基于冗余提升小波包及Volterra级数的机械故障预测方法

针对Volterra级数模型在染噪时间序列预测中精度较低,以及收敛速度慢的关键问题,提出了一种基于冗余提升小波包(Redundant Lifting Wavelet Packet,RLWP)及Volterra级数的机械故障预测方法。首先用冗余提升小波包对振动信号进行分解,对分解得到的末层所有频带信号用奇异值分解进行降噪。然后通过构造二阶Volterra级数预测模型对降噪后的各频带信号进行预测。最后用冗余提升小波包重构算法对各频带预测信号重构,获得预测信号。仿真结果表明:结合冗余提升小波包的多分辨率分析及奇异值降噪,能明显提高Volterra级数模型的预测精度及收敛速度。在工程应用中该方法准确预测出了某离心压缩机的不平衡故障。     

用Volterra级数描述非线性系统时Volterra核的计算

本文介绍了几种组合系统的Volterra核的计算方法,讨论了几种测量非线性系统的Voltrra核的方法,最后研讨了用最小二乘法求Volterra核的方法。     

基于Volterra级数分析的半导体激光器非线性模型

根据非线性系统Volterra级数分析理论建立了半导体激光器的非线性模型.半导体激光器由本征激光器与寄生网络级联而成.本征激光器的非线性传递函数利用谐波输入法从速率方程得到,而寄生网络的非线性传递函数由影响其非线性的主要因素决定.在此基础上利用非线性系统的级联关系得到半导体激光器的非线性传递函数,并利用模型计算了半导体激光器的二次谐波、三次谐波和三阶交调失真.计算结果显示,在宽频范围内模型计算结果与仿真结果接近,且寄生网络对于激光器非线性的影响随频率升高而逐渐加大.通过比较Volterra模型与直接仿真之间的误差随输入信号功率的变化趋势可看出Volterra模型更加适用于分析弱非线性系统.所建立的模型有助于半导体激光器的器件表征与射频光传输系统的设计.     

基于Volterra级数的MOSFET非线性电路分析

指出非线性电路幂级数分析法的不足,讨论了基于Volterra级数的非线性传输函数法,该方法将弱非线性电路的总响应分解为N阶分量之和,各阶分量用相应的非线性传输函数来表示,采用谐波输入法来求解各阶非线性传输函数,把一个弱非线性问题简化为一个等效的线性问题,从而简化了非线性系统的研究.文中以共源极MOS-FET放大电路为例,求解步骤简单明了,易于编程,具有较高的实用价值.     

基于小波特征提取和概率神经网络的机械故障诊断

论述了基于离散小波变换系数的特征提取和概率神经网络在机械故障诊断中的应用。该方法利用离散小波获取振动信号各有效频带的能量作为故障参数,用概率神经网络构建设备运行状态模型,根据历史数据确定故障值并设置故障参数。实验结果从应用程序对轴承故障诊断表明,相比传统方法,该方法能够有效地提取测试信号内在的重要信息内容,并增加机械整体故障诊断的准确性,在机械设备故障处理系统中有良好的应用前景。     

Volterra级数在光纤通信中的应用

简要地介绍了Volterra级数理论,及其在光纤通信中的应用.说明了基于Volterra级数的非线性薛定谔方程的半解析闭式解在研究光纤通信中的非线性效应的重要意义,并对Volterra级数在波分复用(WDM)系统和光正交频分复用(OOFDM)系统中的应用进行了具体的描述和总结.     

基于Volterra级数的RFPA特征模型及其仿真实验

主要运用Volterra级数理论分析射频功放(RFPA)器件工作在弱非线性条件下信号失真特性介绍了Volterra级数在非线性建模中的应用,推导了非线性传递函数的公式。在Advanced Design System 2006A软件的仿真环境下对射频功率放大器进行仿真,利用计算机仿真实现了在弱非线性条件下对任意频率输入时功率放大器的输出频谱估计。     

一类非线性系统的频域建模方法：Volterra级数的应用

为一类非线性系统的所谓“B模型”导示了各阶Volterra频域核的数学表示,并提出了B模型的参数拟合算法。为仅含一个无记忆非线性的物理系统提供了一个实用的建模方法。     

放大器非线性失真的Volterra级数算法研究

基于Volterra级数方法,对大功率放大器的非线性失真进行了分析,提出了一种新的Volterra自适应预失真的设计方法及其算法.理论分析和仿真实验结果表明:该算法具有收敛速度快,能有效地减小非线性失真的影响.在输入两音信号时,该算法使放大器的3次失真抑制了13 dB左右.     

基于变步长分块滤波器的Volterra级数简化辨识方法

针对Volterra级数辨识中的维数灾难问题，提出了一种基于变步长分块最小均方滤波器的Volterra级数简化辨识方法．该方法利用影响指数的概念，在保证一定辨识精度的前提下，对每个Volterra核根据其对辨识的贡献大小进行筛选，再用筛选出的有效核作为对原系统的近似，从而达到降低辨识中核向量维数的目的．同时，该方法将块滤波器的块平均绝对误差与滤波器的步长因子相关联，使得块滤波器的步长因子随着数据块的平均绝对误差而动态调整，改善了辨识的收敛性能．将该方法应用于某型直升机电动舵机的Volterra级数模型的辨识，结果表明，在保证一定精度的前提下，可以将核的数量降低50%以上．     

基于多方法结合应用的齿轮箱故障特征提取研究

基于振动信号分析的齿轮箱故障诊断的关键是实现对信号中故障特征的提取.由于在工程实际中采集到的齿轮箱振动信号含有较强的噪声干扰,所以单一的信号分析方法难以实现对故障特征的提取.因此将两种或两种以上方法相结合应用于齿轮箱振动信号的处理成为当前的研究趋势.为研究将不同方法相结合应用于齿轮箱故障信号特征提取的优势,对大量文献的研究成果进行了归纳整理.综合分析发现:将多种方法结合应用于齿轮箱振动信号特征提取,可有效避免单一方法的局限性,充分发挥不同方法的优势.总结了在齿轮箱故障诊断领域中分别以频谱分析为基础和以非线性理论为基础的将不同信号处理方法结合应用于齿轮箱故障特征提取的现状,最后针对多种方法结合应用于齿轮箱故障诊断的发展趋势提出了建议.     

基于提升方法的小波构造及早期故障特征提取

针对机械信号早期故障特征的提取问题，提出了一种根据故障特征波形的特点来构造相应小波的方法．该方法以提升方法为基础，通过对初始双正交滤波器组进行提升和对偶提升，来获得不同的提升算子和对偶提升算子，从而构造出具有理想特性的新小波．提取提升后小波分解的高频细节信号在每个信号工作周期中的模极大值，来确定信号发生微弱突变的时刻和位置．工程振动信号分析表明，同其他类型的小波相比，用提升方法构造的小波能更好地匹配机械信号故障特征波形，因此较理想地提取出了某炼油厂重催机组转子不平衡、轴系不对中和轻微碰摩的故障特征．     

基于提升小波包的往复压缩机活塞-缸套磨损故障诊断

针对往复压缩机活塞-缸套磨损故障微弱信号特征识别问题,提出一种识别该类信号微弱特征的自适应非抽样提升小波包方法(AULSP)。该方法以分解层信号所有样本的预测差值平方和最小为目标函数,算出与信号特征自适应匹配的初始算子,并构造非抽样算子算出下一层各频带信号。对各层细节信号进行阈值处理并重构,对降噪后的信号再进行小波包分解。各分解频带信号长度与原始信号的长度相同,无须重构即可识别时域故障微弱信号特征。用这种方法成功提取了某往复压缩机活塞与缸壁发生碰磨故障时产生的弱周期性冲击信号。     

基于局部投影和小波降噪的弱冲击特征信号的提取

综合局部投影算法及小波变换两者的优点,提出了基于局部投影和小波降噪的弱冲击信号的提取方法.实验结果表明,局部投影算法可以将背景信号和特征信号分解到不同的子空间上,小波降噪可以有效地用于包含尖峰或突变信号的降噪,结合局部投影和小波降噪的弱冲击信号的提取方法对于微弱特征信号的提取是非常有效的.     

基于小波包变换的超声回波信号特征提取

超声检测技术中,缺陷的定性分类这一技术难题至今尚未得以彻底解决。文章介绍了一种基于小波包变换的多尺度空间能量特征提取方法,并对实测的超声缺陷回波信号进行了特征提取;进而采用基于距离的类别可分性判据对提取结果进行了评价。结果表明:该方法提取的缺陷回波信号特征值,其可分性测度均值达91.7%,从而证明该方法对超声检测缺陷回波信号的特征提取是相当有效的。     

基于小波变换的故障信号检测

分析了小波变换的时频局部化特性及基于多分辨分析的信号小波的分解算法 ,研究了信号局部奇异性在小波变换下的特性 ;根据故障信号的局部奇异性在小波变换下模的极大值及其在不同尺度上的传播特性 ,对 30 8型滚动轴承振动加速度故障信号进行分解 ,对故障特征信号进行时域定位 ,并提取了故障特征频率f=46 .88Hz,这与实际的故障特征频率相近 ,说明该方法适用于滚动轴承的在线监测和故障诊断     

基于非线性映射的特征提取技术研究

从特征提取角度出发,分析了曲元分析法(CCA方法)的非线性映射算法原理,研究了曲元分析在高维数据本征维数提取中的应用,在此基础上提出了基于非线性映射曲元分析法的设备状态特征提取技术,对仿真和齿轮故障数据的研究表明,该方法能提取出对模式识别敏感的特征集,可有效用于机械设备的故障模式分类识别。     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于Bootstrapping的英文产品评论属性词抽取方法

针对英文产品方面属性词抽取,提出了一种基于Bootstrapping的抽取方法。该方法利用少数几个种子模板,通过增量迭代的过程发现新的属性词,在每一轮迭代中通过统计技术,结合情感词典的情感词分析,利用属性词与模板的亲密度关系得到属性词被抽取出的概率得分,对候选属性词进行排序过滤。对于抽取后的特征词集利用Wordnet计算属性词间的相似度,根据得分进行聚类,得到产品不同方面的属性词类簇,同时过滤掉得分较低的类簇,进一步去掉噪声。此外还利用种子模板代替种子属性词以提高系统的可移植性。实验结果表明,利用该方法进行产品方面属性词抽取的准确率为0.799,召回率为0.779,调和平均值为0.789,具有较好的抽取性能。     

应用经验模态分解下的AR模型提取旋转机械故障特征

将时间序列的AR模型引入到旋转机械故障诊断中,采用了经验模态分解与AR模型相结合的方法提取旋转机械的故障特征。通过选取含有故障信息的固有模态函数进行功率谱分析,提取故障特征,分析故障原因。仿真和试验结果表明,此法能够有效地提取故障特征参数,为旋转机械的故障诊断提供了方法保障。