线性时变系统的状态空间模型递推辨识研究

针对线性时变系统中状态空间模型的辨识问题,本文提出了一种新的模型参数矩阵的递推辨识格式。不同于常用的利用奇异值分解(SVD)或者最小二乘原理计算时变状态空间模型参数的方法,这种新的递推方法基于信号子空间投影原理,通过重新建立输入输出数据之间的关系,构建新的信号子空间矩阵,从而递推得到系统的时变状态空间模型参数。与现有的计算时变状态空间模型的方法相比,这种新的递推方法由于不需要进行SVD的计算,从而大幅的减少了计算时间。特别是当系统的阶次较高时,计算效率优势更为明显。在算例中将这种方法与经典的使用SVD的时变ERA(TV-ERA)方法从辨识结果和计算效率上进行了比较。仿真结果表明这种新的递推算法能有效辨识状态空间方程形式的线性时变系统的模型参数,和TV-ERA方法相比具有更高的计算效率。     

前后向时间序列模型联合估计的时变结构模态参数辨识

为提高时变结构模态参数辨识精度和抗噪声能力,提出一种前后向泛函向量时变自回归滑动平均（FS-VTARMA）时间序列模型联合估计的模态参数辨识方法。首先建立前后向FS-VTARMA模型联合估计的均方误差形式的费用函数,其次引入非平稳信号中前向模型和后向模型估计系数的近似共轭关系,再利用两步最小二乘法（2SLS）得到时变模型系数,最后把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明：能有效地克服前向模型估计中模态参数一步延迟以及起始时刻无法准确获得,以及后向模型估计中模态参数一步超前以及终止时刻无法准确获得的缺点,具有更高的模态参数辨识精度和更强的抗噪声能力。     

基于时变NARMA模型的非线性时变系统辨识

在非线性自回归滑动平均模型NARMA(NonlinearAutoRegressiveMovingAverage)中引入时间变量,将其扩展为时变NARMA模型,用Taylor展开将模型中的非线性函数展开为关于输入输出的多项式,得到关于参数线性时变的多项式形式的时变NARMA模型,再用基序列拟合模型的时变参数得到关于参数线性时不变的模型,最后用递推最小二乘法估计模型参数。仿真算例证明,与小波网络方法相比,辨识精度高,计算量小。     

一种工业过程时变参数估计新算法—修正目标函数法

针对某些工业过程控制参数高度时变的特点和LS拟合算法存在病态估计的现象,提出了一类基于修正目标函数的时变参数估计算法,并给出递推辅助变量算法。此类算法不仅具有较强的实时跟踪能力和较高的估计精度,而且能克服病态估计,摆脱了伪随机信号在工程中带来的麻烦。新算法没有增加计算量,非常适合于工程应用,仿真及实际应用结果都证明新算法是有效的。中给出了有关新算法的定理及其证明。     

基于改进时变自回归模型的滚动轴承故障诊断

针对现有的时变自回归(Time-Varying Autoregressive, TVAR)模型应用于滚动轴承故障诊断中的问题,提出了一种前向估计与后向估计相结合的改进模型。该模型在引入时变遗忘因子的基础上,定义了前后向联合估计的均方误差并对基函数的加权系数求偏导,得到了加权系数的计算公式,然后利用递推最小二乘(Recursive Least Squares, RLS)方法推导了该计算公式的递推形式。针对滚动轴承内圈故障的仿真和实验信号,使用改进前后的模型进行时频分析。仿真和实验结果表明,改进后的模型有效地克服了现有模型无法获得初始时刻频率估计的缺点,具有更高的时频估计精度,更强的抗噪声能力,能够更加有效地提取滚动轴承的故障特征频率。     

时变AR模型的一种定阶方法

自回归（AR）模型的定阶对其分析结果的准确性、效率和可靠性具有重要影响。对时变AR模型的定阶问题进行了深入研究,提出了一种基于采样频率以及分析频率之比的定阶方法。对一质量随时间变化的悬臂梁进行了有限元建模,运用计算所得到的振动响应建立了梁的时变AR模型,利用所提方法进行了该模型的定阶,采用递推最小二乘法对梁的模态频率进行了估计。对一质量时变的悬臂梁进行了试验,对采集的振动响应信号建立了时变AR模型并识别了其振动模态频率。模拟计算和试验结果都表明,提出的时变AR模型定阶方法是有效且可行的,且识别算法具有一定的抗噪性。     

Hilbert-Huang变换端点效应问题的探讨

为了克服Hilbert-Huang变换中的端点效应，利用时变参数ARMA（Autoregressive Moving Average）模型对信号进行外延后再进行EMD（Empirical Mode Decomposition）分解，在一定程度上克服了EMD方法的端点效应问题；同时利用时变参数ARMA模型对IMF（Intrinsic Mode Function）分量进行延拓后再进行Hilbert变换，有效地抑制了Hilbert变换中的端点效应，可以得到准确的瞬时频率和瞬时幅值。     

《AR与Prony法的时变系统模态参数识别》

本文研究基于AR和Prony法的线性时变振动系统的模态参数识别。在经典Prony法的基础上,提出了可以处理非平稳信号的时变Prony法。采用递推最小二乘算法估计模型参数,并讨论了基函数的选择,其中以时间多项式基、离散长球面基以及离散余弦基下所识别的效果较好。为验证本文方法的有效性,进行了数字仿真和附加质量随时间连续变化的悬臂梁的模态分析试验,试验结果和理论结果比较表明了本文提出的线性时变系统的模态参数识别方法有效、可行。     

利用加速度响应连续小波变换的时变系统物理参数识别

基于小波理论,推导了函数积分运算的连续小波变换计算方法,应用此方法仅用线性时变结构的振动加速度响应信号,就可计算出速度和位移响应信号的连续小波变换值,并将振动微分方程组转换成用小波表示的线性方程组,求解不同时刻的线性代数方程组识别出时变结构的物理参数(质量、刚度和阻尼)。以5自由度时变结构为仿真算例,利用添加噪声的采集信号,识别了突变、线性变化和周期变化3种不同类型的时变物理参数,算例验证了识别方法的正确性、有效性和抗噪声能力。最后还研究了多尺度分析对参数识别的影响,给出了尺度参数区间选取和离散的依据。     

基于小波多分辨率分析的时变结构参数识别研究

提出一种小波多分辨率分析的最优尺度选择方法,并将其应用于结构时变物理参数的识别。首先,从函数空间剖分的角度引入WMRA对时变参数进行多分辨率近似展开,将振动微分方程转化成多元线性回归方程,根据时变参数的频率范围及采样频率、线性方程组的个数等确定分解层数取值范围;其次,利用赤池信息准则（AIC）寻求最优分解尺度,为增强数据的稳定性,采用正交最小二乘算法（OLS）代替传统最小二乘算法（LS）对模型中小波系数进行估计并重构时变参数;最后,分别以突变和连续变化的两种时变参数的5层剪切框架模型进行数值模拟。分析结果表明:在预先确立的分解尺度范围内,采用无噪声干扰的响应信号进行识别时,识别精度随着分解尺度的增加而增加;采用噪声干扰的测量信号进行识别时,识别精度与分解尺度的增加无必然联系;通过选择适当的分解尺度,能够准确识别时变参数、提高方法的计算效率并保证很好的抗噪性能。     

基于改进最小二乘步骤的NARMA模型辨识非线性时变结构系统

基于时变非线性自回归滑动平均模型利用改进的递推最小二乘算法提出一种用于非线性时变结构系统辨识的方法。利用线性变换将非线性时不变结构系统的动力学模型转化为非线性自回归滑动平均模型,然后将非线性项展开为系统输出数据的多项式的形式。利用短时时不变假设,通过改变模型的参数跟踪系统参数的变化,将非线性时变系统的辨识问题转化为线性时变系统的辨识问题,再利用改进的递推最小二乘算法实现对非线性时变结构系统的辨识。最后通过一个具有非线性时变刚度的三自由度结构系统的仿真算例表明,该方法可以有效地辨识非线性时变结构系统。     

Image texture classification using wavelet based curve fitting and probabilistic neural network

This article describes a new approach for image texture classification based on curve fitting of wavelet domain singular values and probabilistic neural networks. Image textures are wavelet packet transformed and singular value decomposition is then employed on subband coefficient matrices after introducing non‐linearity. Lower singular values are truncated based on energy distribution to effectively classify textures in the presence of noise. The selected singular values are fitted to the exponential curve. The model parameters are estimated using population‐sample analogues method and the parameters are used for performing classification. A modified form of probabilistic neural network (PNN) called weighted PNN (WPNN) is employed for performing the classification. Compared to probabilistic neural network, WPNN includes weighting factors between pattern layer and summation layer of the PNN. Performance of the approach is compared with model based and feature based methods in terms of signal to noise ratio and classification rate. Experimental results prove that the proposed approach gives better classification rate under noisy environment. © 2007 Wiley Periodicals, Inc. Int J Imaging Syst Technol, 17, 266–275, 2007     

基于VMD-PNN的砂轮钝化声发射检测

在磨削加工过程中,加工刀具即砂轮会发生钝化现象,砂轮表面磨损影响加工精度和工件质量,需要及时检测并修整.磨粒的塑性变形、破碎、断裂等会产生声发射信号,能够作为精确识别砂轮钝化状态的依据,且不易被噪声干扰,因此提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和概率神经网络(...     

Adaptive Time-Frequency Distribution Based on Time-Varying Autoregressive and Its Application to Machine Fault Diagnosis

The time-varying autoregressive （TVAR） modeling of a non-stationary signal is studied. In the proposed method, time-varying parametric identification of a non-stationary signal can be translated into a linear time-invariant problem by introducing a set of basic functions. Then, the parameters are estimated by using a recursive least square algorithm with a forgetting factor and an adaptive time-frequency distribution is achieved. The simulation results show that the proposed approach is superior to the short-time Fourier transform and Wigner distribution. And finally, the proposed method is applied to the fault diagnosis of a bearing , and the experiment result shows that the proposed method is effective in feature extraction.     

基于多源数据融合的掘进机截割岩壁硬度识别方法

针对煤矿井下掘进机截割岩壁硬度识别难度大的问题,利用其悬臂振动信号、升降油缸和回转油缸压力信号、截割电机电流信号,提出了一种基于多源数据融合的截割岩壁硬度识别方法。该方法首先对各类信号进行小波包分解,单支重构各频带信号并组建时频矩阵,通过奇异值分解得到包含时频信息的若干特征奇异值,以构造特征向量;再利用LDA算法实现数据特征级融合,得到类可分性更好的低维特征。为解决概率神经网络(PNN)平滑参数无法确定和网络结构复杂的问题,提出了基于差分进化算法(DE)和QR分解的PNN优化方法,并通过优化PNN对低维特征进行硬度识别。实验结果表明:所提出的特征量提取和模式识别方法是有效的,与目前常用的其它模式识别算法相比,优化PNN在掘进机三种工况下均有更高的硬度识别准确率。     

航空发动机试飞中转静子碰摩故障信号处理 的希尔伯特－黄变换（HHT）方法

时变信号处理的新方法希尔伯特－黄变换,是把一时间序列数据通过经验模态分解（Empirical Mode Decomposition,简称EMD）成本征模函数组（Intrinsic Mode Function, 简称IMF）,然后经希尔伯特变换（Hilbert Transformation,简称HT）获得频谱的信号时频分析方法引入到航空发动机转静子碰摩故障振动信号处理领域。该方法的理论和算法为用MATLAB语言编写分析程序,再用仿真信号验证程序的正确性和有效性;然后对飞行试验中获得的故障振动信号进行分析。结果表明,用EMD和HT方法对航空发动机转静子碰摩故障振动信号进行时频分析是有效的。     

应用概率神经网络诊断自行火炮发动机的故障

目的　研究概率神经网络模型 ,并应用于故障诊断 .方法　对基于概率统计思想和 Bayes分类规则的概率神经网络模型、网络结构、算法及其特点进行分析 ,利用其进行故障诊断 ,并提出一种优化估计平滑因子的方法 .结果　概率神经网络可很好地诊断自行火炮发动机进行中油路和气路的故障 .结论　概率神经网络在模式识别和故障诊断领域中可取得良好地应用效果     

基于跟踪滤波的自适应振动控制

针对频率周期振荡的振动系统讨论自适应控制问题,在频率跟踪的基础上对频率变化的振动响应进行控制,给出相应的估计、滤波与控制方法。首先在子空间辨识原理的基础上,通过测量信号自相关序列的递推运算获得信号频率;然后根据估计频率实时调整带通滤波器的中心频率,使其跟踪信号频率,实现信号分量的跟踪滤波;最后在LMS 方法的基础上构造