基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

气体测量中的温湿度补偿新方法

针对气体传感器的温湿度效应,提出了两种新的温湿度补偿方法,即模糊修正因子法和人工神经网络法。实验结果表明,这两种方法软硬件实现简单,补偿精度高,具有一定的工程应用价值。     

基于支持向量机的航空发动机故障诊断研究

研究利用支持向量机对发动机的两类故障——失速和喘振进行识别。介绍了支持向量机理论,选取适当的学习算法、惩罚因子和核函数,建立了支持向量机,并采用4组已知故障模式的数据对其进行训练和测试,之后对另外两组数据进行仿真识别,仿真结果与实际故障模式一致。     

基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

基于HE-SVDD的航空发动机工作状态识别*

针对人工识别航空发动机工作状态的复杂性和耗时性,提出一种基于超椭球分类面支持向量数据描述(HESVDD)的快速识别方法。首先构建了一个根据训练样本分布特征可调的HE-SVDD分类器,使之具有从大规模飞行数据中快速识别发动机工作状态的能力;然后研究了航空发动机状态识别的参数选取和样本生成问题;最后采用HE-SVDD对两个飞行架次的发动机工作状态进行了识别。结果表明,该方法能快速准确地识别出发动机的工作状态,可应用于发动机状态的在线或离线监控。     

基于人工神经网络的混合气体定量检测方法

将气体传感器阵列与人工神经网络相结合，设计了用于混合气体定量检测的人工嗅觉系统；构造了局部连接的前馈神经网络的结构和基于递推预报误差的网络训练算法；通过实验对CO，H2，CH4三种气体的混合物进行了分析，实验结果证明气体传感器阵列和人工神经网络用于混合气体定量检测是可行的。     

基于人工神经网络的磁航向误差校正方法

介绍了前馈神经网络的特点和基于递推预报误差(RPE)的训练算法,利用前馈神经网络对某航向同步传输系统的磁航向误差进行了校正,并给出了实验结果.     

基于人工智能的温湿度补偿方法在气体测量中的应用

针对气体传感器的温湿度效应，提出了两种基于人工智能的温湿度补偿方法，即模糊修正因子法和人工神经网络法，并阐述了其基本工作原理。实验结果表明，这两种方法软、硬件实现简单，补偿精度较高，因而具有一定的工程应用价值。     

非线性支持向量回归在航空发动机性能参数预测中的应用

基于飞参数据的航空发动机的状态监控,是当前航空领域应用研究的热点之一。介绍了支持向量机回归理论,并用支持向量回归机和飞参数据对航空发动机特征参数（转差率S）进行了预测。计算结果表明,支持向量机回归方法具有很好的学习能力和预测能力。     

基于飞参数据的某型航空发动机DEGT估算方法

提出一种适用于某型军用航空发动机视情维修的DEGT估算方法,使用飞参中记录的低压转子转速和高压转子转速反映航空发动机工况,分别建立了发动机巡航状态和加力状态DEGT估算模型,使DEGT估算可以在每次飞行后进行.对一组实际飞行数据的实验分析表明:该方法得出的DEGT与发动机实际性能退化情况相吻合,能够较好地反映航空发动机的状态,可以应用于军用航空发动机状态监控.