基于小波包降噪和Hilbert谱奇异值的滚动轴承故障诊断

Hilbert谱奇异值是对振动信号进行Hilbert-Huang变换得到Hilbert谱时频矩阵后,再利用奇异值分解的方法提取矩阵的特征得到的,但对噪声比较敏感。为了消除随机噪声和局部强干扰对特征提取的影响,先利用小波包降嗓,得到振动信号的谱奇异值作为故障特征,并选用SVM来诊断故障类型。试验结果表明,该方法能有效地应用于滚动轴承故障的识别。     

利用膨胀珍珠岩吸声的公路隧道局部降噪研究

为解决公路隧道内噪声较大的难题,以关中环线将军岭隧道为例,通过理论分析和声学软件RAYNOISE构建了混凝土路面噪声分布模型,并分析了隧道内声压级分布状况.随后以膨胀珍珠岩作为吸声材料,在隧道尺寸和声源位置确定的前提下,模拟了不同噪声频率下吸声材料在不同铺设位置的降噪效果,将不同因素控制下的降噪效果进行对比,得到了利用...     

基于行过扫数据降低大面阵CCD图像噪声算法研究

针对全帧转移大面阵电荷耦合器件(CCD)多帧图像数据随时间漂移的现象和测试电路引入的噪声,导致无法准确评估CCD器件的参数,文章提出一种基于行过扫数据校正算法。行有效像元数据与对应行垂直过扫数据同时输出,通过有效像元数据减去垂直过扫数据均值,对图像数据漂移的现象进行抑制。测试电路中模拟模块与数字模块同时作用于单行有效像元数据与垂直过扫数据,通过有效像元数据减去垂直过扫数据均值,消除测试电路引入的噪声。实验结果表明,经过该算法校正后的器件读出噪声减小了20%,暗场差值图像中超过15 e^-和25 e^-的比例减小了25%。该算法适用于大面阵CCD器件,可校正测试系统引入的测试误差,提高全帧转移大面阵CCD器件测试效率。     

鱼雷壳体结构减振降噪技术试验研究

本文主要是用大量试验数据比较系统地分析研究鱼雷壳体结构参数与声辐射的关系。大阻尼材料在鱼雷壳体减振降噪中的作用。本文内容偏重于试验研究,对机理方面的研究有另文叙述。由于条件的限制这些研究虽然是初步和不够充分的,但它毕竟在鱼雷结构噪声方面的研究迈开了可喜的一步,对低噪声鱼雷壳体结构设计会有一定的参考价值。     

LM1894动态降噪集成电路的应用

随着国内盒式磁带录音机的广泛普及,人们对再现原声的高保真度的要求也越来越高。但是不管怎么好的录音磁带,不管上面录有音乐与否,在放音时都会产生固有的嘶嘶声。这是由于磁带本身存在噪声之故,如图1所示。     

围墙在噪声治理项目中的应用研究

伴随着城市化建设的高速发展与轨道交通工程的大力建设,城镇居民居住密度大幅增加,诸如轨道交通噪声、施工噪声、社会生活噪声等各类噪声源充斥于居民周边,极大地影响了居民生活环境。围墙在城市建设中随处可见,鉴于此,通过理论研究与数据调研,提出充分发掘围墙在噪声治理项目中的地理位置优势特点,对围墙进行专项声学设计,提高围墙解决环境噪声污染问题的应用效果,可以为噪声治理项目提供一定的参考。     

冰箱大尺寸离心风机风道结构降噪设计研究

随着高端冰箱产品容积不断增大和深冷技术的开发应用,冰箱离心风机尺寸及工作转速由于制冷性能需求不断提升,但大尺寸风机匹配风道后的噪声问题愈发突出。针对大尺寸离心风机风道开展结构设计及噪声产生机理分析,通过仿真计算与实验测试相结合的方法,明确影响噪声的关键设计因素。通过大尺寸离心风机风道结构的降噪设计,达到噪声与性能平衡,使产品声品质满足用户需求。     

吸油烟机上置风机平台降噪技术研究

为了进一步降低吸油烟机的噪声,提升用户满意度,系统分析了吸油烟机气动噪声产生机理,进行了有针对性的结构优化与吸声降噪设计,并经过试验测试验证了多个技术方案。试验结果显示：标称最大风量下,箱体高度由400 mm增加到500 mm时,降噪0.6 dB(A);蜗壳型线优化,降噪0.7 dB(A);叶轮偏心135°,降噪0.2 dB(A);出风口座优化,降噪0.3 dB(A)。增加吸声设计组件后,箱体高度增加80 mm,降噪幅度达到最优;孔径4 mm以下的穿孔板配合吸声材料,对中低频吸声效果较好,吸声设计降噪达4 dB(A)。通过对风机平台关键风道部件的优化,配合吸声降噪技术,实现了整机多维度耦合降噪。     

纵向轨枕激振频率分析

针对纵向轨枕在实际工程中的应用特点,纵向轨枕具有施工工艺简单、养护维修方便的优势。为提高纵向轨枕减振效果,通过在纵向轨枕上部增加不同粒径橡胶混凝土盖板,借助软件模拟得出新型纵向轨枕轨道系统。对新型纵向轨枕轨道系统进行激振频率与传入地基力分析,进一步总结优化后新型纵向轨枕对减振有利,具有广阔的应用前景。     

基于堆栈降噪自编码网络的电力负荷识别

电力系统中负荷识别需要进行特征选择,而常见的人工方式特征选取比较困难。为解决负荷特征选择困难的问题,采用一种基于堆栈降噪自编码网络（SDAE）的电力负荷识别方法,能有效选取现场真实负荷波形的特征并加以识别,该方法是由一层后向传播的神经网络和多层降噪自编码器（DAE）构成。首先向数据信号中掺杂一定比例的噪声进行“破坏”,然后采用“破坏”后的信号重构原始信号,进而得到数据信号的波形特征,最后采用BP神经网络对整个数据处理网络进行有效监督和微调。经过现场实时采集的电力负荷波形数据验证,相较于BP神经网络算法,该方法的识别效果更佳。实验结果显示,采用SDAE方法在8类电力负荷的识别中辨析识别率超过96%。