基于隐马尔科夫模型的牵引座状态识别

牵引座是机车中连接车体和转向架的重要部件,承受并传递着机车的纵向力,因此牵引座的状态影响着机车的安全。针对牵引座正常、小裂纹故障及大裂纹故障这3种状态,提出了一种基于隐马尔科夫模型的状态识别方法:首先对机车牵引座运行的加速度信号进行特征提取,选取敏感的特征量组成隐马尔科夫模型的训练集与测试集;然后进行状态识别;最后以最大的似然概率对应的状态作为识别结果。结果表明,针对牵引座的3种不同状态,该方法的识别结果比K邻近算法有更高的识别率。     

MATLAB在机械工程测试技术中应用探讨

针对机械工程测试技术的特点,以求测试信号幅值谱为例,分析了在机械工程测试技术中应用MATLAB的可行性.开发了一个MATLAB在测试信号分析中的应用软件,进行了应用举例.有较强的教学、实验、工程应用价值.     

基于LabVIEW的信号处理系统设计

基于LabVIEW8．6开发平台，开发了一个信号处理系统应用软件：采用模块化设计思想。动态调用模块子VI，使模块关联。设计一个友好界面，通过点击相应的菜单按钮，就可以分别执行各个模块操作，完成相应的信号处理要求。系统操作简单可靠，具有较强的教学、实验、工程应用价值。     

基于单片机的微弱光电信号检测系统

采用单片机作为系统的主要控制芯片,由光电传感器采集微弱光信号,经放大电路放大,利用单片机内部的A/D进行模数转换,由LCD显示,实现了微弱光电信号的检测,且可利用串行通信接口与上位机进行数据通信。该系统具有检测快速、准确等优点,可应用于物品表面光泽度的检测。     

基于广义贝叶斯法则的机床热误差分析(英文)

在传统的贝叶斯法则概率计算中,偶然与认知不确定性没有区分,而在广义贝叶斯法则中,偶然不确定性表述为概率测量,认知不确定性通过区间来描述。以机床轴承热误差分析为例说明了广义贝叶斯法则概率应用的有效性。与传统的贝叶斯法则进行了比较。结果表明:用广义贝叶斯法则能更好地描述热误差。     

基于VMD-SVM的三相异步电机故障诊断方法

针对三相异步电机信号的不稳定性及故障特征提取困难问题,提出一种基于变分模态分解（VMD）与支持向量机（SVM）相融合的电机故障诊断方法。该方法首先将采集的信号通过VMD分解得到IMF分量;其次,计算各个IMF分量的能量,再将其构成特征向量;最后对每种状态随机选取400 组输入SVM模型训练,将剩余每种状态100 组用于测试,通过预测标签与实际标签的比较来判断电机的故障状态。采用该方法对4 种不同的电机状态进行故障诊断,结果表明与完全自适应噪声集合经验模态分解（CEEMDAN）、变分模态分解（VMD）提取各IMF 能量特征相比,基于VMD-SVM的三相异步电机故障诊断方法更具优越性。     

线性控制系统稳定性求法解析

稳定性是控制系统正常工作的先决条件，分析控制系统的稳定性是经典控制理论的重要组成部分。对判定一个线性定常控制系统是否稳定提供了多种方法，对其优劣进行了总结归纳，并提出了相应的解题建议。     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

LED光源在矿山照明中的应用探讨

针对老式矿灯照明光源的缺点,提出了把LED光源应用于矿山照明中的一种方法。从LED光源的发光机理及其优点分析,阐述了LED光源在矿山照明中的应用,     

基于小波包系数与隐马尔科夫模型的刀具磨损监测

在机械自动化加工中,为了防止刀具损坏,刀具磨损过程的监测是非常重要的。然而,由于加工过程的复杂性,对刀具磨损状态的监测十分困难。提出了一个基于小波包系数与隐马尔科夫模型的刀具磨损监测方法。将加工信号在不同频带上小波包系数的均方根值作为特征观测向量,即为隐马尔科夫模型的输入,并用隐马尔科夫模型模式识别方法识别刀具磨损状态。实验结果显示,提出的方法对刀具磨损状态具有很高的识别率。