基于小波神经网络的航空刀具磨损状态识别

针对航空零件的加工特点,采集刀具在不同磨损状态下的声发射(AE,Acoustic Emission)信号,对AE信号进行时频分析和小波变换,运用快速傅里叶变换(FFT, Fast Fourier Transform)以及db8小波5层分解,提取AE信号幅值的均方根和主能量频段的能量作为特征向量,对特征向量进行归一化处理后作为输入向量对小波神经网络进行训练.小波神经网络运用参数调整算法,在权值和阈值的修正中加入动量项.测试结果表明:AE信号对刀具磨损敏感的频率范围在10~150kHz,网络实际输出与期望结果的误差小于0.03,该方法能够对刀具不同磨损状态进行正确的识别.      

刀具磨损的偏最小二乘回归分析与建模

简述了偏最小二乘回归方法;对在不同切削条件下车削加工过程刀具后刀面磨损的多组实验数据,采用偏最小二乘回归方法,根据变量重要性指标分析和因子载荷分析,从8个变量及其组合中筛选出了6个用于建模的自变量,并以后刀具磨损量作为因变量,建立了对所选自变量(切削速度V、切削分力的均值F_x、F_y和F_z、分力比值F_y/F_x和F_z/F_x等)的偏最小二乘回归模型;采用建模数据覆盖的切削条件下的实验数据和建模数据未覆盖的切削条件下的实验数据,分别对模型进行了验证.结果表明,采用偏最小二乘回归方法选择的自变量是合理的,所建立的刀具磨损的回归模型可以较满意地计算出不同切削条件下刀具后刀面的磨损量.     

基于最小偏差LS-SVR的模电系统多故障诊断

为解决支持向量分类机多分类存在的样本重复训练、训练模型过多的问题,保证模拟电子系统在整体和局部多故障模式上的诊断正确率,提出基于最小偏差的最小二乘支持向量回归机多故障诊断方法.通过引进样本各维度拟合误差相对于平均拟合误差的偏差平方项,最小化维度间的拟合误差间距,得到能够输出多维变量及具有高分辨率的最小二乘支持向量回归机模型.将模型多维输出值与预设的各个多故障模式值相乘,所得结果集中最大值所对应的多故障模式即为最终诊断结果.仿真结果表明:提出的方法在简化训练过程的同时,能够保持良好的整体和局部多故障诊断正确率.     

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。      

装载机载重动态测量的LS-SVM速度补偿方法

能否合理补偿动臂举升速度对所测油压信号的影响是制约装载机载重动态测量精度的关键问题.在给出载重测量的实现方法后,建立了实现载重测量速度补偿和载重量计算的框架模型,然后详细阐述了贝叶斯证据框架下最小二乘支持向量机(LS SVM,Least Square Support Vector Machines)参数的推断优化过程,以及基于贝叶斯证据框架下的LS SVM速度补偿方法.试验结果表明,采用该方法进行速度补偿后的载重测量误差均能控制到1%以下,验证了其有效性.      

基于铣削力的刀具磨损监控研究

以铣削实验为基础,分析了铣削力中包含的与刀具磨损状态有关的频谱特征,分析了切削用量对切削力功率谱的影响,对比了切削力各分量的特征对刀具磨损状态的反映.从对铣削力功率谱的分析中得出:径向力功率谱对刀具磨损状态更敏感,其中有与刀具磨损状态密切相关的特征频段,而切削用量对该特征频段的影响不明显;还通过对切削力的时域分析,讨论了铣削力中径向力和切向力的分力比值对刀具磨损状态的反映.     

基于退化数据与故障数据的导弹竞争故障预测

针对具有多元退化量的导弹竞争故障预测问题,分析了导弹退化特性,并在考虑突发故障与退化故障相关性的基础上,建立了具有多元退化量的导弹竞争故障预测模型。对导弹性能退化数据与突发故障数据进行统计推断,确定了数据的分布类型,在此基础上对竞争故障预测模型的参数进行了求解。针对导弹性能退化数据分布参数存在非线性、小样本等问题,运用最小二乘支持向量机(LS-SVM)预测模型对性能退化数据的分布参数进行了预测,得到了性能退化数据未来某一时刻的分布函数;针对退化量与突发故障的相关性,应用位置-尺度模型分析了退化量与突发故障的关系,得出了突发故障与退化量的相关参数,进而根据导弹竞争故障预测模型得到了导弹未来一段时间内的竞争故障概率。以贮存状态下的整批导弹为例,实现了导弹竞争故障预测,并与其他预测方法进行了对比,结果验证了方法的合理性与有效性。      

航空液压泵磨损状况预测

磨损是航空液压泵典型的渐进性故障之一,因磨损量难以测量,对磨损状况进行准确的预测比较困难.针对上述问题,提出了基于多尺度数据的支持向量机预测方法,该方法将支持向量机用于时间序列预测的基本理论和数据多尺度分解、相空间重构方法结合,能更有效地挖掘时间序列的内在联系及变化规律.采用回油流量作为反映航空液压泵磨损状况的敏感信号,将其分解为趋势项和随机项,采用多尺度支持向量机作等维信息一步预测和多步预测,利用网格方法对预测模型参数寻优.对比传统支持向量机算法分析其预测精度,结果表明:多尺度支持向量机模型预测精度更高,适于中长期预测.      

基于Gabor滤波器的图像目标识别方法

为了给机器人视觉导航提供有效信息,提出一种基于图像匹配的目标识别方法.对CCD采集的目标图像,由 Gabor 变换生成的二维Gabor 滤波器有着优良的滤波器性能,不需要对图像进行分割,能适应一定的旋转、尺度、光照的变化,通过多个频率和角度的Gabor算子与图像的卷积,获取图像全局信息的特征描述.分类方法采用统计学习理论基础上发展起来的一种新的机器学习方法——支持向量机(SVM, Support Vector Machines),它可解决模型选择、过学习、维数灾难等问题.通过支持向量机进行多维特征向量的分类.该方法可达到较高的识别率,达到实时处理的要求,可以在人脸识别、机器人视觉定位等领域得到应用.      

一种高精度实时GPS卫星钟差预测算法

为获得高精度实时GPS卫星钟差,文章提出一种基于多项式和最小二乘支持向量机(Least Squares Support Vector Machines,LS-SVM)相结合的钟差预报方法.该方法采用国际GNSS服务发布的超快速观测星历建模进行短期预报,首先根据卫星钟的物理特性用附有周期项的多项式模型进行拟合以提取趋势项和周期项,然后用LS-SVM对多项式拟合残差进行建模预报,最后将预报结果加上趋势项和周期项,得到最终的钟差预报值.试验结果表明,所提算法能够实时有效地对GPS卫星钟差进行预报,且精度优于超快速预报星历.     

基于贝叶斯准则的支持向量机预测模型

对实际统计数据中存在的相关性、不确定性和非线性问题,提出贝叶斯支持向量机预测模型方法.构建基于高斯分布的权值分布模型描述信息的不确定性,基于先验概率分布和贝叶斯关系获得后验分布模型,利用极大似然方法和递推迭代算法求解后验分布的最佳参数,从而得到关联向量机.建立起基于参数分布多维时间序列预测模型,将每一步迭代过程中的支持向量机输入作为随机变量,考虑数据不确定性的传递,递推得到贝叶斯支持向量机预测输出.由于贝叶斯支持向量机可以有效反映随机影响及其传递,可以克服数据不确定性和相关性的影响,因此基于贝叶斯支持向量机预测效果更加符合实际.实例表明利用贝叶斯支持向量机预测高科技企业发展趋势与实际发展趋势接近,可以克服数据相关性、不确定性和非线性对信息模型的影响,具有较高的预测精度和预测鲁棒性.     

基于经验模态分解的点云数据平滑与增强

在计算机辅助设计与逆向工程应用中,针对缺乏拓扑连接关系的点云数据,提出了基于经验模态分解(EMD)的点云数据平滑与增强算法。首先,以点云模型的拉普拉斯矩阵坐标与法向的内积作为EMD输入信号,提取点云模型输入信号的极值点作为插值节点计算信号的上下包络;然后,为实现特征保持的EMD信号分解,通过检测点云数据上特征点,并在计算信号上下包络的过程中作为约束,克服传统EMD算法无法保持特征的局限;最后,迭代地从输入信号中减去上下包络的均值得到内蕴模态函数(IMF)和余量,并通过设计滤波器实现了点云数据平滑和增强。实验结果表明,本文算法有效地将EMD推广到三维散乱点云数据中,扩大EMD在三维几何中的应用范围,并在点云数据平滑和增强方面取得了很好的效果。     

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.     

基于支持向量机的滚动轴承状态寿命评估

应用状态寿命描述滚动轴承的使用寿命,并建立了滚动轴承的状态寿命评估模型.状态寿命评估模型建模的关键是振动信号的特征提取和状态的识别算法.针对滚动轴承振动的特点,提取小波包重构信号的频带能量构造特征向量,利用支持向量机作为辨识算法建立滚动轴承状态寿命评估模型.滚动轴承全寿命试验验证了模型的有效性和可信性.     

基于改进相关向量机的锂电池寿命预测方法

锂电池具有轻便安全、循环寿命长和安全性能好等优点,作为一个被广泛应用的储能电源,锂电池健康管理和寿命预测是国内外研究的热点。建立锂电池寿命预测方法和模型,基于实验历史数据,建立电池衰减模型从而对整个电池的工作状态进行评估,及时对设备进行维护和替换,以确保电池工作的稳定。对相关向量机（RVM）的核函数进行了组合改进,优化了RVM的性能,减小了锂电池寿命预测的偏差度,提高了预测精度。      

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.