基于能量演化的航空发动机突发性故障预示模型设计

为减少突发性故障的发生及其对航空发动机的危害,提出了一种用于突发性故障预示的方法,提取系统能量特征,对其运行状态趋势进行预示。建立了突发性故障预示模型,应用能量耗散结构理论对该模型的演化过程与规律进行了描述。利用空停仿真数据对该模型进行了验证,结果表明,该模型具有较好的故障预示能力。     

一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。     

一种有效的齿轮故障识别方法

针对齿轮故障特征信息往往被信号中的噪声淹没的问题,提出了一种基于谐波小波包、样本熵和灰色关联度的齿轮故障识别方法。首先,采用顺序形态滤波器,并结合实际选用最简单的直线结构元素,对实测齿轮振动信号进行顺序形态滤波降噪预处理。然后,采用谐波小波包将不同故障的齿轮振动信号分解到3层共8个频带上,并计算各频带的样本熵。最后,以样本熵为元素构造特征向量,通过计算标准故障模式特征向量与待识别样本的灰色关联度来判断齿轮的工作状态和故障类型。试验结果表明,该方法能够有效地应用于齿轮系统的故障诊断。     

基于小波与GBDT的无人机传感器故障诊断

相对于有人飞行器,确保无人机传感器的正常工作更为重要.针对无人机传感器的故障诊断,提出了一种将小波特征提取与梯度提升决策树(GBDT)算法相结合的故障诊断方法.采用基于多层小波包分解的特征提取方法,将小波包分解系数与频带能量熵组合构成特征向量,相比单一的能量特征提取方法,有效提升了故障的可分性.采用梯度提升的策略对弱分类器进行迭代优化和线性组合,构成强分类器,使故障分类精度得到显著提高.仿真结果表明,该方法能有效进行特征提取和故障类型识别,且有较高的诊断精度和较强的泛化能力.     

基于小波分析的高速列车车体运行状态估计

基于监测数据评估高速列车空气弹簧和横向减振器等关键部件的运行状态, 针对车体垂向加速度振动信号, 提出了小波包能量矩的列车状态估计方法。首先分析车体垂向振动特征, 对不同工况和不同速度下的信号进行小波包分解, 并重构能量较大的频带信号, 再计算各频带的小波包能量矩特征, 不同频带信号的小波包能量矩变化反映了列车运行状态的改变。将不同频带的小波包能量矩组成特征向量, 最后用支持向量机进行故障识别。实验数据仿真分析表明, 列车空簧失气故障和横向减振器失效故障识别率为100%, 说明该方法能很好地估计出高速列车的故障状态。     

搭接梁螺栓联接结构的状态识别

利用频谱分析和小波包分析技术,针对敲击状态下搭接梁螺栓联接结构的加速度信号进行分析,根据不同预紧状态下响应信号的固有频率和优势频带的小波包能量变化,实现对联接结构的状态识别。分析结果发现,螺栓连接状态的变化与固有频率和优势频带的能量密切相关,在敲击下,预紧力越小,搭接梁的奇数阶固有频率越小,优势频带的能量也越大,表示其结构阻尼越大,联接结构的能量耗散增大,系统非线性增强。     

基于小波包能量谱的往复式隔膜泵故障诊断研究

针对往复式隔膜泵故障的多元性、不确定性和并发性的特点,提出了基于小波包能量谱的往复式隔膜泵故障诊断方法。小波包能将振动信号分解到不同子频带,通过各子频带信号的能量变化反映设备运行状况。通过采集往复式隔膜泵振动信号,进行小波包分解为多个子频带,求出各频带的能量和能量比例,然后对比故障振动信号和正常振动信号的频带能量谱比例图,找出发生故障的频带,进而找出往复式隔膜泵的故障特征频率,诊断出故障。实验表明:通过小波包能量谱对往复式隔膜泵进行故障诊断是有效可行的。     

基于功率谱熵和频带能量的运动意识任务分类研究

提出以信号功率谱熵和频带能量作为组合脑电特征向量,运用时变线性分类算法对左右手运动意识任务分类的方法.C3、C4电极脑电信号8～24Hz功率谱熵和频带能量随时间变化的规律很好地反映了ERD/ERS现象,将两种特征组合用于分类,得到了满意的结果.由于功率谱峰熵和频带能量计算比较简单,稳定性好,识别率高,可在线识别左右手想象运动.     

基于LMD的PWM整流电路故障特征提取新方法

脉冲宽度调制(PWM)整流电路结构日益复杂,对其可靠运行提出了更高的要求;对局域均值分解(LMD)用于PWM整流电路的故障特征提取进行研究,提出一种基于LMD和加权频带能量法的特征提取新方法;该方法通过逐步抽取调频调幅成分将故障信号在频域上展开,然后基于信号能量的频带分布特点,充分考虑各频带成分与故障的相关性,构造故障特征向量,实现特征提取;最后以PWM整流电路为例进行仿真,相电压380V,仿真时间0.5s,0.1s时注入故障;结果表明,该方法能有效地提取故障信号的特征,并降低特征向量的维数。     

线性熵的系统故障熵模型及其时变研究

为研究系统故障在不同因素叠加时体现的总体规律、故障变化程度和故障信息量，提出系统故障熵的概念。基于线性熵的线性均匀度特性，推导了多因素相被划分为两状态时的线性熵模型。认为线性熵可以表征系统故障熵，进而研究了系统故障熵的时变特征。对连续时间间隔内的不同因素状态叠加下系统故障进行统计，得到系统故障概率分布，绘制系统故障熵时变曲线。从结果来看至少可以完成3项任务:从变化规律得到考虑不同因素影响下的系统故障熵变化情况，系统故障熵的总体变化规律，系统可靠性的稳定性。此研究可应用于类似情况下的各领域故障及数据分析。     

基于信息熵的多电飞机供电可靠度评估

由于多电飞机拓扑结构复杂且发生故障的概率较低,采用传统的蒙特卡罗采样方法进行可靠度评估时存在采样次数多,仿真时间长等缺点。通过信息熵引入多元件系统的近似概率分布,从而提出一种适用于多电飞机供电可靠度评估方法,在信息熵中引入最优参数,改变了元件的故障概率分布,构造了元件零方差概率密度函数的近似函数,然后利用差分进化求解最优参数。结合对偶抽样的信息熵法可进一步降低采样过程的方差,提高了传统蒙特卡罗方法的采样效率。最后使用一个多电飞机电源系统为应用案例,对几种可靠度分析方法进行收敛性和准确性分析,其结果表明本文方法在小概率事件评估问题上优势明显。     

耗散结构理论在飞机系统性能分析中的应用初探

本文将耗散结构论、信息熵的观点引入到飞机系统中,并通过读取飞行数据,计算某型飞机的发动机相关参数的多参数联合熵,成功地的拟合了该型飞机的发动机性能变化趋势,进而为飞机系统的性能监控和故障分析提供了一种新思路。     

非高斯噪声驱动的耗散动力系统的信息熵演化

熵在描述随机系统的演变、不稳定性、无序性或混乱程度以及信息传递方面起着重要的作用.本文对非高斯噪声驱动的一类耗散动力系统的信息熵演化进行了研究,文中通过线性变换的方法简化了所研究系统的FPK方程,然后根据Shannon信息熵定义推导出了该耗散动力系统随时间演化信息熵的精确表达式,最后分析了非高斯噪声和系统耗散参数对系统信息熵的影响.     

A quantitative estimation technique for welding quality using local mean decomposition and support vector machine

The experimental nonlinear time series of welding current contain the arc feature information related to welding quality. The local mean decomposition (LMD) combining with the support vector machine (SVM) is put forward to quantitatively estimate the rationality of welding parameters and welding formation quality. The LMD is used to investigate the time–frequency distribution of arc energy, and the energy entropy is employed to quantitatively judge the welding arc characteristics related to welding quality. The collected current signal is decomposed into a number of product functions (PFs) by LMD. The energy entropy of each PF is calculated to establish the welding arc energy feature vectors, which are inputted into support vector machine classifier. The LMD combining with SVM can quantitatively estimate the time–frequency energy distribution characteristics of the arc current signal at different welding parameters and welding formation quality. Experimental results are provided to confirm the effectiveness of this approach to estimate the rationality of welding parameters and welding formation quality.     

面向特征融合的脑卒中脑电信号分类方法

为了实现脑卒中患者中脑梗死、脑出血两类疾病脑电信号的高效分类与检测,提出了一种基于小波包能量与近似熵特征提取结合的脑电自动分类预测方法。将输入的脑卒中病人的脑电信号进行小波包分解,提取各个频段的能量并降维,而后与近似熵融合作为特征向量,并用支持向量机算法对其进行分类。研究结果表明该方法有较强的脑电特征分类识别能力,进一步单独提取原始脑电信号α波段的信号进行分类,得到了更优的分类效果,脑卒中脑电信号的分类准确率可以达到98.36%。这对临床上实现脑卒中疾病的智能预测具有辅助决策作用。     

结合马田系统-SVM的滚动轴承故障模式分类研究

为了有效地确定滚动轴承的故障类型和受损程度,提出了结合马田系统和SVM的滚动轴承故障模式分类方法。利用EEMD方法对原始振动信号进行分解,得到一系列IMF。经过故障敏感IMF选取方法筛选IMF后计算其时域和频域特征参数以及原始信号的能量熵参数,构造初始的多维特征空间。运用马田系统中的正交表和信噪比进行特征降维,得到精简特征空间。接下来使用偏二叉树方法构建支持向量机多分类模型。通过实验数据进行模型验证,结果表明该方法可以实现滚动轴承故障模式分类。     

基于频率簇模型的人脸识别

目的 针对复杂条件下人脸识别鲁棒性差的问题,提出了一种基于频率簇（FC）模型的人脸识别方法。方法 该方法首先在人脸图像内检测目标区域,在目标区域内划分特征子区域并设定采样单元,统计采样单元内前景区域和背景区域的信息熵;然后计算采样单元的熵能量和能量频率,归一化频率系数,利用能量频率的二阶偏导确定人脸子区域边界,以此得到有效采样单元,建立人脸主特征信息;最后,根据采样单元的坐标位置、熵能量和能量频率信息进行排序,得到每个采样单元的几何布局,以采样单元的熵能量、能量频率和几何布局构建人脸的频率簇模型,并以此作为人脸特征进行识别匹配。结果 在FERET、ORL、Yale组合人脸库和CMU-PIE人脸库上进行实验测试,该方法的识别准确率分别为99.11%和97.36%,单幅人脸图像的平均识别速度为0.077 s,结果表明,该方法对复杂条件下的人脸识别具有很好的实时性和准确性。结论 该方法可以有效克服光照变化、特征模糊、姿态和表情变化等因素对人脸识别的影响,具有较好的鲁棒性,对提高人脸识别性能具有重要意义。