增强组合差分乘积形态学滤波的轴承故障特征提取方法

针对滚动轴承故障信号的非线性、非平稳、强噪声特性导致的常规时频域特征提取方法受限问题,提出一种增强组合差分乘积形态学滤波的轴承故障特征提取方法。在分析数学形态学4种基本运算的正、负冲击脉冲提取特性的基础上,运用级联、差分、乘积构造的一种新的组合差分乘积算子(combination difference multiply operator,CDMO)具备了同时提取正、负冲击脉冲的能力,并发挥梯度乘积运算对脉冲提取更敏感的优势,实现故障信息的充分提取。引入故障特征频率比指标优化CDMO结构元素参数,修正待处理信号的几何特征,提取与结构元素相匹配的信号特征信息。在CDMO滤波的基础上,借助三阶累积量切片谱技术能够抑制高斯噪声、突出二次耦合分量的优势,准确提取故障特征频率及其倍频,增强轴承故障特征提取能力并抑制噪声干扰。依托2种不同来源的工程实际信号并与经典故障特征提取方法对比分析,验证了所提方法的有效性。

基于观测点遴选与时空信息的短时交通流预测

针对高速公路短时交通流预测问题中待测站点上下游的交通流量时空信息利用不充分,且上下游观测点选择不合理的问题,提出了基于观测点遴选并充分挖掘时空信息的短时交通流预测方法。首先使用KNN算法对待测站点的上下游节点进行遴选,将与待测站点欧氏距离较小的上下游节点历史数据组织成包含时空信息的二维矩阵;然后使用卷积神经网络提取空间特征,将所得的特征向量送入双向LSTM模型进行时间信息的提取并完成最终预测。结果表明,经过观测点遴选后的KNN-CNN-BiLSTM预测模型准确率较遴选前提升了19.3%,实现了交通流时空信息的充分挖掘,是一种有效精准的短时交通流预测模型。