轴端无通孔时三轴转台相交度测试方法

为解决中环轴没有通光孔时如何测量三轴转台轴线相交度的问题,在内环轴上三轴交汇中心附近设置一靶标,再利用齐次变换法推导出靶标在基准坐标系下的坐标,它是三轴相交度、三轴角位置以及靶标在内环轴坐标系下的偏移量的函数,据此设计三轴相交度误差的测量方法。利用经纬仪观测靶标,计算出靶标坐标的变化量,从而实现三轴相交度的测量,并进行相关的误差分析。分析结果表明:实测相交度满足测量精度要求,测量结果具有有效性。该测量方法可避免在没有通光孔的中环轴旋转至某些特殊角度时经纬仪视线被挡住的情况,使得测量更加方便。     

平方根球形无味卡尔曼滤波机载无源定位算法

针对机载无源定位系统中,初始值误差和数值的舍入计算对无味卡尔曼滤波(un-scented Kalman filtering,UKF)算法的定位精度和滤波稳定性影响较大的问题,提出一种基于平方根球形无味的卡尔曼滤波算法(square root spherical unscented Kalman filter,Sqrt-UKFST)。该方法以单位超球体球面无味变换为基础,通过减少采样点数目和球面半径,保证所有采样点在一个单位超球体上,从而提高算法对初始值的鲁棒性,并采用平方根滤波提高算法的数值稳定性。对该算法进行100次Monte-Carlo实验,仿真结果表明,Sqrt-UKFST算法收敛速度快,滤波性能稳定;当初始状态估计误差较大时,Sqrt-UKFST算法的定位精度保持在30%以内,提高系统对初始值的鲁棒性。     

跨界融合视野下的空间认知与视觉意象

目的解析空间认知对视觉意象的影响。方法通过实体论、关系论、属性论的特征与视觉意象的映射关系来阐述空间认知与艺术设计的关联。结论实体论强调了物体本身的空间虚实变化。关系论强调了物与物之间的空间关系协调,形成更加丰富的内涵。属性论强调了物与人共同影响下的空间个性表现,带来个性化的体验。分析空间的虚实、关系及个性对于视觉意象的影响,可以为设计艺术创作提供参考。     

自适应聚类Hough变换及地震断层检测

针对现有基于Hough变换的地震断层检测方法只能检测单个断层,不能准确检测多个断层的不足,提出了一种基于自适应聚类Hough变换的地震断层检测方法。该方法首先对预处理后的地震相干图像进行边缘检测并对边缘图像进行Hough变换以检测出边缘图像中的线段,然后根据倾斜角和位置信息对线段进行自适应聚类以获得更完整的线段,最后根据初始地震图像对完整线段中的各点进行调整以获得准确、平滑的断层。为验证该方法的有效性,在实际地震图像上进行了对比实验。实验结果表明,该方法可正确检测地震图像中的多个断层,正确率达到90%以上,与现有方法相比,峰值信噪比提高了约10%。     

环境激励下Karhunen-Loève变换与模态分解间的关系

Karhunen-Loève(KL)变换作为一种基于相关函数的最佳变换,在振动分析领域已经受到广泛关注。然而,该方法还缺乏清晰完整的模态解释。在空间几何上,振动分析中模态分解是振动响应信号在由振型构成的基底上的展开,KL变换是信号在由一组正交KL特征向量构成的空间中的投影过程。对环境激励下响应的KL变换与模态分解进行类比,探讨两者间的关系。结果表明:KL特征向量收敛于质量信息加权后的振型;KL特征值表征各阶模态的能量参与度;KL变换系数收敛于模态坐标。最后,通过仿真计算验证分析结论的正确性。     

基于EEMD-Fast ICA-STFT的车用起动电机噪声源识别

提出基于集成经验模态分解(EEMD)、快速独立分量分析(Fast ICA)和短时傅里叶变换(STFT)的噪声源识别方法,对起动电机噪声信号进行声源识别研究。首先采用集成经验模态分解法将单一通道的电机噪声信号分解为一系列本征模态分量,随后用Fast ICA算法提取独立成分,最后利用短时傅里叶变换良好的时频分析特性,对Fast ICA分离结果进行时频分析,结合时频分析结果和电机噪声的先验知识,确定了各独立分量与电机不同噪声源的对应关系。     

基于小波变换的汽车电子漏电信号检测系统设计

汽车电子漏电信号具有较强的微弱性和瞬时性。当前的漏电信号检测方法无法避免这种微弱性和瞬时性的特点,导致漏电信号检测准确性较低。设计并实现了一种新的汽车电子漏电信号检测系统。该检测系统由硬件部分和软件部分构成。在硬件设计方面重点介绍了基于PCI1712数据采集卡的漏电信号采集模块和滤波电路;软件部分由LADVIEM和MATLAB仿真软件共同编程完成,重点阐述了小波变换滤波器的设计方法,并给出部分漏电信号采集程序。实验结果表明,该系统能够有效提高汽车电子漏电信号检测的准确性和检测效率。     

基于快速独立分量分析的脑电波信号降噪

针对原始脑电波信号存在非平稳性且非常容易受到各种信号的干扰等特点,对基于小波变换和快速独立分量分析的脑电波信号的滤波降噪方法进行了研究,说明了小波变换和快速独立分量分析的降噪原理,并通过对利用MindSet耳机采集得到的原始脑电波数据的处理,证明了快速独立分量分析算法可以将原始脑电波信号中包含的心电伪迹和工频干扰等多种干扰信号成功地分离出来,同时比较了两种方法的性能,验证了基于快速独立分量分析的降噪方法具有明显的优越性。     

二阶多重同步挤压变换及其在涡轮泵信号处理中的应用

液体火箭发动机涡轮泵振动信号在变工况情况下表现出非平稳和强噪声特性,为特征频率分量提取带来困难。针对该问题,首先,提出二阶多重同步挤压变换(second-order multisynchrosqueezing transform, SMSST)时频分析方法,完成了数学推导并证明了其收敛性。在此基础上,提出基于自适应带通滤波与脊线提取的转频分量提取方法。用仿真信号对SMSST方法进行验证并与传统方法比较。最后,将基于SMSST的转频特征提取方法应用于发动机转速辨识和故障诊断,并用实际数据进行验证。结果表明,与传统时频分析方法相比,SMSST具有更高的时频分析精度。提出的方法可以提供有效、可靠、冗余的转速测量手段,并且该方法可以支撑故障早期预警。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。