自适应多普勒频移的二相码信号处理方法

针对二相编码脉冲压缩雷达的信号处理、航天测控系统接收机的解扩需求,在高动态大偏差多普勒频移的场景下,对载波频率搜索捕获的处理方法复杂、计算量较大、实时性较差等问题,本文提出了一种自适应多普勒频移的二相码信号处理方法,在单脉冲的脉内实时提取多普勒频移同相信号及正交信号的波形,并且生成4个片段信号,根据各信号之间固定的时序关系,去除多普勒频移对基带信号的调制,恢复原始基带信号,进而实现脉冲压缩及接收机解扩。MATLAB仿真验证了有效性和可行性。该方法实现简捷、计算量小、实时性好、硬件资源少,对现有相关信号处理领域有一定的指导意义。     

基于随机变分推理贝叶斯神经网络的发电机轴承故障诊断

近年来,许多基于深度学习的方法被用于故障诊断领域,并且取得了良好的效果,但是发电机故障样本数据难以获取,在数据量较少的情况下,基于深度学习的方法存在过拟合现象,导致模型泛化能力差、诊断精度不高.为了解决这一问题,提出一种基于随机变分推理贝叶斯神经网络的故障诊断方法.该方法以贝叶斯推理与随机变分推理为基础,可以根据少量数据得到较为可靠的模型,获得网络各层参数的概率分布,有效解决过拟合的问题.采用证据下限(evidence lower bound, ELBO)派生类函数TraceGraph ELBO进行随机变分推理,解决派生类函数Trace ELBO诊断精度较低的问题.将所提方法应用于发电机轴承的故障诊断,并与其他方法对比,结果表明,所提方法在故障样本数据量较少的情况下具有较高的诊断性能.     

少量样本下基于PCA-BNs的多故障诊断

针对一些工业设备因有标签故障样本数据少而导致诊断准确率低的问题,提出了一种PCA-BNs主成分分析和斯网络(principal component analysis-Bayesian networks, PCA-BNs)结合的多故障网络模型的建模方法。通过PCA对时序信号进行降维,得到相互独立的故障特征,提高提取故障关键信息的能力;利用融合单故障贝叶斯网络构建多故障贝叶斯网络结构的方法,解决BN建模过程耗时的问题;通过高斯分布与极大似然估计结合的方法确定网络参数,提高少量数据BN建模的精度,实现在少量样本下的故障诊断。试验结果表明,基于PCA-BNs的故障诊断方法在少量样本条件下,能实现高精度的故障诊断,并且有效缩减了算法运行时间。