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。     

基于一维卷积神经网络的滚动轴承自适应故障诊断算法

现有的滚动轴承故障诊断算法依赖于人工特征提取和专家知识,然而滚动轴承复杂多变的工作环境使得传统的智能故障诊断算法缺乏自适应性。针对此问题,提出了基于"端到端"的自适应一维卷积神经网络(ACNN-FD)故障诊断算法。首先,将各类故障状态的原始振动信号进行有重叠分段预处理用于构建训练样本和测试样本;然后,将每个训练样本以某一尺度的"时间步"进行划分作为所建立的一维卷积神经网络模型的输入,利用深度网络结构实现对原始振动信号特征的自适应层级化提取;最后在输出端利用Softmax分类器输出诊断结果。通过轴承数据库实验表明算法能够实现高达99%以上的故障识别准确率,同时在不同负载下良好的泛化性能,具备实际应用的可行性。     

基于北斗的电台参数无线注入系统设计

针对通信过程中超短波电台被窃听或干扰后空地双方无法建立通信的情况,设计一种基于北斗卫星导航系统短消息的电台参数无线注入系统.系统可根据指挥机构的要求,将新的波道参数按照一定加密算法形成特定编码信息,通过北斗短消息发送给网内电台的北斗接收机,解析为电台能够识别的波道参数,触发收发信机在新的参数上工作,从而避开干扰、摆脱窃听,保持通信的安全与畅通.系统设计采用数据分解、交织与重构方式对波道参数进行加密,采用时分多址(Time Division Multiple Access,TDMA)与改进的OLSR路由协议实现网内电台自组网,采用北斗时钟与自身时钟相结合的每日定时(Time-of-Day,TOD)校准策略,并通过导频信号校验方式将通信效果传回指挥机构,使指挥平台能够监控网内电台工作态势,便于系统稳定可靠地工作.试验结果表明,该系统能够在指挥平台控制下,通过北斗短消息传送的信息,实现电台工作参数的自动切换,提高电台抗干扰工作能力.     

基于卷积神经网络的层级化智能故障诊断算法

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.     

耦合隐马尔科夫在模拟电路故障预测中的应用

为了能够更准确地对模拟电路系统中各退化状态进行状态识别和故障预测,针对单一通道的隐马尔可夫模型在模拟电路系统中预测精度不高的特点,提出了一种具有2条Markov链的耦合隐马尔可夫模型故障预测方法。该方法在模拟电路中采用2个测试点通过双通道数据分别对各退化状态和全寿命进行建模,实验结果表明,耦合隐马尔可夫模型与传统的隐马尔可夫模型相比,不但提高了状态识别率,而且能对电路系统的故障发生进行有效地预测,为状态维修提供依据。     

基于排队论的数据链网络节点入退网时隙分配算法研究

随着现代战争的作战需求提高,数据链作为信息化时代战场上战斗力的"倍增器",网络节点入退网时隙资源分配问题日益突出.因此,基于排队论理论提出节点入退网时隙分配算法,建立数据链网络节点入退网的时隙分配模型.使用OPNET仿真软件对算法模型和传统的轮询机制时隙分配算法模型进行了仿真,仿真结果表明,设计算法的网络吞吐量、队列时...     

改进LDA在模拟电路故障预测中的应用

针对模拟电路早期故障识别难度大的问题,提出一种改进线性辨别分析法和隐马尔科夫相结合的故障预测方法。首先设置元件的参数,提取幅频特征;然后采用改进的线性辨别分析（LDA）对电压特征进行提取消除特征的冗余性和高维性;最后将提取的特征用于训练和测试HMM,以实现模拟电路的状态监测。通过实验验证了其具有良好的模拟电路早期故障监测能力。     

基于状态维修的电子设备故障预测技术研究

为解决电子设备结构复杂,故障信息不足,故障预测困难,并且现有方法不能直接对电子设备进行状态预测等问题,文中提出了基于状态维修(CBM)的最小二乘支持向量机(LSSVM)和隐马尔科夫模型(HMM)组合故障预测方法;首先采取灵敏度分析法确定电路中要可能发生变化的元件,通过改变元件参数来设置电路的不同退化状态;其次建立组合故障预测模型;最后对该电路进行状态预测;结果表明,文中提出的方法能够直接预测电路的不同状态,进而实现直接预测电子设备的故障状态,预测精度可以达到93.3％.     

数据链网络节点入网时隙分配技术研究

研究数据链网络节点入网时隙分配算法,通过OPNET仿真软件分别采用基于轮询机制的时隙分配算法和基于排队论的时隙分配算法,对数据链中的网络吞吐量和队列时延进行仿真分析.基于轮询机制的时隙分配算法的网络吞吐量大约0.20 Mb·s-1,网络的队列时延平均保持在0.33 s左右,可作为时隙分配的保底手段;基于排队论的时隙分配算法的网络吞吐量平均约为0.40 Mb·s-1,网络的队列时延一般在0.20 s左右,同时能够在短时间内达到系统稳定,可以作为对网络稳定性有较高要求的系统的有效手段.     

基于移不变字典学习和稀疏编码的滚动轴承故障识别算法

针对现有旋转机械故障识别算法过度依赖专家先验知识的问题,提出了一种基于移不变字典学习和稀疏编码（SIDL-SC）的自适应故障识别算法。首先,将不同故障状态下的振动信号进行分段和平滑预处理以降低数据处理复杂度,接着将加入自适应惩罚因子的移不变字典学习算法用于提取不同故障状态下的移不变基函数;然后,利用高效的特征符号搜索算法求解待识别信号在不同基函数下的稀疏系数以实现对待识别信号的重构;最后,以重构残差作为对该信号故障状态识别的判断依据。滚动轴承振动数据库和实测航空发动机振动信号的实验结果表明,该算法相较于现有算法具有更高的故障识别准确率,在实际中具有较强的可行性。