the variation of phase content to the noise are carried out in this paper.     

基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

基于多向电磁力的永磁同步电机电磁噪声分析

针对电机电磁噪声分析中主要关注径向电磁力而忽略电磁力分量,造成分析精度不准确的问题,对某8极24槽车用永磁同步驱动电机进行电磁仿真分析,得到电机磁场以及电磁力分布. 在电机定子模型上分别单独加载径向电磁力和综合加载径向、切向及轴向三向电磁力,对比分析电磁噪声. 采用边界元法计算电机电磁噪声,通过试验验证仿真分析的准确性. 建立电机参数化结构模型,分析不同定子槽口宽度和磁体圆角半径对径向和切向电磁力以及电磁噪声的影响. 结果表明,切向电磁力对电磁噪声有一定程度的影响,且加载径向、切向及轴向电磁力的电机定子模型更加真实可靠;合理减小定子槽宽和磁铁圆角半径可以有效降低电机电磁噪声.     

单相异步电机噪声、振动测试分析中的几个问题

单相异步电机被广泛用于人们生活中,其噪声及引起噪声的振动大小,直接影响家用电器的质量。本文通过对洗衣机电机的噪声、振动测试分析,说明了用数字信号分析的先进方法与已采用的瞬时断电法、改变转速法等测试分析方法相结合的有利性,并用实例验证了单相异步电机切向振动公式的可行性。     

巴克豪森噪声在应力及疲劳损伤检测上的应用

针对铁磁材料的应力状况、疲劳寿命及硬度等力学参数的测量手段和方法,利用铁磁性材料的特性之一－－magnetic Barkhausen noise效应,依据磁弹噪讯理论,研究了磁弹噪讯产生的机制,并研制出磁弹噪讯传感器和相应的铁磁材料应力与疲劳损伤检测仪器。实践证明：所研制的检测仪器及检测技术具有检测速度快、检测精度高、便于携带的优点。     

基于对信号功率谱拟合特征提取的信号识别方法

针对通信信号业务种类识别问题,提出利用机器学习领域的线性回归算法和多项式拟合模型提取信号功率谱的多项式拟合因子作为信号的统一特征来构建训练集,并在深度学习平台keras上构建了全连接的神经网络分类器模型.相比传统的方法,新方法具有对无线电信号统一表征而无需对业务逐个提取个性化特征的优点.选取实际无线电监测数据中的码分多址（CDMA）上行、CDMA下行、增强型全球移动通信系统（EGSM）上行、EGSM下行、无线局域网（WLAN）以及长期演进（LTE）6种信号的功率谱数据作为数据集,通过验证得到了97%的分类准确率,并证明了该方法的可行性.