十字域去噪技术在沙漠低信噪比地区的应用

十字域去噪技术是一种三维锥体滤波,最广泛应用在针对面波噪音的去除上。古城地区由于受地表巨厚沙丘影响及地震地质条件的限制,野外采集的地震资料信噪比很低,不仅存在高能面波干扰,还存在很强的高速折射波噪音,检波点域线性干扰尤其严重。根据古城地区原始地震资料噪音特点,分别针对低速低频面波噪音和高速高频折射波噪音的设计滤波器,两次应用十字域去噪技术,在最大程度保护信号的同时,有效地去除了面波和折射波等线性干扰,提高了资料信噪比,改善了成像质量,取得了很好的效果。实际应用表明,十字域去噪技术相比传统的二维F-K滤波具有明显的优势。     

基于堆叠稀疏去噪自动编码网络与多隐层反向传播神经网络的铣刀磨损预测模型

刀具磨损状态是机械加工过程中需考虑的重要因素之一.针对铣刀磨损的在线预测问题,建立了一种基于深度学习的铣刀磨损预测模型.首先,将采集到的铣刀切削时的振动信号进行小波去噪后,利用快速傅里叶变换和小波包分解等技术提取时域、频域及时频域上的特征参数,并根据相关性分析从中筛选出合格的特征参数合并为特征向量,以此作为堆叠稀疏去噪自动编码网络(SSDAE)的含噪样本.其次,利用特征后处理的方式对已经筛选出的特征参数进行单调不递减及平滑处理,并将其作为SSDAE的无噪样本来训练该网络.然后,将经过SSDAE降维后的特征向量作为多隐层反向传播神经网络(BPNN)的输入,以这些特征对应的实际铣刀的磨损量作为标签对该网络进行拟合训练.最后,对训练好的模型进行实验验证,通过测试数据集和人为加入噪声的测试数据集的对比,结果显示所提模型不仅具有较高的预测精度,还具有较高的鲁棒性.     

一种低载噪比突发扩频信号的快速捕获方法实现

针对突发扩频信号用户资源扩大、终端功率降低、系统容量提升等需求,提出了一种低载噪比突发扩频信号的快速捕获硬件实现方法。采用分段匹配滤波器加多普勒并行相干积累的方法,基于硬件实现从算法到工程进行全流程优化设计,最终实现最优的捕获性能。应用结果表明,该硬件设计实现方案的快速捕获性能优越,设计方案正确、可行,已成功应用于工程建设中。     

不同段数爆破地震波的反应谱分析

为了研究段数对反应谱特性的影响,基于某石方控制爆破工程爆破振动实测数据,对不同段数爆破振动信号进行了反应谱分析。首先,利用实测的爆破振动速度信号采用直接微分法获得了加速度信号,并利用EEMD分解对加速度信号进行低通滤波去噪处理,获得了准确清晰的加速度曲线。然后,利用精确法求得了不同段数下爆破振动信号的速度反应谱和标准速度反应谱。分析结果表明:不同段数的爆破振动质点峰值速度与速度反应谱的峰值速度并不存在对应关系,因此分段数的选择应综合考虑结构对爆破振动的动态响应。     

风力机轴承实时剩余寿命预测新方法

由于传统退化指标对周期性故障冲击缺乏敏感性和鲁棒性,无法实现风力机轴承退化过程的适时跟踪以及剩余寿命的准确预测,提出了基于包络谐噪比(envelope harmonic-to-noise ratio,简称EHNR)和无迹粒子滤波(unscented particle filter,简称UPF)相结合的风力机轴承实时剩余寿命预测方法。首先,通过计算振动信号的EHNR监测轴承的早期退化点,并提取EHNR的趋势特征作为退化指标;其次,以轴承历史数据构建退化模型,利用UPF算法更新模型参数,实现对轴承退化状态的跟踪和预测;最后,使用实际风力机轴承监测数据对所提方法进行验证。结果表明,该方法能适时启动寿命预测机制,有效解决传统粒子滤波算法的粒子退化问题。与常用的支持向量回归模型(support vector regression,简称SVR)、反向传播神经网络(back propagation neural network,简称BPNN)的预测方法相比,具有较高的预测精度,为大型风力机组的健康管理和可靠性评估提供参考依据。     

基于声发射原理的矿井掘进机故障诊断技术研究

针对在我国各大矿区广泛应用的EBZ160悬臂式掘进机,基于声发射原理及技术,设计一套掘进机故障诊断声发射检测系统,获得各种故障的声发射数据样本,同时借助小波神经网络的迭代收敛性质,对故障数据样本的精确度进行验证,正确率较高,能够较好地应用于井下掘进机的故障诊断.     

一种面向宽带频谱的信噪分离方法

自动化频谱监测中，信噪分离为宽带频谱序列进一步信号识别和统计提供算法支撑，而现有的频域信噪分离方法存在准确性较低的问题，为提高算法准确性，提出了一种面向宽带频谱的信噪分离方法. 首先，分析实测宽带频谱样本数据特征，采用爱泼斯-普利方法验证了频谱噪声数据样本满足正态性；其次，结合标准差理论，采用邻值比较和窗口划分方法确定信噪分离阈值；最后，以信噪分离准确性为目标，通过迭代优化邻值比较判别值及窗口划分宽度，提高了算法的准确性. 数据验证和对比分析表明，本文方法的信噪分离阈值与频谱噪声吻合较佳，准确性高至90.53%，明显高于现有信噪分离方法，且运行速度快，能够较好地应用于自动化频谱监测的实时信号识别与统计.