一种基于阵列传感器设计和双曲定位模型的心尖搏动信号获取技术

目的针对传统单一传感器采集心尖搏动信号时因传感器位置不易确定,信号可靠性受质疑的问题,提出一种新的心尖搏动信号获取技术、方法采用阵列传感器设计,将3片完全相同的压电传感器设计成等边三角形结构,同步采集3路心尖搏动信号,同时对心尖搏动信号在胸腔传播过程中衰减的幅值特性和频率特性进行分析,建立心尖搏动信号的双曲定位卡模型,然后依据该模型重建出真实的心尖搏动信号。同步采集20例受试者的3路心尖搏动信号,以传感器A为基准信号,统计分析传感器B和C信号的3个特征点(C点、E点和O点)与基准信号的偏差有无显著性差异,进而说明单一传感器信号的可靠性。结果 t检验结果显示传感器B和C信号的3个特征点与基准信号的偏差均有显著的统计学差异,提示心尖搏动信号易受传感器放置位置的影响,信号可靠性不高。结论本文提出的心尖搏动信号获取技术解决了单一传感器放置位置不易确定的缺陷,利用双曲定位模型重建出可靠性更高的信号波形。

模糊区间信息熵用于充血性心衰患者的检测

目的传统心率变异性图形化指标(直方图和散点图)检测区分充血性心衰患者和健康人时难以量化,针对这一问题,本文提出一种新的心率变异性图形化分析方法——RR间期序列归一化直方图及其量化指标,用于检测区分充血性心衰患者和健康人。方法首先定义RR间期序列归一化直方图,在此基础上定义基于模糊理论的量化指标——模糊区间信息熵FuzzyRIEn,最后利用120例临床试验数据(60例充血性心衰患者和60例健康人)分析对比指标FuzzyRIEn和前期研究提出的3个量化指标:中心-边缘比(center-edge ratio,CER)、累积能量(cumulative energy,CE)和区间信息熵(rangeinformation entropy,RIEn)在两组间的统计学差异。结果对比结果显示,CER(P=0.418),CE(P=0.262)和RIEn(P=0.068)在两组间均无显著统计学差异,而FuzzyRIEn(P=0.023)在两组间统计学差异显著。结论利用模糊区间信息熵FuzzyRIEn检测区分充血性心衰有较高的临床诊断价值。

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊断方法。首先选取不同故障的振动信号进行归一化处理,然后把1维的振动信号转化成2维的灰度图像,利用每个元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用tensorflow搭建网络框架,采用4种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。

基于小波包-AR谱和深度学习的轴承故障诊断研究

针对轴承故障信号的非平稳性和非线性的特点,采用小波包分解和自回归(auto-regressive,AR)谱估计相结合的方法提取振动信号特征值;为了提高诊断结果的精度,提出用深度信念网络(deep believe network,DBN)进行诊断模型训练。首先,对轴承振动信号进行小波包分解和自回归谱估计,计算不同频段的能量实现轴承故障特征提取;其次,将提取到的特征值作为深度信念网络的输入向量,进行模型训练;最后,用训练好的模型进行故障诊断。为验证所提方法的有效性,采用美国凯斯西储大学提供的旋转轴承数据集,将提出的算法与三种故障诊断方法进行对比实验。实验结果表明,所提方法具有更好的诊断性能。

基于Inception_ResnetV2网络模型的服饰属性识别

为解决服饰属性识别困难的问题,文中在Inception_ResnetV2深度网络模型的基础上,先采用预训练模型的方法对数据进行预训练,在卷积层后面接入全局平均池化替代传统的全链接层再连接分类器,来解决训练模型造成的过拟合的问题。同时采用Adam优化器,降低模型收敛速度,最终实现不同种类服饰属性的识别。为验证模型的优越性,与Xception、InceptionV4等深度网络模型的训练结果相比,Inception_ResnetV2具有更高的识别率。从而证明基于Inception_ResnetV2的深度网络模型在服饰属性上具有更好的识别能力。

神经网络补偿算法在基于MEMS的姿态检测中的应用

针对基于微机电传感器的姿态检测领域存在的姿态测量误差问题,为进一步提高姿态检测的精度,提出了一种基于神经网络的姿态估计误差补偿方法。采用开源的微型飞行器在室内环境进行真实飞行实验采集的数据集,借助BP神经网络的非线性映射能力,建立了关于微机电传感器的输出与姿态估计误差之间的姿态误差补偿模型;根据微机电传感器的输出信息,直接预测得到横滚角、俯仰角和偏航角的误差补偿角度。实验结果表明,利用所提出的神经网络进行姿态补偿之后,姿态估计误差大大减小,表明神经网络对于提高姿态检测的精度具有一定的作用。

永磁同步电机的神经网络离散位置跟踪控制

针对永磁同步电动机参数不确定及负载扰动问题,本文基于自适应和反步法技术,设计了一种永磁同步电动机离散位置跟踪控制方法。利用欧拉公式得到同步电动机驱动系统的离散数学模型,采用动态面技术,引入低通一阶滤波器对虚拟控制函数进行滤波,解决了"计算爆炸"问题;运用神经网络逼近永磁同步电动机系统中存在的未知非线性项,并将神经网络和反步法相结合,构造离散动态面位置跟踪控制器,同时对其进行稳定性分析,最后通过仿真实验分析验证了该方法的有效性。仿真结果表明,本文设计的离散控制器能够有效跟踪给定信号,实现了对永磁同步电动机良好的位置跟踪控制效果。该控制方法解决了参数不确定性以及负载扰动问题,具有一定的理论意义和实际应用价值。

互模糊熵中隶属函数的改进和影响分析

为进一步提高互模糊熵(cross fuzzy entropy,X-FuzzyEn)算法的统计性能,引入了调整因子λ,定义了一类新的模糊隶属函数,提出了改进X-FuzzyEn算法。使用耦合噪声模型和耦合MIX(p)模型定量评价了改进算法的统计稳定性和相对一致性;通过实际心衰患者和健康志愿者之间的心动周期和舒张间期耦合分析,对改进算法的有效性进行了验证。结果表明,改进算法的统计性能显著提升,并可以有效区分心衰患者与健康志愿者。

磁悬浮轴承磨床电主轴中拍振现象的分析

为减小拍振现象对高速精密磨床电主轴加工精度的影响,利用磁悬浮轴承自身的传感器及数字信号处理部件,在不外加其他设备的情况下对电主轴中的拍振进行了观察实测。通过时域、频域分析以及小波变换,提取振动信号的特征,经分析发现拍振现象是由转子机械不平衡以及转子动态偏心共同引起的。在磁悬浮轴承电主轴拍振机理的分析基础上,通过磁悬浮轴承系统的主动控制调节主轴动态特性,有针对性地对拍振现象进行抑制,可以有效改善高速精密磨床磁悬浮电主轴系统的稳定性和精密度。