一种谐波减速器不对中误差分析方法

在空间环境中运行的星载天线转动单元中的谐波减速器产生的不对中故障信号故障特征难以提取,针对此问题提出了一种优化变分模态分解的故障诊断方法,这种方法基于鲸鱼优化算法(WOA)和Teager能量算子(TEO)包络解调。首先,由于包络熵对故障信号特征非常敏感,故采用包络熵作为适应度函数,同时其也是鲸鱼优化算法的目标函数。其次,WOA具有操作简单、调整参数少、跳出局部最优能力强等诸多优点,故使用WOA对变分模态分解(VMD)进行优化,构建优化算法。最后,使用Teager能量算子对本征模态分量(IMFC)进行处理。所提出的方法用于分析谐波减速器输入、输出轴两端收集的实验信号。通过与传统的快速傅里叶变换方法进行对比结果表明,所提出的方法提高了分解效率,在分解参数的原则和故障信号提取精度方面具有良好的性能,误差不超过2%,能够实现谐波减速器不对中故障信号的精确诊断,具有一定的研究意义与工程实用价值。     

基于形态学滤波的快速多通道图像EMD

为了提高多通道图像经验模态分解（EMD）方法分解的效率，提出了一种基于形态学滤波的快速多通道图像EMD方法。利用形态学膨胀和腐蚀滤波可以计算图像上下包络这一重要特性，实现了多通道图像EMD的快速计算，形态学滤波窗口大小由各通道图像的平均极值距离确定，将一幅多通道图像自适应分解为若干个尺度从细到粗的内蕴模态函数（IMF）图像和一个体现图像整体变化趋势的余量。大量的实验结果与对比显示，所提方法不但能够加快EMD方法分解的速度，而且也能够有效地对多通道图像进行自适应分解。通过在图像融合和图像水印中的应用及大量的实验比较，说明了所提方法能够方便快捷地投入到具体的图像处理任务中。      

基于EMD与切片双谱的轴承故障诊断方法

针对轴承故障诊断问题,提出一种基于经验模态分解(EMD,Empirical Mode Decomposition)与切片双谱分析相结合的新方法.将原始信号分解成不同尺度的固有模态函数(IMF,Intrinsic Mode Function),求取IMF分量的包络,计算其对角切片双谱,提取由于二次相位耦合产生的非线性特征,得到轴承的故障特征频率.通过对仿真信号进行分析,表明该方法克服了传统的基于EMD的包络功率谱方法不能抑制噪声的缺点,同时较传统高阶谱方法计算量更小.给出了6205-2RS JEM SKF轴承诊断实例,说明了该方法的可用性.     

基于EMD和SVM的机载燃油泵故障诊断研究

针对机载燃油泵故障数据来源较少、诊断效率较低、维护费用较高、缺乏有效故障特征的问题,利用机载燃油转输系统实验平台收集的振动信号和压力信号,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的机载燃油泵故障诊断方法。首先,利用EMD提取振动信号不同频段的能量值作为特征参量,并结合压力信号均值构造故障特征向量;其次,分别采用遗传算法(GA)、粒子群优化算法(PSO)、樽海鞘群算法(SSA)、网格搜索算法(GS)对SVM的惩罚参数和径向基函数(RBF)参数进行优化,并对优化后的SVM诊断性能进行了评估;最后,分别采用SVM、极限学习机(ELM)、BP神经网络作为分类器,并对3种分类器的诊断性能进行了评估。结果表明:采用3种群智能优化算法的SVM故障诊断率均能达到100%,寻优过程中均未陷入局部最优解,且寻优时间相当,其中GA的训练时间最短,可以采用GA对SVM参数进行寻优;当采用GA_SVM作为故障分类器时,用时较短,且故障诊断率较高,可以选用GA_SVM分类模型实现机载燃油泵的高效故障诊断。      

基于EMD及PNN的航天器振动环境分析

针对航天器非平稳随机振动信号模态频率密集的特点,提出了基于经验模式分解EMD (Empirical Mode Decomposition)的多分量过程神经网络PNN(Process Neural Network)自回归模型.通过EMD对原始时间序列进行分解, 使之成为一组不同尺度的局部正交本征模函数IMF(Intrinsic Mode Functions),利用PNN对每个IMF分别进行时变参数分析并以此确定其时变自功率谱密度,对所有分量的时变自功率谱密度通过叠加进行重构, 以此得到原始信号的时变自功率谱密度.仿真结果和实例分析表明:和传统的时频分析法相比,该方法直接使用信号数据,避免了相关估计计算,减小了计算工作量;无交叉干扰项,提高了信号的时频分布特性,具有较高的时频分辨率;对各工况下航天器的振动信号能有效的进行分析,具有较强的信号特征提取能力.      

散乱点云自适应滤波算法

提出一种散乱点云自适应滤波算法,该算法采用改进的R*-树组织散乱点云的拓扑近邻关系,基于该结构快速准确获取局部型面参考数据,自适应调节二维高斯分布的数字特征计算滤波权值,计算局部型面参考数据对原始型面数据的影响因子,以此作为权值计算各点滤波后的坐标,采用加权平均方法实现散乱点云的自适应滤波.实验证明该算法可有效提高点云的滤波效率,在保留原始型面特征的基础上,减小点云的随机误差,提高光顺性.     

基于EMD的MEMS陀螺仪随机漂移分析方法

为了抑制微机械电子系统（MEMS）陀螺仪的随机漂移，基于经验模态分解（EMD）和模态集合选择标准，结合时间序列建模滤波法，提出了一种改进的MEMS陀螺仪随机漂移分析方法。首先，通过EMD将MEMS陀螺仪原始数据分解为多个本征模态函数（IMF），利用模态集合选择标准将IMF分为噪声IMF、噪声与信号混合IMF和信号IMF三类；然后，对混合IMF进行重构、时间序列建模及自适应卡尔曼滤波（AKF）；最后，将3类信号重构，实现MEMS陀螺仪信号去噪。实验表明:所提方法有更好的去噪效果和实时性，提高了MEMS陀螺仪的使用精度。      

基于姿态标准化的线特征点云提取方法

从零件三维点云中提取棱边等线特征所对应的点云是零件模型重构的关键,也是点云数据处理的基本操作.基于曲率的线特征点云提取方法易受点云初始姿态以及曲率估计方法的影响,曲面拟合及曲率估计误差较大.提出了一种基于点云姿态标准化的线特征点云提取方法:首先计算点云主方向并将其同z轴对准实现点云姿态的标准化,然后进行曲面拟合并以最大主曲率绝对值作为曲率估计值,最后对曲率值取阈值提取出线特征点云.用不同类型的点云数据进行了实验,结果表明所提方法有较高的提取效率和良好的适用性.     

基于双谱分析的高原灌木回波信号分类

目标的回波信号是无线电引信获得目标信息的最重要方式,为了太赫兹频段的引信前端未来能够投入高原战场,适应高原不同的地貌环境,利用双谱对高原在灌木地形下不同高度的太赫兹波回波特性进行了分析。为减少分类时间,对双谱数据进行积分,得到实采信号双谱切片的特征,进而利用最邻近算法对此进行分类。利用经验模态分解（EMD）提取原始数据内在模态函数的特征,再次分类并与前一组分类结果进行对比。通过一系列数据的分类,结果表明:利用一维的积分双谱信息可以有效提取出距离地面分别为2 m、3 m、4 m、5 m时的特征并进行分类,经验模态分解也可以有效提高分类的成功率,成功率最高可达90%以上。      

基于结构光扫描数据点的内表面重建方法

提出基于结构光扫描获取的特征点重建物体内表面的方法.结构光扫描获取原始数据精度较高,但是存在数据密度不均的问题.通过剔除测量方向部分冗余数据点和插补扫描方向的稀疏数据,对原始三维数据密度进行适当调整,然后采用基于局部切平面簇的方法对调整后的数据点云进行表面重建.在某一特征点的邻域构造对应于该点的局部切平面,通过局部切平面簇逼近原始表面,采用Marching cubes算法提取等值面,得到三维表面重建的初始网格,根据优化算法简化网格,并采用Loop细分法平滑网格,获得描述物体表面特征的重建表面.该方法解决了由结构光扫描获取的不均匀原始数据点重建物体内表面的问题.      

Tide variation monitoring based improved GNSS-MR by empirical mode decomposition

Global Navigation Satellite System multipath reflectometry (GNSS-MR) technology has great potential for monitoring tide level changes. GNSS-MR techniques usually extract signal-to-noise ratio (SNR) residual sequences using quadratic polynomials; however, such algorithms are affected considerably by satellite elevation angles. To improve the stability and accuracy of an SNR residual sequence, this study proposed an SNR signal decomposition method based on empirical mode decomposition (EMD). First, the SNR signal is decomposed by EMD, following which the SNR residual sequence is obtained by combining the corresponding intrinsic mode function with the frequency range of the coherent signal. Second, the Lomb–Scargle spectrum is analyzed to obtain the frequency of the SNR residual sequence. Finally, the SNR frequency is converted into the tide height. To verify the validity of the SNR residual sequence obtained by EMD, the algorithm performance was assessed using multigroup satellite elevation angle intervals with measured data from two station, SC02 in the United States and RSBY in Australia. Experimental results demonstrated that the accuracy of the improved algorithm was improved in the low-elevation range. The improved algorithm demonstrated high monitoring accuracy, and the effective number was not less than 80% of the total in SC02, which means it could effectively describe the trend of the tide with accuracy of approximately 10 cm, meanwhile, the RMS error of RSBY could be reduced by 30 cm, to the maximum extent. The EMD method effectively expands the range of available GNSS-MR elevations, avoids the loss of effective information, enhances considerably the utilization rate of GNSS data, and improves the accuracy of GNSS-MR tide level monitoring.     

基于EEMD分解的直驱式机电作动器故障诊断

基于集合经验模式分解 (EEMD,Ensemble Empirical Mode Decomposition)算法,给出一种机载直驱式双余度机电作动器(DDDR-EMA,Direct-Driven Dual-Redundancy Electro-Mechanical Actuator)复合故障诊断方法.EEMD对信号加入有限幅度的高斯白噪声,利用高斯白噪声频率均匀分布的统计特性使信号在不同尺度上保持连续性,解决了经验模式分解的模式混叠缺陷并保留了自适应性.将EEMD方法应用于机载DDDR-EMA故障诊断实验振动信号分析,先对实测信号进行分解,得到一组无模式混叠的固有模式函数;再采用不同的方法分析各频段,提取各频段包含的故障特征.实验结果表明:与经验模式分解相比EEMD能提高故障信号的分析精度,准确诊断机载DDDR-EMA的复合故障.     

基于MEMD和ELM的飞机机翼健康状态预测技术

复合材料在现代飞机结构中的应用越来越广泛,为了有效地对飞机机翼健康状态进行预测,提出了基于多元经验模态分解(MEMD)和极限学习机(ELM)的飞机机翼健康状态预测方法。以某型飞机复合材料机翼盒段为具体研究对象,对其进行冲击与疲劳加载试验,利用光纤传感器及其采集系统募集飞机复合材料机翼盒段的原始应变信息,对其健康状态予以表征。对所采集的原始应变信息进行MEMD分解,提取分解后各频带信号的能量熵作为表征飞机复合材料机翼盒段健康状态的特征信息,采用动态主元分析法(DPCA)将所提取的能量熵特征信息进行融合,采用融合后所得到的能量熵构建ELM预测模型,对某型飞机复合材料机翼盒段健康状态进行预测。试验研究表明,本文方法可以有效实现飞机机翼的健康状态预测,具有很好的应用前景。     

基于改进HHT的非高斯噪声中瞬态通信信号检测

根据瞬态通信信号和非高斯噪声的特点,建立了相应的信号模型,并利用希尔伯特-黄变换（HHT）处理非线性非平稳信号的优势,提出了基于改进HHT的非高斯噪声中瞬态通信信号的检测算法。该检测算法分为集合经验模式分解（EEMD）和固有模态函数（IMF）分量筛选两部分,首先经过加入随机白噪声多次试验取均值得到待检测信号的IMF分量,再结合各个分量与原信号的能量差异和相关性剔除虚假IMF分量,从而实现对混叠在非高斯噪声中的瞬态通信信号的有效检测。仿真在不同的条件下对比了本文算法与其他算法对信号的检测效果,结果证明本文算法能够有效克服HHT中存在的缺陷,实现对瞬态信号更为准确的分析和检测。     

利用小波包分解算法进行原子钟信号的消噪处理

高准确度时间在国防、科研等领域正在发挥着日益重要的作用 ,要提高计算原子时的准确度 ,消除原子钟信号的噪声是关键的步骤之一。为此 ,我们利用小波包分解算法对原子钟信号进行了必要的消噪处理 ,这样我们得到了平稳的原子钟信号 ,利用这些数据重新计算国家授时中心原子时TA(NTSC) ,计算结果表明经过消噪处理提高了TA(NTSC)稳定度和准确度 ,可以考虑进一步在我国的地方原子时计算中采用该方法。     

基于小波包和Elman神经网络的液压泵故障诊断

针对液压泵出口故障检测信号信噪比低、难以进行故障特征提取的特点,及 传统的BP网络进行故障诊断时网络学习具有收敛速度慢和学习、记忆不稳定的缺陷,提出了 一种将小波包变换和改进Elman神经网络相结合,进行液压泵故障诊断的新方法.利用具有 紧支结构的小波函数对信号进行分解,削减小波系数以滤除信号中的噪声;单支重构以有效 提取各频带的故障特征,并以频带能量作为识别故障的特征向量;应用改进的Elman神经网 络建立从特征向量到故障模式之间的映射,实现液压泵故障分类.试验结果表明,采用小波 包和改进Elman神经网络相结合的方法可有效的实现液压泵故障的诊断.      

一种地震动信号特征提取与分类方法

为了实时检测、识别和预警对地下基础设施的挖掘破坏活动，本文提出一种地震动信号特征提取与分类方法。通过提取小波包变换域和集合经验模态变换域的多域能量联合分布特征向量，构建改进的径向基神经网络分类模型，利用机器学习的方法提取稳定的信号多域融合特征，并实现准确的信号特征分类预测。由多类别挖掘信号的仿真实验结果可以看出，本文的算法和模型能有效提升地震动信号分类的准确率，对地震动干扰信号具有较强的鲁棒性。