应用优化DHKELM的柴油机故障诊断方法

为准确、高效地对柴油机故障进行诊断,提出应用优化深度混合核极限学习机(deep hybrid kernel extreme learning machine, DHKELM)的柴油机故障诊断方法。该方法以各样本的频谱幅值作为故障特征,归一化处理后作为DHKELM模型的输入,从而实现对柴油机各故障状态的识别。相较极限学习机,该模型具有更深层次的结构,引入了混合核函数以及自动编码器,可以准确区分易混淆的故障类型,提高诊断准确率。针对DHKELM模型中各个超参数难以确定的问题,提出利用改进麻雀搜索算法(improved sparrow search algorithm, ISSA)对模型中各超参数进行寻优,充分发挥模型的故障诊断性能。实验结果表明,在实验室实测数据中,所提方法较传统方法具有较好的故障诊断精度,为柴油机故障诊断提供了一种新的思路。     

基于改进LMMSE的UFMC信道估计算法

针对将线性最小均方误差(linear minimum mean square error, LMMSE)算法直接应用于通用滤波多载波(universal filter multi-carrier,UFMC)系统中需要先验信道相关矩阵信息的不足,提出基于LMMSE的改进算法.该算法在频域对使用最小二乘(least square, LS)算法获得的信道频率响应进行平滑处理,在时域通过优化采样点的截短以确定理想的信道采样长度,并采用迭代估计方法获得最优信道相关矩阵,从而避免先验信道相关矩阵信息.经MATLAB仿真验证,改进后的算法对噪声的干扰可以有效抑制,对比传统LMMSE算法误码性能提升约2 dB,可以有效改善信道估计的准确度.     

基于独立分量分析的盲解码接收算法

为了解决广义频分复用(generalized frequency division multiplex,GFDM)系统接入信号中现有快速傅里叶变换(fast Fourier transform,FFT)解码算法需要先进行同步的缺点,通过独立分量方法研究了异步情况下基于独立分量分析(independent component analysis,ICA)的解码算法.该算法可以在未知传输延时和载波偏移的非同步情况下,对多用户GFDM系统信号进行盲分离和解码,降低了定时和频偏估计误差对解码性能的影响,同时不需要去除循环前缀,增加了接收信号的能量,提高了解码性能.理论分析和仿真结果表明:在平稳信道环境下,随着循环前缀的长度增加,基于ICA的解码算法相比于传统的FFT解码算法至少获得约2 dB的性能增益.     

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题，提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力，通过连续小波变换将原始信号表示为小波时频图，将小波时频图作为特征图输入到Swin Transformer进行训练，实现柴油机故障状态识别。实验结果表明，与对比方法相比，所提方法具有较好的故障识别精度及稳定性，在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。