基于变分模态分解和鲁棒性独立成分分析的内燃机缸盖振动信号分离

针对缸盖振动信号中燃烧信号和活塞敲击信号在时频域混叠严重难以分离的问题,用基于VMD和RobustICA的方法分离各独立源信号。通过试验测量内燃机单通道缸盖振动信号,首先对测得的信号进行消除趋势项及滑动平均等预处理,用VMD算法对预处理后的信号进行分解;然后用RobustICA算法提取独立成分,并用组合模态函数法对时域和频域相似性较高的分量成分进行组合;最后结合频谱分析、连续小波变换、相干函数法及倒拖试验对分离得到的结果进行识别验证。研究结果表明:在不同的试验工况下,该方法可以有效地从缸盖振动信号中分离出燃烧信号和活塞敲击信号。

基于单通道算法的内燃机油底壳辐射噪声分离

通过对内燃机的辐射噪声源进行分离和识别,得到的各独立噪声可为其减振降噪和监测诊断提供依据。在内燃机噪声源识别中,燃烧噪声和活塞敲击噪声在时域和频域上均有混叠,很难准确地将其进行分离。在半消音室中进行内燃机振动噪声试验,采集一路内燃机油底壳近场辐射噪声,先对其进行消除趋势项及滑动平均等预处理,减少随机误差成分,然后用集合经验模态分解得到IMF分量,用主分量分析降维,最后用快速独立分量分析进行盲源分离,并结合连续小波时频分析等方法进行识别。研究结果表明:通过采用单通道算法对内燃机油底壳辐射噪声进行分离和识别,可得到各独立分量,分别为内燃机的燃烧噪声和活塞敲击噪声。

基于双通道定位的柴油机辐射噪声盲分离研究

将基于延时差和强度差的双耳听觉空间定位理论用于柴油机辐射噪声的分离,探索双通道噪声信号分离的可行性。另外,由于柴油机辐射噪声中不可避免的时频域混叠及同一位置辐射的噪声存在多个激励源的问题,再针对双通道定位算法分离的结果进一步利用盲源分离方法进行分离。设计柴油机振动及噪声采集试验,为屏蔽其他缸的干扰源,仅裸露6号待测缸,而对其他缸对应的机体外表面进行消音棉和铅覆盖处理。分离结果表明,双通道算法相当于一种前处理"滤波器",能排除其他位置源的干扰,针对分离出的分量,再借助盲源分离方法能准确分离出机体侧辐射噪声中的燃烧激励成分和活塞敲击激励成分。而且相比于仅仅使用盲源分离方法,该联合噪声分离方案在分离复杂的柴油机辐射噪声上更为优越。

基于特征提取和机器学习的电磁目标识别方法

电磁目标识别在军事领域中非常重要。为了准确识别电磁目标,本文提出一种基于特征提取和机器学习的电磁目标识别方法。首先,通过重采样、改变幅值和信号叠加三种方法扩充电磁目标数据库;然后,提取电磁目标的时域和频域统计特征;之后,通过主成分分析方法进行特征降维,保留前三个主成分;最后,用机器学习算法进行分类识别。研究结果表明,本文所提出的方法能够准确快速地识别电磁目标,在不同信噪比下的识别准确率均在98%以上。

基于VMD-CNN-BiLSTM的轴承故障多级分类识别

双馈风力发电机(DFIG)作为风能发电领域的关键设备之一,保障其稳定运行显得尤为重要。针对DFIG轴承故障的多级分类问题,提出了一种基于参数优化的变分模式分解-卷积神经网络-双向长短期记忆(VMD-CNN-BiLSTM)故障诊断模型。首先,采用改进的麻雀优化算法——鱼鹰-柯西-麻雀搜索算法(OCSSA)对变分模态分解(VMD)的惩罚因子、模态分量进行了优化,OCSSA算法是将鱼鹰算法和柯西变异策略与麻雀算法进行了融合,形成了一种新的优化算法,该算法利用强大的参数搜索能力获取了更精确的频率特征;然后,利用卷积神经网络(CNN)提取了信号的时域和频域特征,并对特征进行了融合;最后,利用双向长短期记忆网络(BiLSTM)学习了故障的序列模式,完成了故障的多级分类任务。研究结果表明:基于OCSSA算法优化的VMD-CNN-BiLSTM模型在多级轴承故障识别方面表现出明显的优势,平均识别准确率可达98.36%,与CNN-LSTM、CNN-BiLSTM和VMD-BiLSTM模型进行对比,该模型具有更卓越的故障诊断性能、出色的泛化能力和快速的计算速度。这一结果充分验证了该模型在双馈风力发电机轴承故障的多级分类识别任务上的有效性,且适用于在线监测和智能诊断,为实现高效、可靠的风能发电提供了重要的实际应用价值。

基于VMD-ICA-CWT的内燃机噪声源识别方法

提出了基于变分模态分解(VMD)、独立分量分析(ICA)和连续小波变换(CWT)相结合的内燃机噪声源识别算法.首先,对内燃机进行铅覆盖,只裸露待测的第6缸部分,测量裸露部分缸盖位置处的单一通道噪声信号;然后采用变分模态分解算法将其分解为各变分模态分量,并用FastICA算法提取各独立成分,解决了对单一通道噪声信号进行盲分离的欠定问题,同时克服了传统的经验模态分解处理噪声信号时出现的模态混叠缺陷;最后利用连续小波时频分析和相干分析,对分离结果进行进一步识别.研究结果表明:该算法能有效地分离识别出内燃机的燃烧噪声和气阀机构敲击噪声.