基于时频域融合和ECA-1DCNN的航空串联故障电弧检测

为了快速准确地检测航空交流线路中出现的串联故障电弧,提出了一种基于时频域融合和加入高效注意力机制(efficient channel attention, ECA)的一维卷积神经网络(one-dimensional convolutional neural network, 1DCNN)的故障检测算法。首先,搭建航空交流电弧故障实验平台,负载选择多类型、多参数值进行电流信号的采集;其次,为了保留更多的故障信息,分析其特征频段,经过大量数据验证,航空串联电弧在发生时,1 000～4 000 Hz分量具有一定的占比,因此将原始信号与特征频段进行融合,融合后的一维数据作为模型输入;最后,搭建ECA-1DCNN检测模型,进行训练,并通过K折交叉验证模型的有效性,得到测试集平均准确率为97.96%。该方法网络层数较少,计算快速,避免了复杂时频域计算过程,较为智能,对航空串联电弧检测装置的研究提供了理论参考。     

支持向量机在齿轮故障诊断中的应用

针对齿轮故障诊断中的小样本事件,采用了支持向量机（SVM）方法.采集齿轮3种典型故障（断齿、磨损、剥落）和正常状态的振动信号,提取时域指标和能量特征作为SVM输入向量,并采用交叉验证（K-CV）法优化SVM参数,最终得到的故障诊断准确率为100%.结果表明SVM是一种有效的齿轮故障诊断方法.     

参数寻优LSSVM的机载火控雷达工作模式判定中的应用

针对机载火控雷达工作模式判定问题，本文应用一种基于网格搜索和交叉验证的参数寻优最小二乘支持向量机（LSSVM）算法，实现对四种典型空空工作模式的自学习判定。首先，从非合作雷达信号中提取特征参数并构建雷达信号特征库作为训练样本；然后通过网格搜索进行参数寻优模型训练，实现样本范围不确定条件下的模型调整；最后应用K-fold交叉验证方法进行训练性能评价，减小样本随机性导致的模型误差，提高泛化能力。仿真结果表明，该方法对速度搜索模式、边搜索边测距模式、边扫描边跟踪模式和单目标跟踪模式的判定准确率达97%，具有应用价值和理论指导意义。