综合改进奇异谱分解和奇异值分解的齿轮故障特征提取方法

针对齿轮故障特征微弱，在强背景噪声下难以有效提取的问题，提出了一种改进奇异谱分解（ISSD）结合奇异值分解（SVD）的齿轮故障特征提取方法。针对奇异谱分解（SSD）算法中模态参数需凭经验选取的缺陷，基于散布熵优化算法对SSD算法进行了改进，在得到既定的一组奇异谱分量的基础上，根据峭度值最大准则筛选出了最佳奇异谱分量并进行了SVD处理，采用奇异值能量标准谱自适应地确定了信号重构阶数以还原信号和提高降噪效果。最后对信号进行包络解调以提取齿轮故障特征，将所提方法运用到仿真信号和齿轮实测信号中，并同传统包络谱、SSD包络谱以及经验模态分解结合SVD(EMD-SVD)方法进行了对比分析，结果表明，所提方法的降噪和特征提取效果更佳，能够更加有效地实现齿轮故障的判别。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

基于降噪时序深度学习网络的风电功率短期预测方法

利用风电场历史功率数据预测未来一段时间内的风功率,对保障电网安全稳定运行具有重要的意义。本文提出一种基于奇异谱分析SSA(singular spectrum analysis)和长短时记忆LSTM(long-short term memory net⁃work)网络的时序特征预测框架用于短期风功率的预测。首先通过SSA对历史风功率原始数据进行降噪处理,然后经过数据转换之后,以LSTM网络为基础进行预测模型的训练,最后通过某风电场提供的两个风机的历史功率数据进行验证。实验结果表明,奇异谱分析对风电场的历史数据具有良好的降噪性,SSA+LSTM模型在测试数据上取得了较好的预测性能,能够有效进行短期风功率的预测。     

基于系统矩阵有序实Schur分解的模型降阶

对复杂高阶系统进行模型简化，为研究与设计系统提供了方便的条件。对系统模型的降阶是控制系统设计与仿真工作者的一个重要研究课题，对高阶复杂系统的分析、设计、仿真等具有重要的理论意义和工程实用价值。针对目前比较成熟的基于系统矩阵的有序实Schur分解方法，提出了采用时矩输出拟合来改善降阶系统输出响应逼近程度的改进方法，从而使简化模型具有输出误差更小、计算简便等优点，通过给出的实例仿真证实了这一点。     

Cif2000平台下的核磁共振测井解谱方法研究

介绍了在Cif2000多井解释平台下的核磁共振解谱方法与编程实现。解谱采用加入平滑因子后在特征矩阵的奇异值分解中截去小的非零奇异值的方法，可以在低信噪比时得到稳定的弛豫谱，在油田实际应用中证明了该方法的有效性。根据该方法在Cif2000平台上编制了完整的解谱处理程序，可以直接用于油田的生产实际。     

德意科学家破解二氧化镎奇异磁性之谜

长期以来，二氧化镎（Np02）的奇异磁性一直未能得到科学的解释。德国和意大利的科研人员通过理论计算得出，二氧化镎的奇异磁性可能源于原子间形成的磁32极矩。     

基于奇异值分解和神经网络的个性化信息模式识别

随着信息资源的持续增长，信息获取系统为特定用户提供特定信息服务的需求越来越重要。该文提出了基于奇异值分解和神经网络的个性化信息模式识别的方法，可以方便地获取用户信息需求的特征，并且利用这些特征信息完成个性化的信息识别和匹配，即实现个性化信息的模式识别，进而实现信息的个性化获取和管理。该文中的算法实现简单，可以方便地应用到目前的一些信息管理、服务系统中。     

用奇异模型描述的受限机器人的学习控制

本文了一类受限机器人的迭代学习控制方案，控制器的设计是基于机器人模型的降阶形式。在存在有界未知干扰的情况下，对末端操纵器受线性、无摩擦约束面的受限机器人。本文给出的控制方案保证了机器人系统的完全运动跟踪，同时保证了力跟踪误差有界的，且界的大小是可调节的。