基于RNN的神经网络辨识液气联合工作液压作动器模型

建立了一种回归神经网络辨识非线性液压作动器系统数学模型的辨识方法,研究了基于回归神经网络内部状态反馈的辨识算法,利用辩识实验获得的过程输入／输出数据动态调整神经网络权值。仿真结果辨明：回归神经网络描述的液压作动器系统数学模型具有较高精度,算法全局逼近能力良好。     

无人机群反舰作战动态目标弹药分配模型

无人机群在协同作战中具有独特的作战优势,基于目标战术价值和编队防御优势等因素,建立目标舰队动态防御威胁数学模型,用于无人机群多目标分配;在传统蚁群算法的基础上,通过改进其搜索机制及信息素更新范围,提出一种基于信息素范围约束条件下的随机蚁群(RRSACS)搜索算法,采用12架无人机对抗5艘舰船以1批次和2次突防的模式,模...     

液态沥青料位传感器的研究

针对液态沥青粘度大、温度高、流动性差的特点,对实现其料位检测的一种新型声波测距系统的机理进行了研究.由赫姆霍茨谐振器的原理知,容器体积与其谐振频率之间存在着特定的数学关系.当谐振式传感器探头向料仓发射频率时,探头同时接收回波并由单片机检测出谐振频率.依据谐振频率值可求出料仓体积,从而求出料位.该谐振式传感器探头由动圈式高频电动扬声器、电容传声器及单片机控制板组成.其声波由电动扬声器发射,声波接收采用电容传声器.该传感器可应用在精度要求不高的固态料位、粉状料位和液位的检测.     

并联机器人的理论及应用研究

并联机构刚度大，承载能力强，精度高，运动惯性小，备受人们关注。对并联机器人的理论、应用研究及国内外发展现状进行了详尽综述，指出并联机器人理论及应用研究领域有待深入开展的研究工作方向。     

基于相空间重构和非线性流形的滚动轴承复合故障诊断

针对滚动轴承振动信号的非平稳以及非线性特点,提出了一种基于相空间重构和非线性流形的滚动轴承复合故障诊断方法。该方法首先将滚动轴承一维振动信号重构到高维相空间,然后计算重构信号协方差矩阵的特征值,以此组成轴承故障诊断原始特征集;采用局部切空间排列算法对原始特征集作特征压缩后,将获得的新的特征输入到K-means分类器中进行轴承故障的识别与聚类。实验结果表明,与经典的线性分析方法PCA相比,该方法的聚类效果更好。     

中板四辊轧机万向接轴断裂原因分析

根据有限元计算、断口分析和实测数据对万向接轴断裂的原因进行分析。认为万向接轴断裂的主要原因是在高应力作用下的疲劳引起的     

基于经验模态分解的小波阈值滤波去噪

经验模态分解(EMD)是一种新出现的处理非线性、非稳态数据的信号分析方法,首先对带噪信号做EMD分解,得到各阶本征模函数(IMF)分量,然后对高频的IMF分量用小波去噪中的阈值方法进行处理,把经过阈值处理的高频IMF分量和低频的IMF进行叠加,得到重构后的信号,即去噪信号。通过三次样条包络分离数据的高阶成份和趋势项。利用EMD的这种特性,提出一种基于EMD变换的阈值去噪算法。仿真实验表明基于EMD变换的去噪具有较好的自适应能力,形式简单,应用方便灵活,不受傅立叶变换及小波函数选择的限制等。     

POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。     

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。