基于2 维非负矩阵分解的时频图像压缩在柴油机故障诊断中的应用

针对1 维非负矩阵分解技术对2 维矩阵特征降维时,会产生数据量巨大、计算效率低下和丢失原始数据 结构信息的问题,引入2 维非负矩阵分解技术。通过S 变换得到振动信号的时频图像,用1DNMF 和2DNMF 分别 压缩时频图像,对压缩后的图像信息进行分类,对柴油机在8 种状态下的振动信号进行采集,并采用最近邻分类器、 朴素贝叶斯分类器和支持向量机分类器进行实验对比。结果表明,2 维非负矩阵分解技术比原始的1 维技术计算效 率更高,故障诊断更精准。     

基于自适应小波时频分解的ISAR成像

传统的逆合成孔径雷达成像算法用傅立叶变换进行频谱分析,对机动目标的成像会导致成像模糊。文中应用自适应小波分解方法代替传统的傅立叶变换对机动目标进行成像,得到一个三维的时间-距离-多普勒阵,对时间进行采样即得到瞬时的二维距离-多普勒像。它不仅具有很好的分辨率,还具有瞬时信息。仿真和实验结果表明．通过该方法能得到清晰的目标的距离一瞬时多普勒像。     

一种扩展的自适应小波变换算法及应用

在Claypoole自适应小波变换基础上,提出了一种扩展的自适应小波变换方法。该方法将Sweldens构造小波的内插细分多项式,由奇次扩展到正整数次,从而扩大了自适应小波消失矩的选择范围。将自适应小波变换与扩展自适应小波变换应用于信号滤波,结果表明：扩展自适应小波变换,得到了理想的滤波效果,也为应用提供了更广泛的自适应小波选择。     

一种基于小波和神经网络的故障诊断系统

基于小波变换的时频域局部化特征及神经网络的非线性映射特征,以滚动轴承为例,将小波变换和神经网络的优点结合起来.运用小波变换提取滚动轴承振动信号各频率成分的能量作为故障特征参数,将其作为神经网络的输入进行训练和故障识别,利用BP网络实现了对滚动轴承的故障诊断,取得了较好的效果.     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于改进ART2神经网络的发动机故障诊断方法

基于改进ART2神经网络的发动机故障诊断方法,用警戒和调整因子的双因子法控制网络识别过程中对已知故障再学习,使网络不断学习和优化.以某发动机的相关状态模式训练ART2网络,利用db4小波包对各模式的振动信号进行分解,再利用小波系数计算出各频带的能量构成向量,经归一化后为该模式下的特征向量.其网络只对相似度超过调整因子的识别样本进行学习,有助于提高网络发动机状态模式的识别精度.     

基于Webserver面向对象层次分解的故障诊断

基于Webserver面向对象层次分解的故障诊断,将复杂设备分解成设备、故障及维修三种对象类表示.先采集设备状态,获取设备征兆信息,并将系统故障分解成各子故障.由设备各级故障对象实例,获取设备各状态信息,验证设备故障,找出设备故障产生原因,排除方法,得出设备维修决策和设备状态性能意见.     

基于提升小波的改进半软阈值降噪方法

针对小波变换下的传统阈值降噪方法的缺点,提出了一种基于提升小波变换的改进半软阈值方法,通过提升小波变换对含噪声信号进行分解降噪,并利用改进的半软阈值方法对分解过程中的高频信号进行阈值降噪处理.对提升小波变换下的传统阚值和改进半软阈值方法的仿真试验进行比较,证明了后者在信号降噪时,相比传统的阈值方法能够获得更高的信噪比增益,且运算速度较快,更适合于实际应用.     

基于小波包分解的遥感图像压缩方法

基于小波包分解的遥感图像混合编码方法,首先将小波包分解后的低频和高频小波系数域值化为重要系数和非重要系数.低频重要系数采用无失真编码压缩.高频重要系数及其位置图,先用数学形态学方法进行聚类,再用标量量化和行程编码对重要系数和位置图分别编码.试验证明这种方法有效.     

基于小波神经网络的航天器故障诊断方法

针对微小航天器集群的故障诊断问题,提出一种故障诊断(fault diagnosis,FD)新方法。依据小波神经网络(wavelet neural network,WNN)理论,结合航天器集群的领队航天器故障检测与系统重构问题,构建一种故障诊断框架,采用小波神经网络与神经网络相结合,得出航天器姿态故障诊断策略及卫星姿态故障重构技术,给出了领队航天器故障重构方案,并进行了仿真实验与验证。仿真结果表明,该故障诊断方法是有效性的、故障重构是可行性的。     

基于小波和模糊神经网络的导弹涡喷发动机故障诊断方法研究

针对海防中远程导弹普遍采用高效率的小型涡喷（涡扇）发动机,为了减小体积和重量,发动机设计寿命较短,导弹维护（中、长期维护）、准备阶段不允许对发动机进行热试车,提出了一种基于小波和模糊神经网络的涡喷发动机故障诊断方法.将该方法成功地应用于某型涡喷发动机的故障诊断,结果表明该方法诊断效果明显.     

改进的离散小波-优化极限学习机在倾转旋翼机故障诊断中的应用

针对倾转旋翼机飞控系统的故障诊断问题,提出一种改进的离散小波-优化极限学习机（OMELM）的故障诊断算法。提出自适应启发式小波去噪方法对采集的信号进行消噪,定义了帕塞瓦尔能量用来提取测量信号经离散小波变换分解后的特征,并对OMELM进行了改进。将提取的故障能量特征进行归一化后输入到改进的OMELM多分类器中进行分类,以美国XV-15倾转旋翼机为例进行仿真验证。结果表明文中方法平均辨识率高,诊断时间短,对未来我国进行倾转旋翼机故障诊断的研究有一定参考价值。     

基于自适应平行因子的柴油机喷油故障诊断研究

为了解决柴油机发生喷油故障时喷油器受扰动引起的弹性压缩脉冲发生变化,缸盖受激产生的振动也随之变化的问题,提出了一种通过测量柴油机缸盖振动信号间接诊断喷油故障的方法。首先以5 kHz 为截止频率对振动观测信号进行高通滤波,减弱燃爆振动信号的干扰。然后利用等角度重采样的方法,将信号从时域变换到角域,消除转速波动对信号处理的影响。由于滤波后振动观测信号受其他非白噪声的干扰,最后利用自适应平行因子(PARAFAC)方法对振动观测信号进行盲源分离,减弱非白噪声的影响。以压缩上止点附近缸盖振动信号的能量作为特征量,对柴油机喷油故障进行诊断,应用研究表明,该方法有效地诊断出了柴油机喷油故障。     

希尔伯特-黄变换与小波变换在故障特征提取中的对比研究

研究了希尔伯特一黄变换( HHT)和小波变换(WT)在故障特征提取中的应用。以电源系统三相短路故障为例,针对无畸变和有畸变两种故障电压信号,采用HHT和WT提取故障特征。对比了仿真结果并分析了WT存在的问题。得出对于故障造成信号包络变化但频率基本不变的信号,HHT比WT的故障特征提取更有效。     

分布式故障诊断管理研究

复杂武器系统故障诊断是武器型号后勤保障的难题。研究复杂武器系统的故障诊断管理,能提高武器系统故障诊断的准确性和效率。采用分布式故障诊断体系结构,按照故障诊断任务流引擎规划诊断流程,使用任务分解与或树进行诊断任务分解,基于改进合同网协议安排任务分配流程,进行诊断任务分配,各诊断专家诊断结果采用模糊信息融合算法汇总诊断结果,用专家系统推导设计故障诊断单元。诊断系统综合了复杂武器系统多个故障诊断专家的判断,有效提高诊断质量。对建造分布式武器故障诊断系统有参考价值。     

基于最优测试点的小波包-隐马尔科夫模型故障诊断

采用小波包变换和隐马尔科夫模型结合的方法,提出了机载通信电台的故障诊断模型.通过评价函数的建立,得到最优测试点集合;利用小波包变换提取测试点的能量特征值作为模型的输入,利用历史数据对隐马尔科夫模型进行训练,得到各个状态下的HMM参数,通过模式识别,实现电台的故障诊断;试验研究结果验证了所提出的方法的可行性和有效性.     

基于油液和振动信息融合的自行火炮齿轮箱故障诊断方法

油液分析和振动分析技术是用于自行火炮齿轮箱的两大有效状态监测技术,但在实际监测中,这两种技术是分别应用的,故障诊断结论受试验方法和诊断水平影响很大,容易带来漏报和误报。如果将这两种信息进行信息融合,将极大提高诊断的精度和可靠性。通过建立试验台架采集油液分析数据和振动信号,然后通过提取这两种信息的特征参数,采用D-S证据理论对上述两种信息进行融合,得到更为准确的状态信息。通过试验证实,该故障诊断方法能够有效检测自行火炮齿轮箱故障,有较强的工程应用价值。