基于CEEMD和GG聚类的电能质量扰动识别

提出一种基于完备总体经验模态分解(complete ensemble empirical mode decomposition,CEEMD)和GG(gath-geva)聚类的电能质量扰动识别方法。CEEMD是一种对EEMD(ensemble empirical mode decomposition)的改进算法,其特点是向原始信号中以正负成对的形式加入白噪声,有利于减少重构信号中残余的辅助噪声;且在分解的每一个阶段都加入特殊噪声,计算一个唯一残差以得到每个IMF,因此分解的结果是完整的,优于EEMD。CEEMD不仅有效解决了EEMD的模态混叠的问题,同时也保留了EEMD处理非平稳信号的优势,再将CEEMD 分解的IMF分量的互近似熵值作为特征向量输入到GG模糊分类器中进行电能扰动的分类识别。为了验证该方法的有效性,进行了仿真和实测实验,结果表明,该方法有较好的频谱分离效果,且仅需要较少的迭代次数,减轻了计算成本。     

基于光纤传感及小波分析的管道泄漏检测与定位技术

利用一条高双折射单模光纤和一根普通单模光纤构成分布式光纤传感器,通过检测管道沿途发生的泄漏信息,可以实时地监测管道沿途发生的泄漏情况;用在时频域中具有表征信号局部特征能力的小波分析的方法确定光纤两端两个测试信号的时延,进而即可确定泄漏点的位置.文中阐述了其测试原理和泄漏点定位方法,理论分析和仿真试验结果表明,该方法可以有效提高管道泄漏测试的灵敏度和定位精度,非常适用于管道小泄漏点的检测.     

PCA-GRNN在综合气象短期负荷预测中的应用

为克服由气象因子较多且信息互嵌造成输入量多、预测时间长、预测精度低的缺点,引入主成分分析（PCA）提取气象因子特征量,与历史负荷数据共同作为建模对象;同时,针对BP神经网络动态性能的不足,建立基于广义回归神经网络（GRNN）的短期负荷预测模型。通过对实际电力负荷数据的预测,证明该方法与传统神经网络预测模型相比,明显提高预测精度和速度,具有实用性和有效性。     

超声波流量法用于输油管道泄漏监测系统的研究

把超声波流量法应用到管道泄漏检测中,可解决单独使用负压波检测技术时误报率高、泄漏发现不及时等问题,实现输油管道泄漏的精确实时检测。使用虚拟仪器平台LabVIEW建立了管道泄漏监测系统。为提高超声波流量计精度,采用混沌现象中间歇混沌的特性检测出带有强噪声的微弱超声信号。实现输油管道的高精度的流量测量。     

基于光斑场检测的亚微米级光纤微弯曲传感器

本文介绍一种基于光斑场检测的光纤传感技术,通过光斑场的强度内积计算来表征被测位移。     

混沌运动特征的数值试验分析

阐述了混沌运动的特征,以Duffing方程系统为例详尽地阐述了混沌运动特征的数值试验分析方法,包括相轨的直接观察法、频闪采样法、Poincare截面法、赝相空间法、自功率谱法、Lyapunov指数及分维数分析法,对混沌工程学的研究具有一定的指导意义。     

在集上吃晌饭的婆婆

正桂花一早生火做饭时,婆婆也起来了,梳洗了一番,拉开衣橱选了好几件衣服在镜子前试穿,摇摇头,拿不定主意穿哪件。"媳妇,你帮我看看穿这件怎样?"婆婆站在门槛里问桂花。"妈,您这是要去哪?"桂花往灶內添了柴禾。婆婆支支吾吾地说:"今儿……不是乡里集市吗?我去溜达溜达,买点啥。"婆婆连早饭也没吃,就坐屯子里赶大集卖小百货的王大根货车走了。公公才过三周年祭日,婆婆就     

基于RQA与GG聚类的滚动轴承故障识别

提出递归定量分析与GG聚类相结合的滚动轴承故障识别方法。利用能够表征信号发散程度的RQA参数--确定率和分层率组成轴承故障识别的特征向量,结合GG模糊聚类实现滚动轴承故障模式识别。对实际故障数据进行分析,结果表明,该方法不仅能够识别滚动轴承的不同程度损伤,而且能够实现不同部位的轴承故障诊断。研究结果为滚动轴承故障识别提供了一种高效、直观的新方法。     

基于EEMD模糊熵和GK聚类的信号特征提取方法及应用

提出了一种基于集合经验模态分解模糊熵和GK聚类相结合的方法,应用于滚动轴承的故障诊断中。首先,利用EEMD方法将故障信号分解成多个本征模态分量来消除模态混叠影响;其次,通过相关性对IMF分量进行筛选,并求取其模糊熵作为特征向量进行GK聚类分析进行模式识别。在实验分析中,通过模糊熵、样本熵、近似熵3种特征参数的对比,和GK聚类与FCM聚类的对比,证明了该方法的有效性和优越性。     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。