轴系晃动与动态靶标精度检测

旋转动态靶标是用来检测大型光电经纬仪跟踪精度和动态精度的设备。为了得到旋转动态靶标轴系晃动与精度的关系,利用旋转向量与坐标系变换理论分析轴系晃动对靶标高低角和方位角的具体影响,并对其误差进行分析。由于靶标的动态精度目前还没有设备能够检测,只能根据分析的结果,用自准直仪对静态的轴系晃动进行测量,然后标定静态的精度,验证了静态轴系晃动对靶标的影响与理论计算值一致性很好,然后通过测量靶标动态的轴系晃动来修正靶标的动态精度。     

LMD样本熵与SVM结合的柱塞泵故障诊断研究

针对柱塞泵故障特征难以提取、故障分类困难、故障诊断准确度不高的问题,提出局部均值分解（LMD）样本熵和支持向量机（SVM）结合的柱塞泵故障诊断方法研究。采集柱塞泵四种状态（正常、松靴、配流盘磨损、滑靴磨损）的多测点振动信号,将振动信号进行LMD分解和重构,提取重构信号的样本熵与原始信号标准差作为特征向量,将其输入SVM中进行训练和诊断,并与原始信号的特征向量诊断结果进行比较,诊断准确度可达99.5%以上。最后将SVM诊断结果与BP神经网络进行比较,结果表明SVM具有更高的速度和准确度。     

CCD相机实时自动调光系统

为了实时调整高帧频CCD相机,获得高质量图像,提出了一种基于分档电子快门控制和增益控制相结合的复合控制方法,实现了快速、高精度调光.其算法主要由三部分构成:二次均值灰度权值的累加, 基于分段二次函数的自动快门控制和基于数据分析的自动增益控制.采用共享的乒乓缓存策略来保证算法在自行设计的硬件平台得到有效验证并连续显示.实验结果表明,该算法具有良好的图像质量,捕获的视频图像在各种条件下,均具有快速的收敛性和适应性.     

基于VMD-MDE和ELM的柱塞泵微弱故障诊断

针对早期微弱故障信号易受噪声干扰、难以提取和识别的问题,提出一种基于变分模态分解(variational mode decomposition,简称VMD)多尺度散布熵(multiscale dispersion entropy,简称MDE)和极限学习机(extreme learning machine,简称ELM)的柱塞泵微弱故障诊断方法。首先,采集各状态的振动信号进行VMD分解,得到若干模态分量,根据各模态分量Hilbert包络谱中特征频率能量贡献率大小,提出以归一化特征能量占比(feature energy ratio,简称FER)为重构准则的变分模态分解特征能量重构法(variational mode decomposition feature-energyreconsitution,简称VMDF),对各模态分量进行信号重构;其次,计算重构信号的MDE,对各尺度散布熵进行分析,选择有效尺度散布熵作为特征向量;最后,将提取的特征向量输入ELM完成故障模式识别。柱塞泵不同程度滑靴端面磨损故障的实验结果表明,该方法不仅提高了模式识别效率,还可以更好地反映故障程度变化规律,具有较好的应用性。