并行稀疏滤波在轴承声信号下的故障诊断

振动信号是航空发动机故障监测的常用信号。由于航空发动机结构复杂，对振动传感器的布置要求日益严格。声学信号以其非接触式、易布置、低成本的优点，在轴承智能故障诊断中引起了广泛的关注。然而，由于航空发动机内声信号所处的环境噪声较强，传统的轴承故障诊断方法无法实现精确的特征提取。为此，研究有效的特征提取方法实现轴承声信号下的智能故障诊断显得尤为重要。稀疏表示是智能故障诊断中的一个研究热点，在稀疏特征提取方面显示出强大的力量。对强噪声下的声信号进行有效的稀疏特征提取，可为轴承的非接触式故障诊断提供解决路径。提出一种基于并行稀疏滤波的轴承故障诊断方法，能够实现对轴承声信号的稀疏特征提取。并行稀疏滤波通过在传统稀疏滤波的基础上增加另一个归一化方向来实现进一步的稀疏特征提取，然后采用权值归一化方法约束训练得到的权值矩阵。最后，通过仿真和实验数据验证了所提方法的优越性。结果表明，并行稀疏滤波能够实现轴承声信号的有效稀疏特征提取和精准分类，可用于声学信号下的轴承智能故障诊断。     

卫星时钟信号功分网络对锁相环电路干扰分析

在多颗卫星测试中,连接在功分网络上的设备在各自加断电的瞬间,会造成锁相环电路输入信号的相位瞬时变化,引发锁相环电路的相位跟踪,导致瞬时失锁。文章通过理论推导和公式仿真,明确了产生干扰的各设备时钟信号入口的反射系数和功分网络各输出端口的隔离度是影响干扰强弱的主要因素。提出了使各设备时钟信号入口的驻波不相等,且反射系数相位趋于同相,同时提高网络各输出端口的隔离度的消除干扰方法,并通过设备的系统联试进行了验证。结果表明:此方法可以有效抑制此类干扰,可为卫星时钟信号功分网络设计提供参考。     

一种基于集体检测理论的GPS直接位置估计实现方法

传统GPS导航定位解算方法需要事先成功捕获、跟踪并实时获取多颗卫星的伪距测量,不适用于弱信号环境下卫星信号无法捕获的场景。集体检测是一种将各卫星信号的相关能量非相干累加后依据极大似然准则进行直接位置估计的理论。本文基于A-GPS提供的先验信息,提出了一种实现集体检测的具体参数估计方法和搜索策略,并基于真实GPS弱信号验证了算法的实际性能。实际试验表明,本方法与信号是否成功捕获和跟踪无关,适用于弱信号等环境下的定位解算。     

回转误差测试中系统噪声分离技术

高精度主轴的回转误差和测试系统的噪声常处于同一水平，这极大地影响了用频域三点法测量主轴回转误差的准确性。针对同步误差（SEM），提出了对含噪声信号进行等角度采样重构、集合平均和小波滤波的组合降噪处理方法，提出了根据传感器和被测主轴直径定量确定小波分解层数的方法，经仿真实验证明其具有良好的去噪效果。针对异步误差（ASEM），提出了消除测试系统噪声的方法，研究了圈数对异步误差测试结果的影响规律。此外，搭建了测试系统，验证了所提方法的有效性。      

基于客流密度的地铁列车空调夏季送风温度控制模型研究

客流密度是影响地铁列车客室内热舒适性环境的重要因素,传统的地铁列车客室温度控制主要是根据UIC-553标准,以室内外温差作为控制核心.本文通过构建全尺寸地铁列车客室-乘客-空调送风耦合的一体化模型,利用实车试验与数值模拟相结合的方法,对地铁列车客室内的热舒适性展开研究.探讨客流密度对地铁列车客室内热舒适环境的影响规律以及不同客流密度下客室平均温度与空调送风温度之间的关系,得到了不同客流密度下能满足人体热舒适性体验的空调送风温度,提出了一种基于客流密度的地铁列车空调夏季送风温度控制模型.     

谐振式加速度计自激振荡电路性能评价方法的研究

针对谐振式加速度计成品率不高、精度低等问题，以石英振梁加速度计为例，采用引进标准信号，将谐振电路作为“黑盒子”，对其开展独立的评价。通过评价电路的驱动电压幅值稳定性、移相稳定性、全温幅值/相位对称性等指标，与加速度计实际指标建立了一一对应的关系，为加速度计研制与性能提升提供了有效依据。实际运用表明，电路噪声性能、温度性能大幅提升，产品成品率从70%提高到了约90%。     

一种基于深度学习的电磁信息泄漏检测方法

电子信息设备工作时无意发射的电磁波中包含有用信息，会导致电磁信息泄漏，从而威胁设备的信息安全。现有的电磁信息泄漏检测方法，在复杂现场环境下，难以从具有不确定性的电磁泄漏信号中提取有用信息。面向电磁信息安全问题，开展了电磁信息泄漏检测研究，提出了一种基于深度学习的检测方法。设计了一个适用于电磁泄漏信号的一维卷积神经网络，并结合改进的梯度加权类激活映射方法，在未知电磁信息泄漏特征的前提下，通过深度学习实现电磁信息泄漏特征的智能标定和自动提取，从而解决了现场环境下电磁信息泄漏检测难以提取有用信息的问题。分别通过实测和仿真对比实验，验证了所提方法的有效性。      

考虑噪声抑制的高超声速风洞气动力识别方法

对于风洞试验中全尺寸模型试验的非平稳信号进行载荷辨识仍存在诸多问题。针对全尺度模型试验的非平稳信号载荷辨识提出了一种基于深度残差收缩网络（DRSN）深度学习技术的智能载荷辨识方法，该方法通过深度学习提取测力系统输出数据中的气动力、惯性力和噪声等特征，通过注意力机制对每组数据进行获取阈值，再通过软阈值函数对特征进行滤波降噪，有效辨识出测力系统响应信号中的惯性力分量并进行剔除，实现气动力载荷辨识。在测试验证中，均值法的辨识精度为85%以上，DRSN模型的辨识精度为94%以上，证明DRSN模型能有效降低噪声和惯性力对于载荷辨识的干扰，用于非平稳信号的载荷辨识具有精度高、可靠性好等特点。     

DME询问信号捕获的设计与实现

捕获询问信号是DME地面设备的一个重要功能组成部分。现役的地面设备中大多使用的捕获单元为分离器件电路设计，其电路复杂，控制难度大，改进与维护成本高。针对这些问题，本文设计采用ADC结合FPGA作为主要功能器件，并通过软件算法完成数字滤波、脉冲峰值提取和半幅点计算，实现询问信号的识别与捕获。不仅大幅减少元器件的使用，缩小设备体积，还可提高扩展性与可靠性。结合机柜验证测试，结果符合设计要求。