基于短时傅里叶变换和深度网络的模块化多电平换流器子模块IGBT开路故障诊断

针对现有模块化多电平换流器(MMC)子模块故障诊断过程中所需传感器较多、测量干扰较大等问题,提出一种基于深度学习的MMC子模块IGBT开路故障诊断方法。在对MMC子模块开路故障特征进行分析的基础上,利用短时傅里叶变换(STFT)提取桥臂电压信号的谐波分量信息作为故障诊断所需的特征参数。将所得到的特征参数进行处理后构建故障诊断样本,在通过深度置信网络实现故障类型快速检测的基础上,依据不同故障类型,构建多个基于卷积神经网络的故障定位网络,进而实现开路故障的检测与定位。通过129电平的MMC系统仿真模型和降功率的MMC实验系统搭建,对该文所提方法进行了验证。仿真和实验结果表明,所提故障诊断方法可以在减少传感器数量的基础上实现子模块开路故障的诊断,提高系统的可靠性。

基于深度残差傅里叶神经算子方法压制地震多次波

多次波是一种较为严重影响地震成像的干扰波,如何有效压制多次波是需要关注的地震资料处理关键问题之一.本文基于傅里叶神经算子(FNO)和残差网络(ResNet),提出了基于深度残差傅里叶神经算子(DRFNO)网络的多次波压制方法.DRFNO是一种弱约束模型+数据驱动的人工智能算法,包含一次波和多次波的全波场炮集为输入,其中真实一次波炮集为标签训练网络,输出为压制多次波后的一次波炮集.DRFNO的网络结构中考虑了地震波场的数据特点,结合波动方程正演模拟的物理机理,约束网络训练过程.基于传统机器学习中的激活函数设置方法,该方法通过一个用于地震数据样本与标签预处理的激活函数(SDAF),克服地震炮集数据中因同相轴能量差异导致神经网络无法训练的问题.采用两套层状介质模型和Sigsbee2B复杂模型的模拟地震数据验证了DRFNO方法多次波压制处理的有效性,抗噪性和泛化能力.最后,通过一套实际地震数据实例表明本文提出的DRFNO方法应用于压制实际复杂地震波场中多次波的良好效果.

基于自适应短时傅里叶变换的品质因子Q值估算方法

品质因子Q是描述地下介质对地震波吸收衰减强弱程度的参数,同时也是地层含油气性的重要标志。在地震资料Q估算中,常用的方法是短时傅里叶变换方法,当窗函数被选定以后,其时频分辨率就固定了。针对该问题,提出一种自适应窗短时傅里叶变换的方法,以获得更准确的瞬时中心频率,并利用峰值频移法来估算品质因子Q。首先,利用固定窗长的短时傅里叶变换来提取信号的瞬时中心频率作为初始频率;然后,根据初始频率自适应计算不同频率的窗长,并利用自适应窗长短时傅里叶变换来求取瞬时中心频率;最后,结合峰值频移法得到高分辨率的品质因子Q值。利用合成数据和实际数据进行了测试,结果表明,相比于固定时窗短时傅里叶变换方法,自适应短时傅里叶变换方法具有更好的时间和频率分辨率,可以获得更高分辨率的品质因子Q值。该结果可以为地下介质的研究提供更准确、可靠的工具,有助于更好地了解地下结构和油气资源分布情况。

傅里叶变换红外光谱在微塑料检测中的应用

塑料制品的生产在为日常生活提供便利的同时也产生了大量塑料废物,其降解产生的微塑料(Microplastics,MPs)的健康效应和生态系统效应已成为全球关注的环境问题。伴随MPs污染问题的严重性和日益突出的环境影响,开发MPs的有效检测技术或方法尤为重要。傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FTIR)技术开发已较为成熟,因其高灵敏度、快速分析、非破坏性等优点,在MPs检测中得到广泛的应用。焦平面阵列-傅里叶变换红外光谱(Focal Plane Array Fourier Transform Infrared Spectroscopy,FPA-FTIR)技术作为FTIR的一项新技术,具有短时间内对大量样品进行高通量光谱扫描的优势,目前用于MPs的鉴定、分析与表面特性研究,为研究MPs与环境间的相互作用机制提供了新的研究方法。对FPA-PFTIR技术在MPs检测中的应用进行着重介绍,同时对其在未来的发展前景进行展望,以实现FTIR技术在识别MPs污染问题上的新突破。

傅里叶变换离子回旋共振质谱技术在稠油高低温氧化评价中的应用

为了认识稠油开发过程中低温氧化与高温氧化阶段原油变化规律,利用静态氧化釜开展稠油的高低温氧化实验,借助傅里叶变换离子回旋共振质谱分析技术对高低温氧化前后的原油分子量及O、N、S杂原子化合物特征开展研究,结果表明:原油低温氧化阶段分子量分布特征与原样相似,相对分子量分布范围在200~750,整体呈平缓状单峰型分布,高温氧化阶段分子量分布范围前移,呈明显的前峰单峰型分布;杂原子化合物中的O元素在低温氧化阶段主要以无环的饱和二元酸形式存在,在高温氧化阶段受环化、芳构化及脱甲基作用的影响,伴随着侧链烷基及杂原子基团的断裂和芳构化过程,造成原油中杂原子化合物向着碳数更小、双键当量(double bond equivalents,DBE)值更低的方向演化。该研究探索了温度与原油结构及化学组成之间的关系,对于指导稠油开发现场具有重要意义。

离散傅里叶变换性质的可视化教学设计

离散傅里叶变换是“数字信号处理”课程的重要教学内容,然其定义及主要性质涉及大量数学公式推导表征,较为抽象枯燥,不利于学生直观深入理解;且课程内容中对理论知识的具体应用场景涉及较少,难以激发学生的学习兴趣。针对此问题,提出了将数字图像频谱分析作为离散傅里叶变换性质教学的辅助手段,对线性、循环移位、对称性、对偶性等主要性质,分别进行直观形象的可视化展示。课程实践结果表明,该教学设计能有效提高学生的学习兴趣和知识掌握度,取得了较好的教学效果。

基于傅里叶级数的光栅波长信号重构及振动位移精准测量

为实现光纤光栅传感器在多频率振动位移中的精确测量,研究了一种基于傅里叶级数的光栅波长转换。该方法将光栅波长偏移量按照振动频率分解,依据波长变化量与加速度的关系式得到振动频率分量产生的振动加速度,通过对振动加速度进行二次积分得到振动位移,对振动位移求和,实现整体振动位移的精确测量。实验结果表明,在检测单频率振动位移时,该方法的最大误差率为3.74%,基于振动主频的光栅波长转化方法的最大误差率为-4.60%。在检测双频率振动位移时,该方法的最大误差率为-8.45%,基于振动主频的光栅波长转化方法的最大误差率为-74.25%。因此,该基于傅里叶级数的光栅波长转化方法能够准确分解并重构光栅波长信号,在测量多频率振动位移时精度更高,稳定性更强。

一种跳转向量的隐性加权分数傅里叶变换通信方法

加权分数傅里叶变换(Weighted fractional Fourier transform,WFRFT)技术可以极大地改变信号的特性,使信号的统计特性多样化,从而有效地保障通信信息安全。为解决单参数WFRFT通信抗扫描能力不足的问题,以单参数WFRFT为切入点,深入研究单参数分数域的形成机理,分析其潜在的微观特征和暗特征,从而提出了一种基于跳转向量的隐性WFRFT通信方法(Implicit WFRFT communication method of jump vector,IWVJ)。利用调制阶数与星座图的关系,建立了跳变矩阵和跳变向量,并以此制定了控制规则。此外,通过跳变向量控制获得动态调制阶数,从而达到安全通信的目的。仿真结果表明,IWVJ方法对授权接收机具有较高的反变换解调相似度和较低的误码率,相比于具有普适扫描能力的非授权接收机性能更优。同时对解调阶数误差、基础调制阶数和跳转频率等参数的设置给出了适用的建议,使IWVJ方法能够更好地应用于通信系统,为具有抗干扰、抗截获和抗欺骗能力的保密通信提供技术依据。

融合短时傅里叶变换和卷积神经网络的托辊故障诊断方法

托辊故障已成为带式输送机运行中的常见问题。若不能及时诊断托辊故障,则将严重制约带式输送机的安全运行。为了解决上述问题,基于某矿带式输送机中间段托辊的实际运行工况,提出了一种融合短时傅里叶变换(short-time Fourier transform,STFT)和卷积神经网络(convolutional neural network,CNN)的托辊故障诊断方法。首先,以分布式光纤为基础,对托辊在正常、轴承损坏及筒皮断裂工况下运行时的振动信号进行采集并作STFT处理,得到对应的时频图样本集,并将其分为训练集和测试集。然后,将训练集输入CNN模型以进行诊断模型训练,在训练过程中不断更新不同工况下托辊的运行状态特征。最后,将训练好的CNN模型应用于测试集,并输出托辊运行状态的识别结果。结果表明,所构建的CNN模型的识别准确率高达99.6%。基于所提出的故障诊断方法,在某矿上开展现场实验,以进一步验证CNN模型的识别准确率。实验结果表明,CNN模型对带式输送机中间段托辊的运行状态有较高的识别准确率,可达96.5%,与测试集上的识别准确率仅相差3.1个百分点,说明所提出的故障诊断方法具有一定的可靠性。后续可通过不断增加不同工况下托辊的运行数据来提高该故障诊断方法的鲁棒性,这可为煤矿企业有效诊断托辊故障提供有力的理论基础。

离散色散光域傅里叶变换的延时和带宽扩展研究

光域傅里叶变换为射频频谱分析提供了一种新的解决方案。光域傅里叶变换主要受限于大的二阶色散的获得,而离散傅里叶变换只需要控制离散点的相位,理论上可以解决大色散的获得问题。文章利用光纤环作为离散色散器件,用线性调频信号作为待测信号,进行了光域离散傅里叶变换的研究。该系统是一个快速傅里叶变换系统,每次变换用时约2.07ns。用示波器观测线性调频信号变换前与变换后的波形延迟,可以测出该系统的变换延时,约为100ns,其延时大小主要取决于系统中的光纤长度。该系统可以实现对信号的不间断处理。为了扩展系统的瞬时带宽,对片上集成光微环组方案的可实现性进行了分析。

基于傅里叶变换与统计检验的圆度误差分离技术研究

采用傅里叶变换及数理统计假设检验的方法对圆度误差进行分离。针对圆轮廓的高精度测量数据,通过最小区域法拟合圆心。应用傅里叶变换将圆轮廓信号转换成谐波信号,从理想圆轮廓模型出发,逐步添加傅里叶分量,迭代过程中通过偏F检验构造包含未知系统形状误差的主导性模型。通过自相关法检验、卡方检验及J-B检验获取残余的显著性傅里叶分量,进一步构建显著性模型,实现圆度误差中系统误差的分离。通过数控加工16个圆孔的实验数据分析,证明了该方法可以对圆度误差进行有效分离。

基于傅里叶变换与近端采样的序列推荐算法

传统推荐算法比较注重于模型本身对于推荐效果的提升,实际上数据质量对于算法的影响更为重要,但目前在推荐算法领域对于数据的科学处理方法比较零散,没有形成一个系统的框架。针对以上问题,基于傅里叶变换与近端序列采样的数据预处理,结合SASRec提出可以普遍应用的序列推荐框架FTRRec。首先通过傅里叶变换将序列数据在时域和频域中相互转换,并根据序列数据的特点,过滤序列中的无用信息,其次使用近端序列采样替换传统的滑动窗口采样法,加速样本采样的同时,提升模型对于序列的特征捕获能力。通过在5个公开数据集上的实验,将框架应用于三个不同的主流推荐算法时,每种模型均有3%-5%的提升。

基于矩阵乘积态的有限纠缠量子傅里叶变换模拟

与经典计算不同,在量子计算中量子比特可以处于叠加态,多个量子比特之间还可以形成纠缠态。表示n个量子比特组成的量子态需要存储2^(n)个振幅,这种指数级的存储开销使得大规模的量子模拟难以进行。然而当量子态的纠缠程度有限时,使用矩阵乘积态表示量子态仅需要线性的空间复杂度,可以扩大模拟的规模。使用HIP-Clang语言,基于CPU+DCU的异构编程模型,使用矩阵乘积态表示量子态,对量子傅里叶变换进行模拟。结合矩阵乘积态的特点,对量子傅里叶变换线路进行分析,减少模拟实现时不必要的张量缩并运算与正交化构建。对模拟过程中的张量缩并进行分析,使用TTGT算法完成张量缩并运算,同时利用DCU的并行处理能力来提高效率。对模拟结果进行分析,分别通过振幅误差与半经典Draper量子加法器的结果验证了模拟的正确性。对模拟规模进行分析,当量子态的纠缠熵最大时,使用16 GB的内存空间最多只能模拟24位的量子态,而当量子态内部纠缠程度较低时,可以对上百位的量子态进行量子傅里叶变换模拟。

基于改进傅里叶级数的黏弹性夹层板动力问题的数值算法研究

本文提出了一种基于改进傅里叶级数的新型数值算法,用于求解任意边界条件下黏弹性夹层板的自由振动特性。该算法利用一阶剪切理论建立面外位移场,采用改进的傅里叶级数拟合位移容许函数,结合Rayleigh-Ritz法计算动能和势能,并利用Hamilton变分原理得到振动特征矩阵方程。计算结果表明,无论是梁式板结构还是各种边界条件下的夹层板结构,该算法得到的自振频率和损耗因子与解析解、2D有限元解、数值计算法和ABAQUS有限元软件等计算结果相比,误差均不超过1%,计算效率提高了10倍,并且克服了传统方法只能求解特定边界下振动问题的局限性。本文建立的方法具有收敛性好、计算效率高和适应性强等特点。

傅里叶分解和调制信号双谱的滚动轴承故障诊断

在噪声干扰较强的环境下,为了克服傅里叶分解方法(Fourier Decomposition Method,FDM)在分析调制信号及单独使用调制信号双谱(Modulated Signal Bispectrum,MSB)在分析非平稳信号方面的不足,提出了一种FDM和MSB相结合的滚动轴承故障诊断方法。首先,使用FDM按照高频到低频的方式搜寻傅里叶固有模态函数分量(Fourier Intrinsic band Functions,FIBFs);以加权峭度指标作为评判标准,对信号进行重构,确保得到最佳的信号;然后对新的信号利用MSB分析方法进行解调处理,最终通过复合切片谱实现故障特征频率的提取。最后,通过上述方法对模拟信号和滚动轴承外圈故障信号进行分析,其研究结果表明:该方法能够有效地提取故障特征频率,并且与常规双谱进行对比,验证所提方法的优越性。

傅里叶变换法在电梯结构振动测试的应用

针对电梯结构的振动,对牵引比为1:1的电梯振动特性进行了实验测试,在此基础上采用傅里叶变换(STFT)方法对电梯振动特性的测试结果进行了功率谱密度(PSD)检验,提出了电梯结构横向纵向耦合振动检测方法,研究电梯部件振动的主频率分布及其影响因素。结果表明轿厢架横向和纵向振动均为低频振动,主要是由于车架与车架之间的弹性相互作用所致,轿厢架纵向振动形式和幅值与平台架基本一致,但横向振动的PSD在高频区域有明显的峰值,而提升绳的横向和纵向振动频率较高。本研究为电梯监控传感器的设计和相关数据处理提供了参考依据。

基于傅里叶级数展开的码垛机器人轨迹规划

为解决码垛机器人工作中因频繁启停而产生的冲击过大与常规多项式曲线规划效率低下等问题,课题组以SP-120系列码垛机器人为研究对象,采用改进D-H参数法建立机器人的D-H坐标系,进行正、逆运动学求解分析。利用基于傅里叶级数展开的轨迹规划方法进行了起始点至目标点的点对点连续轨迹规划,并利用MATLAB软件进行仿真分析。仿真结果表明:基于傅里叶级数展开所得各关节角位移、角速度和角加速度曲线连续、平稳,且工作空间运行轨迹平滑,解决了码垛工况下冲击过大问题;与五次多项式插值算法相比,得到了更大的峰值角速度和一段恒定的峰值角加速度,解决了常规多项式曲线规划效率低下问题。

基于卷积神经网络融合的彩色傅里叶叠层显微重建

针对彩色傅立叶叠层显微重建存在图像获取时间长、采集低分辨率图像数量多等问题,采用基于卷积神经网络的图像融合方法来实现彩色傅立叶叠层显微重建。该方法基于图像融合原理,将单通道低分辨率图像重建的灰度高分辨率图像与相同视场下的彩色低分辨率图像融合,成功地重建彩色FPM图像。在保证图像恢复质量的同时减少了2/3的采集时间。实验结果表明,所提算法可以获得色彩不失真的彩色FPM图像,定量评价指标方均根误差小于0.01,结构相似性参数大于0.89。

基于快速傅里叶增强深度网络的树皮种类识别

快速且准确的树种识别为生态系统分析提供重要指导,但现有基于深度学习的方法无法满足林场实际作业需求,需要更简化、可部署的模型,为此笔者提出一种基于快速傅里叶增强深度神经网络的双分支网络。在第1个主干分支ResNet34中引入了门控通道注意力模块(GCT),以保证使用轻量模型且识别精度稳定;第2个分支利用快速傅里叶变换进行辅助监督,将树皮图像的灰度分布转换为频谱图分析图像纹理,通过辅助监督主干网络学习纹理差异性特征。本方法在3个树皮图像数据集上进行实验,其中,在23类树皮图像数据集中,准确率、预测精度和召回率3项评估指标分别达到了91.01%,89.65%和88.60%。此外,本方法显著减少了模型参数量,与原模型ResNet34相比,减少了33%的权重参数量。结果表明,该方法不仅提高了识别效率,降低了人力资源浪费,而且通过减少模型参数量,便于在各种终端设备上进行部署。

基于傅里叶描述子的手势识别方法

手势识别是计算机视觉人机交互应用领域关键技术,手势轮廓携带有手势重要特征,准确捕获手势轮廓对提高手势识别具有重要意义。针对手掌轮廓特征提取困难和手势识别率低问题,提出了基于傅里叶描述子的手势识别方法,按照候选窗口最大轮廓傅里叶描述子匹配度和置信度分割出手掌区域;跟踪手掌轮廓计算其傅里叶描述子得到手势轮廓特征值;将16个手势轮廓特征值作为BP人工神经网络的输入,利用BP人工神经网络识别手势。实验表明,该方法能有效捕获手势轮廓和识别19种手势,具有识别率高、性能优良和鲁棒性好等优点。