高效带宽傅里叶分解及其轴承故障诊断应用

自适应带宽傅里叶分解(Adaptive Bandwidth Fourier Decomposition,ABFD)是一种基于带宽优化的非平稳信号分析方法。然而,以中心频率重叠度作为分解终止条件在实际应用中会分解出若干冗余的模式分量,造成分解效率降低,为后续分析增加负担。为此,提出高效带宽傅里叶分解(Efficient Bandwidth Fourier Decomposition,EBFD)的轴承故障诊断方法。该方法构建重加权峭度引导的快速停止准则,能够高效地确定最优分解模式数目,避免大量冗余分量的干扰。进一步地,根据重加权峭度指标定位出目标故障分量,实现轴承故障诊断。滚动轴承故障试验信号分析结果表明:所提出方法能够高效终止分解进程,得到所有潜在的模式分量,并准确定位出故障分量;由EBFD与ABFD提取故障分量的归一化频率能量比均为1.0,EBFD运行所需时间为3.3 s,分解速度相较于ABFD提高33.8 s;相较于其他信号分析方法,采用所提出方法能够更准确识别出轴承故障特征。

面向输出约束基于神经网络观测器的发射平台输出反馈控制

一种由两台永磁同步电机驱动的发射平台用于发射动能载荷,但该平台在实际运行中经常面临比较强的参数不确定性和气流冲击等未知的外部干扰,大大降低其跟踪精度。针对这一问题,提出一种用于发射平台高精度运动控制的考虑输出约束的基于自适应神经网络观测器输出反馈控制器。该控制器采用扩展状态观测器估计系统中的参数不确定性,同时利用其观测的系统速度值设计相关控制量,从而达到输出反馈控制的目的;另外设计一种改进的样条小脑模型关节控制器神经网络(Spline CMAC)对系统中的未知扰动进行估计,由此利用前馈补偿技术对参数不确定性和时变扰动进行补偿。考虑到发射平台在实际情况中遇到的输出约束问题,采用障碍Lyapunov函数分析法设计控制率并证明了系统的稳定性。仿真和实验结果表明:在考虑输出约束的条件下,新的复合控制器能够实现系统的一致最终有界稳定,且跟踪性能很好,并具有很强的抗干扰能力,相比于传统的控制方法有很大的提升。

变分模式分解方法研究与应用综述

自适应信号分解领域一个十分活跃的分支——变分模式分解(VMD)已经成为信号处理与检测技术学界一个热门的研究方向。VMD对非平稳、非线性信号具有良好的处理效果。针对VMD模型及其参数选择,发展了许多拓展模型及参数优化方法。本文回顾近十年来VMD的研究进展,对相关的文献进行总结与分析。首先,分析VMD的原理性优势及其在各个领域的应用潜力;其次,根据模型对不同信号类型的匹配能力,分类总结VMD拓展模型的不同特性和适用场景;然后,归纳VMD及其拓展模型参数优化方法的研究现状,探讨与分析不同模型参数优化方法的特点和最新研究趋势;最后,对VMD的未来发展提出6点展望,为后续的研究指明方向。

中国专利价值影响因素的评价及其与美国的比较

正确识别专利价值的影响因素,有利于企业进行有效的专利管理。利用多元线性回归模型,以专利价值为因变量,专利权利要求数量、专利引用数量、专利诉讼数量、专利文献引用数量、专利申请时长、专利年龄等六个指标为自变量,对中美专利价值影响因素进行了评价和比较,最后从技术创新质量、权利要求书的撰写、专利诉讼和海外专利活动等角度,为中国企业进行专利技术的有效管理提出了可供参考的建议。

改进MVMD方法及其在轴承故障诊断中应用

随着多传感器采集系统的发展,多元信号的同步处理变得尤为重要。多变量变分模式分解(Multivariate Variational Mode Decomposition,MVMD)方法是一种在变分模式分解方法基础上发展起来的多元信号分析方法,具有物理意义清晰、抗干扰能力强等特点。然而,须预先设置分解模式个数和带宽平衡参数对其在实际工程中的应用产生限制。为此,提出一种改进MVMD方法。该方法构建带宽估计策略和MVMD单分量迭代分解策略,能够合理确定带宽平衡参数,并在固定带宽下基于峭度准则迭代分解出故障分量。多通道的轴承故障试验信号分析结果表明:提出的方法能够合理确定目标分量的带宽,且无须预设模式分量个数;该方法运行所需时间为8.3 s,相较于传统的固定参数MVMD、多维经验模态分解和快速谱峭度,可在没有损失时间效率的前提下更准确地识别出多通道故障特征。

自适应变分模式提取的轴承故障诊断方法

变分模式提取(variational mode extraction, VME)能够从复杂信号中提取特定的模式分量,但其在轴承故障诊断中的应用潜力受到初始中心频率和平衡参数的影响。因此,为了克服VME在轴承故障诊断应用中超参数的设置问题,深入探究VME模型中心频率迭代更新过程,发现中心频率收敛趋势现象并通过理论证明其存在性,由此提出中心频率定位策略,可自适应地确定目标中心频率。为了最大化匹配故障信息,构造基于故障特征幅值比的平衡参数优化策略,能够优化目标分量的带宽。以上中心频率定位策略和平衡参数优化策略,构成自适应变分模式提取的故障诊断方法,该方法能够在无需预设初始中心频率及平衡参数的情况下自适应提取故障相关分量。仿真和两个试验案例分析结果验证所提方法在轴承故障诊断领域相比于连续变分模式分解、经验模式分解和快速谱峭度方法更具有效性和优越性。

Enhanced kernel-based fuzzy local information clustering integrating neighborhood membership

To enhance the segmentation performance and robustness of kernel weighted fuzzy local information C-means(KWFLICM) clustering for image segmentation in the presence of high noise, an improved KWFLICM algorithm aggregating neighborhood membership information is proposed. This algorithm firstly constructs a linear weighted membership function by combining the membership degrees of current pixel and its neighborhood pixels. Then it is normalized to meet the constraint that the sum of membership degree of pixel belonging to different classes is 1. In the end, normalized membership is used to update the clustering centers of KWFLICM algorithm. Experimental results show that the proposed adaptive KWFLICM(AKWFLICM) algorithm outperforms existing state of the art fuzzy clustering-related segmentation algorithms for image with high noise.