基于L型阵列的故障声源位置估计

传统的故障诊断方法主要是基于接触式的振动信号分析,在某些特殊环境下该方法具有很大的局限性,而基于设备运转过程中的声音信号就可以解决该问题。提出了基于L型声阵列的位置估计方法来进行故障诊断,采取了雷达中常用的基于二维MUSIC的DOA估计,并研究了算法的估计性能情况。分别研究了在不同的阵元个数、信噪比和快拍数下的2D-DOA估计的计算机仿真结果,并和基于矩形阵列的DOA估计进行了比较。研究结果表明,在不同的参数下该算法的估计结果也会有很大的不同。所以在选择合适的参数条件下,该算法可以应用于齿轮箱的故障诊断中。     

基于L型阵列传感器的局放超声定位实验研究

电气设备局部放电超声阵列定位方法是将超声阵列传感器与阵列信号处理技术应用于局部放电超声定位的一种新方法,具有较高的可靠性,能准确实现局放源的空间定位。实验设计研制了超声阵列传感器阵元与阵列传感器装配体,组合得到L型超声阵列传感器,并搭建了一套局放超声定位系统。结合现有的局放超声阵列定位方法,开展了大量的单、双局放源的定位实验研究。结果表明,L型阵列传感器可有效实现对局放超声信号的检测及局放源的空间定位,满足工程需要。     

基于QPSO的微基线声阵列优化布设方法

针对单兵声目标探测中,由于麦克风拓扑结构优化不足,造成目标定位精度低的问题,提出了一种基于量子粒子群算法的声阵列优化布设方法。首先利用量子粒子群全局搜索的优势,将麦克风声阵列坐标作为搜索粒子,在预设区域内进行全局寻优;其次利用均方根误差构造粒子搜索的适应度函数,得到最佳位置评价准则;最后进行数值仿真,通过环形全向声源定位实验,对比不同麦克风拓扑结构的定位性能。实验结果表明,与规则布站方式相比,优化后的阵列定位精度有明显的提升,其中几何精度因子降低至1.470 2 m,克拉美-罗下界减小至1.281 0 m,球概率误差缩减至1.4 m。为我国单兵高精度声源定位、态势感知提供有力的理论支撑。     

基于MUSIC算法的感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。     

Halbach阵列永磁型无轴承电机特性研究

在分析永磁型无轴承电机径向悬浮力产生机理及转子永磁体Halbach阵列基础上,设计了一种Halbach阵列永磁型无轴承电机,采用耦合电路瞬态有限元分析方法对径向磁化永磁转子和Halbach阵列永磁转子的气隙磁密波形及高次谐波、径向悬浮力、反电动势及转矩进行比较分析。研究结果表明:永磁型无轴承电机转子永磁体采用Halbach阵列结构能显著提高气隙磁密幅值及其正弦特性,增大径向悬浮力与转矩,减小悬浮力、转矩及反电动势的脉动。     

基于ABC-SVM算法的光伏阵列故障诊断

针对光伏阵列的四种典型故障(老化、遮阴、短路和开路),提出了一种基于人工蜂群算法(ABC)优化支持向量机(SVM)的故障诊断模型,用Matlab对光伏阵列进行仿真,提取故障状态下光伏阵列输出特征向量作为训练样本,通过人工蜂群算法对支持向量机的惩罚因子和核函数参数进行寻优,利用寻优后的参数建立模型进行训练与验证.仿真结果...     

基于五元阵的炮兵声测数学模型研究

本文根据目前我军炮兵声测系统存在定位精度低、比较笨重等问题,提出了一种利用声传感器阵测量时延定位的新系统。着重建立了测量时延的五元阵模型,并与传统的四元十字阵模型进行了比较,分析比较了2种模型的定位精度,及采用五元阵定位的精度优势。     

光伏阵列故障类型的改进型RBF神经网络识别算法

光伏阵列是光伏系统中非常重要的组成部分。传统的BP神经网络诊断算法有着精度低、收敛速度慢等缺点,为了精确地诊断出光伏阵列内部的故障位置及其类型,通过分析阵列开路、短路、老化、阴影和电池板裂片5种故障,提出了一种改进型RBF神经网络的故障诊断识别算法。首先,建立RBF神经网络的光伏阵列故障诊断模型,确定基于遗传算法的故障模型隐层中心的确定方法,然后针对基于粒子群优化算法的网络模型进行自适应权重寻优的仿真实验。最后,将优化的算法与传统RBF神经网络算法进行对比。结果表明:该优化算法不仅可以有效地诊断光伏阵列的故障类型,还可以提高故障诊断的准确率。     

基于 DIR-QPSO 的弹丸落点定位声阵列 优化布设方法

为了满足有限测点下声阵列定位精度提升的需求,提出了基于双种群量子粒子群(dual-group interaction quantum particle swarm optimization, DIR-QPSO)联合到达时差定位技术(time difference of arrival, TDOA)的单基站声阵列拓扑结构优化布设方法。首先,将声阵列中的声传感器作为粒子,利用Logistic混沌模型全局遍历性的优势初始化种群;其次,利用双种群之间信息共享优势,消除迭代过程中陷入局部最优点;再次,以TDOA模型构建适应度评价函数,得到声传感器最优布设位置;最后,通过仿真验证,得到优化后的声阵列拓扑结构。仿真结果表明,与传统六元正四棱锥阵列及QPSO优化后的阵列相比,方法将几何精度因子减小至1.351 8 m,克拉美罗下界减小至0.481 7 m,均方根误差减小至0.556 4 m。最后进行实验对比验证,实验结果表明,提出的单基站阵列具有更高的定位精度,极大提升了弹丸落点定位精度。     

基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于RA-LSTM的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于BP神经网络的光伏阵列故障诊断研究

光伏阵列多安装在较恶劣的室外环境中,因此在运行过程中常会发生故障。为辨别光伏阵列故障类型,提出了基于L-M算法的BP神经网络的故障诊断方法。在深入分析不同故障状态下光伏阵列输出量变化规律的基础上,确定了故障诊断模型的输入变量。本方法无需额外的设备支持,具有简便、成本低的优点;可以在线实时地进行故障诊断。仿真和初步实验结果验证了基于BP神经网络的故障诊断方法可以有效地检测出光伏阵列短路、断路、异常老化及局部阴影等四种故障。     

球形麦克风阵列时频故障信号定位算法研究

针对广义互相关算法在强噪声环境下,设备故障时频声音信号定位困难的问题,提出一种结合图像分析与短时傅里叶变换(STFT)的时频信号子空间延时(TFSD)估计算法。利用STFT域中的噪声与信号特征,结合STFT域中不同麦克风测量数据的相关信息,使用滤波、谱减等方法进行信号、噪声区域分离,构建信号主成分区域,通过反演构造信号子空间,从而进行端点识别,延时值估计,实现声源定位。仿真结果表明,即使在加性噪声幅度远大于故障信号的2倍,也能实现准确的延时估计,延时估计误差和5 m×5 m范围的定位误差小于10%,实测也证实了该结果的正确性。     

基于立体十字阵的闪电定位方法

为获取闪电产生雷声源的相对位置信息,利用空间几何方位估计算法,建立由七个传声器组成的立体十字阵,提出一种闪电定位方法,实现基于阵列的全方位闪电探测。首先,根据雷声源到各传声器的距离,推导得出雷声源的坐标计算公式。其中,Z轴的一对传声器用以确定坐标z向参数的正负。然后,基于间接测量误差理论,对阵元间距、雷声源的角度及距离,与定位精度的关系进行研究与分析。仿真结果表明,本文方法测得雷声源的坐标误差率约为0.01%,角度误差率约为0.005%。这在取得较好定位效果的同时,有效解决现有工作运算量偏大、定位精度偏低的问题。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。