用于机械故障诊断的门限自回归模型盲辨识

提出了一种门限自回归(AR)模型的盲辨识算法,并与常用方法进行比较分析。该算法的特点在保证辨识精度上可大大提高其运行速度,而且阶次越高,该算法的优势越明显。将该方法与隐Markov模型结合,以门限自回归模型各区间的AR子模型系数作为特征向量,以隐Markov模型作为分类器,应用到旋转机械升降速过程的故障诊断中。实验结果表明,这种方法有很好的实用性。     

基于盲辩识理论的双通道肌电信号建模与分类

基于肌电信号产生机理，对双通道前臂肌信号建立单输入多输出ⅡＲ系统模型，由于模型输入未知且不可测，采用了盲信道辩识方法对模型传递函数进行辩识，通过提取模型参数作信号特征，能够对握拳、展拳、前臂内旋和前臂外旋四类前臂动作进行识别，实验表明，该方法运算量小，适合在线实现，性能要优于传统的ＡＲ模型方法。     

辩识Hammerstein模型的集成辩识方法——MISO情形

本文针对用Ｈａｍｍｅｒｓｔｅｉｎ模型描述的一类ＭｌＳＯ非线性系统，提出了一种稳态估计和动态辩识相结合的集成辩识方法。利用稳态信息获得非线性增益的强一致性估计，利用动态信息可获得线性子系统脉冲响应序列的强一致性估计。数字仿真结果也说明了该集成辩识方法的有效性和实用性。     

基于自回归隐半马尔可夫模型的设备故障诊断

提出了一种新的隐马尔可夫模型(HMM)拓展模型自回归隐半马尔可夫过程(Auto-Regressive Hidden Semi-Markov Model,AR-HSMM),并给出了模型参数的推导和相应的"前向-后向"算法.与传统的HMM相比,AR-HSMM有以下两个优点:①把传统HMM所假设的隐藏状态分布改进为显式高斯分布;②改进了传统HMM假设各观测变量相互独立的问题,通过在各观测变量之间建立联系,从而使之更加符合实际情况.在液压泵故障诊断中的应用实例表明,AR-HSMM在故障诊断中是非常有效的.     

基于最大峰度准则和遗传算法的盲辨识与盲均衡

根据最大峰度准则设计了一种针对线性系统的盲辩识与盲均衡算法。该算法在对系统参数进行估计的同时，用求逆滤波器的方法估计均衡器系数，并利用最大峰度准则不断调整系统参数的估计值，使其逼近实际值。由于采用了高阶累积量，算法对高斯噪声有较好的抑制能力。针对传统梯度搜索方法容易陷入局部收敛问题，又提出利用实数编码的遗传算法对准则函数进行最优化搜索。仿真实验表明，本算法具有快速收敛性能和高精确度等优点，能够大大提高均衡后的输出信噪比。     

计算机控制系统对象模型辩识的单位阶跃响应直接法

用阶跃响应法进行计算机控制系统对象模型辩识,提出了一种直接求取Ｚ传函的方法,省去了求Ｓ传函的中间步骤,用该方法可直接得到阶模型而不仅是一阶近似模。该方法简便,精度高。     

用Laguerre模型的传递函数黑箱辩识

渐近黑箱辩识的理论是Ljung L和作者于1985年提出的[4]．本文讨论了用Lagurerre模型的传递函数黑箱辩识．在一定条件下，证明了传递函估计的一致性．     

幂函数自回归模型的自回归分析

将回归模型的回归分析推广到幂函数自回归模型的自回归分析,获得了幂函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.     

对数函数自回归模型的自回归分析

将回归模型的回归分析推广到对数函数自回归模型的自回归分析,获得了对数函数自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量.     

线性自回归模型的自回归分析

将回归模型的回归分析推广到线性自回归模型的自回归分析,获得了线性自回归模型参数的估计公式、估计标准误公式、变量的点估计与区间估计公式、总体自回归系数的检验统计量。     

基于参数辨识的移动机器人故障检测及诊断系统

基于参数辨识技术，构建移动机器人的故障检测与诊断系统．对移动机器人驱动轮半径变化进行监控并获取残差序列；基于数据窗检测，对残差序列进行了辨识．仿真实验证明了该系统的实用性．     

基于AR双谱的超声波电机故障诊断

针对超声波电机在工作时发生故障难于监测与判断,提出一种高阶谱诊断超声波电机故障的方法.利用高阶累积量对振动信号建立AR模型,再对其进行参数化AR双谱估计.实验结果表明:与正常状况时的超声波电机AR双谱相比,故障状况时其双谱能量分布出现分散,峰值减少,同时等高线图和双谱切片也存在明显差异,因此可以作为故障诊断的依据.     

基于AR双谱的调速阀故障诊断

将高阶谱应用于液压系统的故障诊断,提出一种诊断调速阀故障的方法.通过实验采集调速阀工作时阀体振动的信号,建立AR模型,进行AR双谱分析.故障情况下和正常工作情况下双谱的对比差异明显,说明用高阶谱来诊断调速阀故障是可行的、有效的.     

基于概率理论和AR/GARCH模型的非线性损伤识别

为了解决在不确定因素干扰下的结构非线性损伤识别问题,提出了基于概率理论和自回归/广义自回归条件异方差(AR/GARCH,autoregressive/generalized autoregressive conditional heteroskedasticity)混合模型的非线性损伤识别方法。描述了AR/GARCH模型的组合理论及其相应的组合公式,给出了模型参数估计和定阶方法。利用损伤前后的加速度响应信号构造AR/GARCH模型,并进一步提取出非线性损伤特征因子。采用概率理论和置信区间方法获取相应的损伤存在概率,并建立基于层间刚度的基本概率损伤指标。在此基础上,基于权化技术提出了改进概率损伤指标以提高识别可靠性。数值计算和实验验证结果表明,基于概率理论和AR/GARCH模型的损伤技术可以较好地解决不确定因素干扰下的非线性损伤问题,改进概率指标的识别效果明显优于基本概率指标。     

随机AR(1)MA(1)模型的参数矩估计及其相容性

利用矩估计法,给出了双重时序模型AR（1）－MA（1）的参数矩估计。在第二重模型MA（1）噪声方差已知的条件下,通过对协方差函数渐近性质的研究,证明了该矩估计的相容性。讨论了第二重模型满足对数MA时的参数的矩估计及其相容性、自相关函数及谱密度。     

大维AR(1)模型样本协方差阵的极限谱密度

令Xn=(Xjk)1≤j≤p,1≤k≤n,X1,…,Xn是Xn的n个相互独立的列向量,并且Xk=(X1k,X2k,…,Xnk)′服从AR(1)模型,具体给出了当p→∞,n→∞,且p/n→y时,样本协方差阵Sn=1/n∑nk=1XkX′k的极限谱密度.     

基于信号空间压缩感知算法的机械故障诊断

为了解决压缩感知（CS）重构算法通过重构稀疏系数求解原始信号的重构精度不高的问题,提出一种基于信号空间的压缩采样匹配追踪算法。首先在冗余字典中求解原始信号的最优表示空间,然后在最优表示空间中利用迭代算法直接求解原始信号,最后以轴承故障振动信号为例进行实验验证。结果证明本文算法提高了信号的重构精度,可以为增强机械振动信号的故障检测能力提供依据。     

基于多传感器时频分布的机械故障信号欠定盲源分离方法

结合多传感器时频分布(multisensor time-frequency distributions,MTFD)和盲源分离(blind source separation,BSS)的特点,提出一种针对机械复合故障信号的欠定盲源分离方法。首先利用Wigner-Ville分布将观测信号转化为MTFD矩阵;然后对该矩阵进行白化处理和噪声阈值处理,并对其自动项进行选择,对其特征向量进行集群处理,从而得到源信号TFD的估计;最后对源信号进行重建,得到源信号的估计。仿真及试验结果表明,本文所提出的方法在处理非平稳复合信号的欠定盲源分离方面具有很好的效果。     

基于AR信号处理和KII模型的嗅觉识别算法

信号的特征提取和模式识别方法,在实现准确的电子鼻气体定性分析中尤为关键,本文提出了基于AR信号处理和KII模型的嗅觉识别算法．将传感器信号分为：上升期和稳定期两部分,对上升期信号提取斜率作为特征;对稳定期信号,进行AR建模来提取特征．在电子鼻的模式识别算法上,利用KII模型对气味信号进行分类．该方法充分利用了AR信号处理在信号表示方面的有效性及降维优势、KII模型在模式识别方面的优越性．仿真将该方法与BP网络、AR—BP算法及单KII网络进行了比较,结果表明,AR信号处理技术可以很好的提取特征,并与KII建立相关的数学模型,将AR信号处理技术应用到电子鼻系统中是可行的,且具有更高的识别率．