用于心电信号的能量最大化模拟信息转换系统

现有便携式心电采集系统需要低功耗高分辨率的模拟数字转换模块,虽然基于脉冲宽度调制的模拟信息转换器(AIC)可以有效降低系统的采样速率,但是该系统量化部分的转化时钟与量化精度成正比,因此存在功耗过高的问题。依据心电信号的能量不均衡特性,提出一种基于功率熵的精度可调时间-数字转换模块(TDC)设计方法。以能量最大化作为设计准则的基本思想,通过分析ECG信号的功率谱熵,确定系统观测向量所需的最小量化精度,实现AIC时间编码系统的优化设计。测试结果表明,该设计方法能够在压缩比为4,重构信噪比为38.91 dB,重构精度为0.36%的情况下,在采样心电信号的同时减少了80%的TDC内部时钟动态翻转,从而有效降低功耗。     

汽车消声器的声学性能分析与结构优化

针对某三缸发动机排气噪声超出目标限值,将声学性能作为评价指标,利用Virtual.Lab声学有限元模块对排气消声器的声学性能进行仿真分析,对比传递损失试验结果对该声学软件的仿真精度作出评价:Virtual.Lab软件在整个频段与试验值较为接近,能准确的反映消声器的声学性能。根据原排气消声器的传递损失分析结果,提出亥姆霍兹共振腔结构及阻抗复合型结构等参数设计的前后端消声器优化方案。最终对优化后的排气消声器进行尾管噪声试验,确认排气噪声达标。     

恒加双应力型相对熵信息融合可靠性评估模型

充分考虑到自然贮存下得到的少量现场数据信息,突破依据加速试验单一伪样本数据进行产品常应力可靠性评估的制约.基于相对熵和最小二乘统计法相结合的思想,探讨指数型与Weibull型产品的自然贮存现场数据和加速贮存样本数据融合机制,建立了综合可靠性评估模型.仿真结果表明,模型能够有效地融合两源数据,且在现场数据较少时,模型的评估具备稳健性.     

灰狼算法优化支持向量机在风力机齿轮箱故障诊断中的应用

针对风力机齿轮箱振动信号非线性和非平稳性的特征,提出基于模糊熵(Fuzzy Entropy,FE)和灰狼算法优化(Grey Wolf Optimizer,GWO)的支持向量机(GWO Support Vector Machine,GWO-SVM)的故障诊断方法.通过集合经验模态分解算法(Ensemble Empirical Mode Decomposition,EEMD)对振动信号进行分解得到若干本征模态函数(Intrinsic Mode Function,IMF)分量;求取各状态IMF分量的模糊熵并构建特征向量;将各特征向量输入GWO-SVM模型进行故障识别及分类.结果 表明:齿轮箱振动信号不同状态下的模糊熵有一定区分度,通过GWO-SVM能对其进行精确识别和分类,且GWO-SVM相对于粒子群优化(Particle Swarm Optimization,PSO)SVM模型和遗传算法(Genetic Algorithm,GA)优化SVM模型具有更短的运行时间和更高准确率,平均准确率高达92.5％.     

基于VMD能量熵与SVM的行星齿轮箱故障诊断

由于行星齿轮箱振动信号的故障特征难被提取,故采用变分模态分解(VMD)能量熵与支持向量机(SVM)相结合的方式实现行星齿轮箱故障诊断.首先利用VMD方法将振动信号分解为不同尺度的内禀模态函数(IMF)并提取各IMF的能量熵值构成特征矩阵,其次利用粒子群算法(PSO)对支持向量机的惩罚因子和核函数优化,最后将特征矩阵输入支持向量机进行故障模式识别.通过行星齿轮箱的实验研究,验证了该方法的有效性并且识别准确率高达99.625％.     

基于时间递推建模及交叉熵算法求解柔性作业车间调度问题

针对以最小化最大完工时间为目标的柔性作业车间调度问题,通过分析作业完成时间的递推关系,发现通常使用的工序编码对解的表示不唯一影响优化效率,提出了一种新的模型刻画和与之相应的改进交叉熵算法.通过建立基于甘特图的解的归总表示,提高概率分布矩阵的收敛速度;引入随机分布筛,确保采样的可行性;以按概率切换的方式将传统交叉熵算法与两阶段优化方法融合,提高收敛速度的同时保证采样分布的广泛性.对典型算例进行的仿真实验表明,新模型解的归总表示对于提高收敛速度有显著作用,提出的算法能有效求解柔性作业车间调度问题.     

基于可靠性可信性分析的云制造服务组合优化

针对不稳定的制造实体可靠性和服务信誉给新时代制造带来的影响,分析了云制造服务可靠性和可信性,将服务可靠度和可信度、组合复杂度和协同度与执行时间和费用相结合,构建了一种新的服务质量(QoS)评价模型;并通过加权相对偏差评价服务组合性能,提出一种熵增强粒子群优化算法(EEPSO),再引入正态云以提高算法前期全局搜索能力和后期局部寻优精度.以举升装配机器人制造任务为例,验证了优化模型有效性和EEP-SO算法可行性.结果表明,与标准遗传算法(SGA)、混合布谷鸟算法(CSBHC)、粒子群优化算法(PSO)、云熵遗传算法(CEGA)这4种算法相比,EEPSO具有更快收敛速度和更好综合性能.     

EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

基于SK‑MOMEDA的风电机组轴承复合故障特征分

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度（spectral kurtosis,简称SK）与多点最优调整的最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA）的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。     

基于CSES和MED的滚动轴承微弱故障特征提取

针对高噪声条件下,联合平方包络谱(combined squared envelope spectrum,简称CSES)方法容易受频带内噪声和其他频带特征的干扰,导致对滚动轴承微弱故障特征提取困难的问题,提出了一种结合CSES和最小熵解卷积(minimum entropy deconvolution,简称MED)的滚动轴承微弱故障特征提取方法。首先,使用谱峭度选择不同频带-滤波后的信号;其次,对所选信号进行MED滤波,增强频带内的故障特征;最后,依据CSES原理,计算上一步滤波后信号的平方包络频谱并进行归一化,将其合并得到故障特征明显的强化包络谱。仿真与试验结果表明,该方法能够有效提取滚动轴承的微弱故障特征。