基于时域反射法的电力电缆网络故障诊断方法研究

针对维护大规模老化电力电缆网络这一关键挑战,通过详细描述电力电缆中的信号传输物理模型,提取反射信号和透射信号中的故障特征,研究基于时域反射法的电力电缆网络故障诊断方法,实现电缆网络故障的快速辨识与定位;以最小单元Y型电缆网络为研究对象并建立其物理模型,利用分布式检测时测点之间的反射信号及透射信号所反映出的信号传播路径和阻抗不匹配信息,开展多源信息融合的电缆网络故障诊断方法研究;在Matlab/Simulink软件环境中搭建Y型电缆网络的故障仿真模型,通过设计不同主干、分支线路故障的仿真实验,验证了方法的有效性和适用范围,测量得到的故障距离相对误差限定在1%内。

基于FPGA的惯性平台嵌入式调平系统设计

嵌入式调平系统是惯性平台"三自(自主功能检测、自主误差标定、自主初始对准)"技术发展首先要解决的问题。在深入研究了某型号惯性平台调平原理的基础上,设计了1套全新的嵌入式调平系统。该系统主要是通过AD650采集失调电压信号,然后送入FPGA进行分析处理,最后通过施矩施矩电路的工作来实现惯性平台的调平。实验表明此系统不仅能够满足调平系统的各项指标要求,而且具有体积小,成本低,自动化程度高等优点,适用于多种类型的惯性平台。

基于BU-61865的1553B总线硬件电路板设计

针对1553B总线对于传输信号抗干扰方面的严格要求,首先分析了DDC公司推出的1553B协议芯片BU-61865的工作原理;然后提出了变压器耦合方式的选择原则;其次分析印制电路板布局与布线以及电源纹波的处理等一系列在设计硬件电路时应该注意的问题,并给出了有效地解决方案;最后基于这些原则设计了一套1553B总线电路板。实验表明,采用此方法设计的电路具有较强的抗干扰性,能够有效地降低1553B总线传输的误码率,保证了系统的可靠性。

MIL-STD-1553B总线接收器IP核设计

为了自主研发MIL-STD-1553B接口芯片,采用自顶向下的方法设计了1款专用的总线接收器IP核;使用VHDL语言书写发送器程序代码,通过FPGA平台对发送器进行了测试;结果表明,接收器的逻辑功能达到了设计要求,时序指标完全符合协议规范,实现了总线接收器的功能,具有消耗逻辑单元少的特点。

MIL-STD-1553B总线发送器IP核设计

为了开发具有自主产权的MIL-STD-1553B接口芯片,采用自顶向下的方法设计了一款专用的总线发送器IP核;通过自顶向下的方法完成系统设计与模块设计,使用VHDL语言书写发送器程序代码,以FPGA为平台对发送器进行了测试。结果表明,发送器的逻辑功能达到了设计要求,时序指标完全符合协议规范,实现了总线通信,具有消耗逻辑单元少的特点。

基于加权矩阵的多维广义特征值并行分解算法

针对串行广义特征值分解算法实时性差的缺点,提出基于加权矩阵的多维广义特征值分解算法.与串行算法不同,所提算法能够在一次迭代过程中并行地估计出多维广义特征向量.平稳点分析表明:当且仅当算法中状态矩阵等于所需的广义特征向量时,算法达到收敛状态.通过对比相邻时刻的状态矩阵模值证明了所提算法的自稳定特性.所提算法参数选取简单,实际实施较为容易.数值仿真和实例应用进一步验证了算法的并行性、自稳定性和实用性.

UKF在高动态GPS数据处理中的应用

针对高动态GPS数据处理中的非线性问题,提出了一种基于无迹卡尔曼滤波(UKF)的非线性GPS数据处理方法。传统的方法是将滤波中的非线性方程在标称轨道附近采样线性化,这样会产生较大的误差且计算较难实现。所提算法利用UKF处理GPS数据模型中的非线性方程,采用加权采样点的高斯最小集来表示状态分布,然后通过U变换产生的状态变量进行滤波估计。仿真实验表明,所提算法能够有效处理高动态GPS数据中的非线性问题,预测精度也有较大提高。

一种广义主成分提取算法及其收敛性分析

广义主成分分析在现代信号处理的诸多领域发挥着重要的作用。目前,自适应广义主成分分析算法还并不多见。针对这一现状,该文提出一种快速收敛的广义主成分分析算法,并通过理论分析所提算法的确定性离散时间系统,导出了保证算法收敛的学习因子和初始权向量模值等边界条件。仿真实验和实际应用验证了所提算法的正确性和有用性。仿真结果还表明,所提算法比现有同类算法具有更快的收敛速度和更高的估计精度。

一种快速的多个主成分并行提取算法

主成分分析是信号处理和数据统计领域内非常重要的分析工具.针对现有多个主成分提取算法收敛速度慢的问题,提出了具有快速收敛速度的神经网络算法.该算法能够并行提取信号中的多个主成分,而不需要其他额外的操作.分别采用平稳点分析法和随机离散时间分析法对所提算法的收敛性和自稳定性进行了证明.仿真实验表明,相比现有算法,所提算法不仅具有较快的收敛速度,而且具有较高的收敛精度.

主子空间跟踪信息准则及算法

信息准则在发展主子空间跟踪算法中具有十分重要的意义.目前,主子空间信息准则还不多见,为此本文提出了一种新型的主子空间跟踪信息准则.当且仅当神经网络权矩阵收敛到信号主子空间的一个正交基时,该信息准则取得唯一全局极大值.通过梯度上升法对该信息准则求极值导出了一个主子空间跟踪算法.最后通过仿真实验和实际应用证明了所提算法的正确性和实用性.

基于Hebbian规则的新型自适应广义主元分析算法

为了从输入信号中自适应地对信号的广义主元进行估计,基于Hebbian线性神经元模型,提出了一种新型广义主元分析算法。该算法通过当前时刻的采样值来估计信号的自相关矩阵,有效地降低了算法的计算复杂度。利用Lyapunov稳定性定理进行平衡点分析表明:当且仅当神经元权向量收敛到信号的广义主元时,算法到达稳定状态。仿真实验表明:相比一些同类型算法,所提算法具有较快的收敛速度。

多维次成分并行提取算法

针对目前多维次成分提取算法限制条件多和初始参数难以选择问题,在研究Douglas次子空间算法基础上,基于加权矩阵法提出了一种新型多维次成分并行提取算法。对该算法的自稳定性和收敛性分析表明:在输入信号有界和学习因子足够小时,该算法状态矩阵的模值总能收敛至一个常数;当且仅当状态矩阵收敛至需提取的多维次成分时,该算法达到稳定状态。仿真试验表明,与现有算法相比,该算法具有参数选取方法简单、易于实现和收敛速度快的优点。

多阶段随机退化设备剩余寿命预测方法

剩余寿命预测是系统视情维护和健康管理的重要基础.针对设备退化过程中表现出的阶段性差异,提出了一种基于累加和检验变点分析与漂移布朗运动的剩余寿命预测方法.该方法首先对获取的状态检测信息进行累加和检验,获得退化过程的最新显著变点;然后利用最新变点之后的状态检测数据对漂移布朗运动模型的参数进行极大似然估计;最后利用失效阈值的首达时间分布预测设备的剩余寿命.连续搅动水箱式反应堆仿真试验说明了所提方法的有效性.试验结果表明,所提方法能够准确地检测出退化过程的显著变化点,预测设备的剩余寿命,且预测结果波动较小,具有更好的鲁棒性.

新型自适应广义特征向量估计算法及其特性分析

为了发展快速稳定的广义特征向量估计算法,该文提出基于神经网络的新型单维广义特征向量估计算法;通过分析该算法的所有平衡点证明了当且仅当神经网络权向量等于最小广义特征值对应的广义特征向量时该算法达到稳定状态;利用确定性离散时间分析方法完成了所提算法的动态特性分析,给出了保证算法收敛的边界条件;通过膨胀技术将单维算法扩展为多维广义特征向量估计算法,该算法可以根据实际需要增加提取广义特征向量的数量。仿真实验表明所提算法具有很好地收敛性,而且收敛速度优于一些现有算法。

加权M?ller算法的广义加权规则

提出一套针对加权Moller算法的广义加权规则用于探讨改进并行提取次成分分析的理论和方法问题.该规则仅在加权Moller算法上引入一个加权规则参数,通过调节参数后算法性能上的变化,实现加权Moller算法稳定性在动力学层面上的分析,探讨加权参数变化对算法稳定性的影响.基于常微分方程方法对所提出规则下的加权Moller算法进行稳定性证明,并分析其中关键函数的性质.最后,MATLAB仿真验证了所提出规则的性能和算法性质.

基于Rayleigh商的次子空间准则跟踪函数

针对次子空间信息准则函数缺乏的问题,通过对Rayleigh商函数添加惩罚项提出了新型的准则函数。平稳点分析表明,当且仅当神经网络权矩阵收敛到次子空间的一组基时,准则函数达到全局极大值。采用梯度上升法推导出一个新型的次子空间跟踪算法,并分析了算法的全局收敛性。仿真实验和实例应用验证了准则函数和导出算法的正确性。

并行提取多个次成分的改进型Moller算法

次成分分析是信号处理领域一门重要的工具.然而,到目前为止能够进行多个次成分提取的算法并不多见,一些现存算法还存在很多限制条件.针对这些问题,采用加权矩阵的方法将M?ller算法扩展为多个次成分提取算法.该算法对于输入信号的特征值没有要求,而且在不需要模值限制措施的情况下,仍然具有很好的收敛性.仿真结果表明,该算法可并行提取多个次成分,而且收敛速度优于一些现有算法.

一种广义次成分提取算法及其收敛性分析

广义次成分分析(generalized minor component analysis, GMCA)在现代信号处理的许多领域具有重要作用.目前现有的大多算法不能同时具备与算法对应的信息准则,以及收敛性、自稳定性和多个广义次成分提取的性能.针对上述问题,利用一种新的信息传播规则,推导出一种广义次成分提取算法,并采用确定离散时间方法(deterministic discrete time, DDT)对算法的全局收敛性能进行分析;同时,通过理论分析算法的收敛性能与算法初始状态的关系,表明算法具有自稳定性.进一步地,探索了算法在多重广义次成分提取方面的应用.相比之前的算法,所提算法具有更快的收敛速度. Matlab仿真验证了所提出算法的各项性能.