基于形态提升小波的机械状态监测数据压缩研究

针对大型复杂机电设备状态分布式监测面临的海量数据传输问题,对比研究基于提升小波与形态提升小波的振动信号数据压缩方法。对实测浮点型振动信号,利用小波稀疏分解特性提出基于提升小波变换的机械振动信号数据压缩方法,通过变换后小波系数优化组合及改进编码方法,可提高阈值处理数据压缩效果。针对实测数据含大量冗余信息缺点,结合状态监测目的提出基于形态提升小波的数据压缩方法,利用形态学滤波器非线性分析特性,在振动信号网络监测数据压缩传输过程中实现信号预处理,预制噪声干扰,较好保留有用信息。所提最大区分度准优化选择分解层数,通过对比分析两种数据压缩方法表明,形态提升小波方法具有计算量小、分析速度快、压缩比高等优点。     

基于观测器的轮式移动机器人路径跟踪控制

研究基于状态观测器的轮式移动机器人的路径跟踪控制问题.首先简要回顾了基于状态反馈的移动机器人的路径跟踪控制问题;进而通过适当的状态变换将移动机器人模型转换为合适的形式,并在移动机器人的位置可以测量的情况下设计了一种可保证状态观测误差指数收敛的状态观测器;最后结合状态反馈路径跟踪控制器和所设计的观测器得到了一种基于观测器的路径跟踪控制器,该控制器可以保证移动机器人的运动轨迹指数收敛到期望路径上.仿真结果证实了所提出的基于观测器的路径跟踪控制器的有效性.     

仿射非线性奇异系统的受控分布

研究非线性奇异系统的受控不变分布问题.讨论了非线性奇异系统的受控不变分布算法与该系统经过状态反馈转化为正常非线性系统的受控不变分布算法的关系.得到了在一定条件下,正则非线性奇异系统的受控不变分布算法与该系统经过状态反馈转化为正常非线性系统的受控不变分布算法的一致性.并给出一个例子说明本文的结果.     

球磨机状态监测系统设计与故障诊断

针对球磨机传动系统设计了球磨机振动监测系统,采用信号的时域、频域分析相结合的方法对球磨机进行了振动监测和故障诊断,测试分析结果较好地反映了球磨机的真实工况和故障,为选矿厂对球磨机的检修和维护提供了技术支持。     

辊式磨粉机常用传感器类型和性能特点

介绍了开关量、模拟量和数字量等三种传感器的性能特点,并对辊式磨粉机常用的电容式、重力式和光电式等三种料位传感器的性能特点进行了比较分析,认为其中的电容式料位传感器经久耐用,具有较好的发展应用前景。     

霍尔传感器状态监测电路的设计及其应用

针对一般电流、电压互感器存在体积大、精度不高、使用不便的缺点,而霍尔传感器具有精度高、线性好、频带宽、响应快等优点的情况,以霍尔效应原理为基础,霍尔传感器为对象,设计了霍尔传感器状态监测电路并制作了相应的电路板.该电路板能同时分别监测三路电流和电压量,且测量电阻可根据实际工况随时更换,具有体积小(13×10cm)、方便、快捷的特点.最后用其进行了液压动力系统状态监测实验,并与一般电流互感器的测量结果作了对比分析.结果表明,设计的电路合理,制作的电路板工程实用价值较好.     

红山水库2020年及2021年营养化状态变化分析

文章对红山水库2020年及2021年富营养化状态进行对比分析,并对高锰酸盐指数、总磷、总氮、叶绿素a和透明度5项主要指标以及径流量对红山水库5年度富营养化状态的影响加以探讨。     

冲击荷载及不同应力状态下炭质泥岩能量耗散影响程度及破坏形态研究

为研究岩石受冲击荷载及岩石所处不同应力状态条件下其各能量变化特性,对炭质泥岩进行SHPB、一维及三维动静组合试验,研究冲击荷载下岩石处于不同应力状态时破坏形态与吸收能大小之间的关系,分析不同应力状态与其所对应岩石的破坏程度规律,研究相同应力状态下,冲击荷载与各能量及吸收能表征值关系,分析相同冲击荷载下,轴压、围压与各能量及吸收能表征值的影响规律,轴围压比值、差值与各能量及吸收能表征值关系,并定义敏感因子Q为轴压、围压与各吸收能表征值拟合函数一阶导函数为其对岩石吸收能的影响程度,探究轴压与围压对吸收能的影响程度规律。     

薄煤层采煤机传动齿轮不确定性失效诊断方案设计

传统的传动齿轮不确定性失效诊断方案的诊断结果不够精准,为此提出薄煤层采煤机传动齿轮不确定性失效诊断方案设计。基于齿轮不确定性失效状态识别模型,利用SVM分解信号特征频率,设定失效状态的特征参数,随机选取样本训练,实现不确定性失效状态识别,再根据齿轮传动系统模型,得到电磁转矩特征,提取薄煤层采煤机传动齿轮的电磁转矩特征,结合薄煤层采煤机传动齿轮不确定性失效诊断流程设计,实现齿轮不确定性失效诊断。实验结果表明,提出的诊断方案受训练时长和训练次数的影响较小,其诊断准确率提高到95%以上。     

隐马尔科夫模型的改进及其在金融预测中的应用

隐马尔科夫模型(Hidden Markov Model)在诸多领域都有广泛应用.本文从不同角度对现有的HMM进行改进并应用于金融预测.首先,我们采取固定K-means方法的初始点,使得K-means的聚类结果更加稳定,由此为Baum-Welch算法确定更好的初始迭代值.其次,为更进一步提升预测效果,与已有方法不同,我们将由BaumWelch算法所得到的模型参数值作为Vertibi算法的输入来确定隐状态的最优取值序列,由此重新划分观测向量,进而得到各个隐状态对应的观测向量的集合;基于Vertibi算法的输出结果,我们重新计算不同类观测向量的均值与方差,将新的均值向量和协方差矩阵作为Baum-Welch算法初始迭代值,最终确定HMM最优的模型参数.最后,代替现有方法仅在历史区间中简单寻求相似走势的做法,我们不仅导出了预测值发生的多步条件概率的精细表达式,而且通过极大化该条件概率的值来得到更佳的预测值.基于中国证券市场具体数据的实证结果表明了本文所提出改进HMM的优越性.