基于高阶累积量短波通信电台细微特征提取与分析

首先介绍了高阶统计量基本概念,分析了通信电台的高阶统计量特征,并对几种常见短波通信信号的高阶矩和高阶累积量进行了计算分析;仿真结果表明：高阶统计量可以作为一类有效的特征参数,适用于短波通信信号特征识别研究.     

齿轮轴承故障诊断中特征参数敏感性分析

特征提取是机械故障诊断中最关键的技术之一，本文以机械设备中齿轮、轴承等主要零件为对象，以多种故障的对比实验为基础，用２２种不同的时、频域特征提取算法对实验中采集的加速信号进行分析，比较了提取的各特征量对不同工况和故障状态的敏感度，为进一步的诊断决策奠定了基础。     

基于高阶谱的声压梯度声源定向

声压梯度法用于声源的定向是一种新方法.该法对声源定向既存在系统误差(确定性误差),又存在随机误差.本文研究了在高斯随机干扰噪声下,非高斯信号声源的基于高阶谱的随机误差消除方法,应用高阶谱对高斯噪声的不敏感性,由此可以消除高斯噪声的影响.仿真结果验证了该方法的有效性.     

基于高阶谱的声压梯度声源定向

声压梯度法用于声波的定向是一种新方法,该法对声源定向既存生系统误差（确定性误差）,本文研究了在高斯随机干扰噪声下,非高斯信号声源的基于高阶谱的随机误差消除方法,应用高阶谱对高斯噪声的不敏感性,由此可以消除高斯噪声的影响,仿真结果验证了该方法的有效性。     

基于高阶累积量的聚束合成孔径雷达二维目标特征提取

本文研究了聚束式合成孔径雷达目标特征提取算法。证明在目标由几个主要散射点构成时,特征提取实际是二维谐波恢复的过程。针对高斯色噪声的影响,提出采用高阶累积量的特征提取算法。并提出一种简单的谐波配对算法。该算法与FFT和基于自相关函数的MUSIC算法相比, 能更有效地抑制高斯色噪声的影响。     

一种基于四阶累量阵简化的DOA估计方法

我们提出一类新的基于四阶累积量矩阵的DOA估计算法，对累量阵结构作适当的调整，再把它直接应用于已发展的很好的算法(如ESPRIT)中，使算法更加适用于DOA问题。通过与ESPRIT一起使用下面所提的累积量阵，增加了虚拟阵元(两倍于实际阵元数)，且减少了计算量，并因累量对高斯噪声不敏感，提高了算法的分辨能力。仿真试验验证了分析结果，表明了算法良好的性能。     

基于小波包能量谱与主成分分析的轴承故障特征增强诊断方法

滚动轴承出现损伤时,采集的振动信号呈非平稳性,采用一般的时域和频域分析方法不能准确提取出振动信号的故障特征。根据小波包多分辨、精细化的分解特性,提出一种基于小波包能量谱与主成分分析（PCA）方法的滚动轴承故障诊断算法。将振动信号进行小波包分解,得到重点频率段信息的能量谱,提取能量谱作为特征向量;利用PCA方法对特征向量降维并减小噪声信号的干扰,获得增强的故障特征;利用层次聚类方法和改进的模糊c均值聚类算法对不同类型的滚动轴承故障进行识别,两种聚类方法都准确地识别出了不同的故障类型。实例验证结果表明,所提方法能够有效地提取振动信号中的有用故障特征,实现轴承故障类型的精确诊断。     

巴特沃斯小波在轴承早期故障诊断中的应用

设计了基于巴特沃斯数字滤波器的巴特沃斯小波及其滤波器组,并从小波的卷积型定义出发,利用零相位滤波原理实现了没有下抽样环节的具有零相位特性的巴特沃斯小波变换快速算法,成功消除滤波器的非线性相位对分解结果的影响。相对于常用正交小波滤波器组,巴特沃斯小波滤波器组不仅具有更好的频带分离特性,还可通过改变尺度参数来改变对信号的频带划分的方式,从而将原信号高频带分解在更精细的频带范围内,克服了常用正交小波滤波器组频带分离特性不够好,并总按二进方式划分频带、频率分析精度显得不足的固有缺陷。实例分析证明:巴特沃斯小波滤波器组相比于其他常用的正交小波滤波器组具有更好的频带分离特性和更强的微弱故障特征提取能力,非常适合于轴承早期故障诊断。     

基于高阶累积量的信源数目估计方法

信源数目确定在许多高分辨阵列信号处理中具有至关重要的作用.提出了一种基于阵列输出4阶累积量信息的信源数目估计方法.通过构造阵列输出的4阶累积量矩阵,根据4阶累积量矩阵特征值分布并采用最小描述长度(MDL)准则估计信源数目.由于信号高阶累积量具有盲高斯特性,该方法能有效地抑制色噪声干扰,可实现色噪声背景下的信源数目估计.仿真分析验证了该方法的有效性.     

基于案例推理的自行火炮故障诊断专家系统

快速有效地诊断和排除自行火炮故障是当前装备维修保障工作的重点。对这样复杂的设备进行故障源的充分暴露和故障定位，仅依靠传统方法有较大的局限性。将故障诊断专家系统引入自行火炮故障诊断领域为自行火炮故障诊断提供了新的方法。该系统由诊断信息获取模块、案例库管理系统、诊断推理机制、学习模块、人机界面和诊断报告模块组成。利用CBR技术建立的故障诊断专家系统可提高自行火炮的维修效率和自行火炮装备故障诊断的正确性和效率。     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

基于FFT-FS频谱细化的导弹结构故障判断

介绍了FFT-FS频谱细化方法．该方法在不增加采样点数的前提下,对所关心的频带进行细化,能够得到准确的频率值．给出了运用振动测量数据频谱分析进行导弹结构故障判断的方法．通过一个结构故障判断的例子,说明了该方法是有效的。     

基于LabVIEW与Matlab的滚动轴承故障诊断

针对滚动轴承故障在线监测问题,将LabVIEW与Matlab 2种编程方式相结合进行故障诊断。论述滚动轴承故障信号特征,介绍峭度分析法和共振解调法分析方法,并采用LabVIEW和Matlab联合编程进行算法实现。借助典型轴承故障实验数据对分析方法进行验证,结果表明：该系统能有效分析并识别轴承的特征故障,可用于轴承故障监测。     

Fault Diagnosis of Bearing Based on Integration of Nonlinear Geometric Invariables

A fault diagnosis method of bearing based on integration of non-linear geometric invariables was presented for the non-linearity exiting in bearing system but ignored in traditional fault diagnosis.The meanings of non-linear geometric invariables,such as fractal dimension,Lyapunov exponent,Kolmogorov entropy,correlation distance entropy and their calculation method were analyzed.Grey theory is applied to integrate these parameters and the correlation values as fault characteristic value was input into the support vector machines for diagnosis.The experimental results show that this method can distinguish the bearing fault effectively,it provides a new approach for the fault diagnosis of rotating machinery.     

基于CBR-ANN的自行火炮故障诊断系统

针对自行火炮维修保障中存在大量维修案例没有被记录和整理、维修中故障诊断效率低等现状和诸多不足，提出了将人工智能中的基于案例推理技术（CBR）与人工神经网络技术（ANN）相结合（即CBR—ANN）应用于自行火炮的故障诊断中，建立了故障诊断系统；同时对诊断系统中的几个关键技术——案例的混合聚类模型、案例的表达及基于3层BP神经网络的案例索引进行了设计和说明。该系统的完善和应用有利于提高自行火炮的维修保障能力。     

基于隐半Markov模型的故障诊断和故障预测方法研究

隐半Markov模型(HSMM)是隐Markov模型(HMM)的一种扩展形式,通过在HMM结构中加入状态驻留时间分布参数,克服了HMM假设状态驻留时间服从指数分布的不足。HSMM不仅具有较强的模式分类能力,而且能对实际问题中的状态驻留时间进行合理建模,故既可用于故障诊断,又可用于故障预测。分析了利用HSMM进行故障诊断和预测的框架;并针对传统HSMM建模算法计算量和存储空间都比较大的缺点,引入并改进了一种快速递推算法,降低了计算复杂度和存储空间要求;最后将HSMM应用于直升机齿轮箱轴承故障诊断和GaAs激光器剩余使用寿命(RUL)预测,试验绪果证明了这种方法的有效性。     

粒子群优化算法在传动箱故障诊断中的应用

基于粒子群优化算法（PSO）的神经网络具有良好的训练性能，输出的整体误差小于BP算法。用PSO作为一种粗优化或离线学习过程，用神经网络学习作为一种细优化或在线学习过程。这两种方法综合使用可以大大提高传动箱故障诊断性能。诊断系统把常用的7个时频动态特征参量作为BP网络的输入层的输入，把传动箱中常见的6种特征作为网络的输出。诊断系统拓扑结构为7—12—6的3层BP网络，规定系统误差0．001。结果表明．粒子群优化算法对多故障征兆有较好的故障识别率。作为一种有效优化方法，在机械故障诊断领域具有良好的应用前景。     

基于否定选择算法的模拟电路故障诊断

针对传统智能诊断技术受限于先验知识、模拟电路故障多样性等不足,对基于否定选择算法的模拟电路故障诊断进行研究。分析人工免疫系统中的否定选择算法原理及应用,介绍实值否定选择算法的产生机制,提出与自体耐受和Monte Carlo相结合的优化算法,通过Fish’s Iris数据仿真显示,并将优化算法运用于电阻电路的8种软故障诊断。结果表明：优化算法的总体检测率达90%,能降低成熟检测器冗余,节省计算空间。     

基于冲击响应谱特征提取的自动机裂纹故障诊断

针对武器自动机在动作过程中,机构相互碰撞产生的冲击振动信号,提出计算冲击振动信号的冲击响应谱,并提取冲击响应谱特征值,进而开展自动机部件裂纹故障识别的新方法。开展不同裂纹部件的射击试验,采集正常及故障条件下自动机部件碰撞冲击信号,并根据运动过程进行分离;计算分离后冲击信号最大冲击响应谱,根据冲击响应谱不同区域的冲击响应特征参数,提出冲击响应谱相对峰值比和相对峰值频率比的定义,并将相对峰值比、相对峰值频率比作为故障特征值进行提取;在不同裂纹故障条件下,对比故障特征值统计分布形态,完成不同故障条件的识别试验。试验结果表明,冲击响应谱特性提取可以准确有效地诊断自动机裂纹故障,是一种可以用来在线监测的新方法。