基于卡尔曼滤波与AR混合算法的沉降监测

针对非平稳序列观测数据,结合卡尔曼滤波递推算法等的优点,建立了基于卡尔曼滤波的AR自回归模型。此算法不需象常规算法那样提取趋势项,而是在状态方程中设置AR参数方差的随机模型,利用观测数据建立观测方程。模型应用于输水隧洞开挖过程的的沉降监测,取得了较好的效果,说明此方法准确、可行。

平稳随机信号AR模型的一种新观点

从平稳随机信号自相关的准周期性对AR模型进行了深入研究,提出平稳随机信号AR模型的一种新观点,即认为平稳随机信号的AR模型的成立不应基于信号熵原理,而应基于其自相关的准周期性,论文以此为基础,导出了许多熵原理AR模型无法得到的性质。

时变AR模型的一种定阶方法

自回归(AR)模型的定阶对其分析结果的准确性、效率和可靠性具有重要影响。对时变AR模型的定阶问题进行深入研究,提出一种基于采样频率以及分析频率之比的定阶方法。对一质量随时间变化的悬臂梁进行有限元建模,运用计算所得到的振动响应建立梁的时变AR模型,利用所提方法进行该模型的定阶,采用递推最小二乘法对梁的模态频率进行估计。对一质量时变的悬臂梁进行试验,对采集的振动响应信号建立时变AR模型并识别其振动模态频率。模拟计算和试验结果都表明,提出的时变AR模型定阶方法是有效且可行的,且识别算法具有一定的抗噪性。

基于时变AR模型和小波变换的时变参数识别

利用时变AR模型进行时变系统参数识别的一个关键问题就是虚假模态的剔除。针对利用p阶的时变AR模型所得到的p个频率值,提出用连续小波变换所得到的小波时频图来进行虚假模态的剔除。通过对一质量随时间变化的悬臂梁进行了有限元建模,运用计算所得到的振动响应建立了梁的时变AR模型并进行模态频率识别,利用所提方法进行了虚假模态的剔除。仿真结果表明,该方法是有效可行的。

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。

ARIMA季节乘积模型在肠道传染病预测中的应用

目的:建立细菌性痢疾月发病数的预测模型,探讨AR1MA季节乘积模型在时间序列资料分析中的应用。方法:采用非条件最小二乘法估计模型参数,通过季节差分方法使原始序列平稳,按照残差不相关原则、简洁原则确定模型结构,依据AIC和SBC准则确定模型阶数,建立ARIMA预测模型。结果:对所分析的季节性时间序列建立了乘积ARIMA(0,0,1)(0,1,1)12模型。方差估计值为288.106,AIC=619.661,SBC=620.492。对模型进行白噪声残差分析(p=0.632),拟合优度统计量表明ARIMA的估计具体模型为:(1-B12)Zt=(1-0.34B)(1-0.559B12)αt是适合的。结论:通过ARIMA(0,0,1)(0,1,1)12模型与ARIMA(0,1,1)12模型对细菌性痢疾月发病数预测效果的比较,表明ARIMA季节乘积模型是一种短期预测精度较高的预测模型。

治理基础内部审计:一个制度分析框架——以集团公司为例

基于现代企业治理环境变迁与内部审计功能拓展的互动关系,从一般的代理理论角度分析了内部审计在公司治理中所扮演的治理角色,并以集团公司为例,系统地探讨了内部审计的制度安排问题,即内部审计的领导形式、组织结构、行权安排、治理边界等,以期为我国企业内部审计体制改革提供一个指引框架。

时变金属切削过程颤振的研究

本文根据时变金属切削过程的概念,采用对信号分段的AR模型描述其时变性,并用于第二汽车制造厂Mx-4车床颤振的研究.文中对时变金属切削过程颤振的AR谱特性、颤振模态的阻尼率、时变系统的特征根这三个方面都进行了深入的研究,指出了时变金属切削过程颤振的特点,提出了颤振状态下的机床切削系统仍然是稳定系统的观点.文中的分析结果较好地解释了Mx-4车床颤振的一些特有现象.

基于改进经验傅里叶分解的工作模态分析

近年来,工作模态分析在结构参数识别中的地位逐步上升。针对环境激励下结构振动响应信噪比低的特点,引入自回归功率谱对经验傅里叶分解进行改进,并提出了一种基于改进经验傅里叶分解的结构工作模态分析方法。为了验证该方法的可行性和有效性,对四层模拟框架和某人行斜拉桥进行工作模态参数识别,并利用随机子空间所识别的结果进行对比。结果表明,该方法识别的模态参数与随机子空间的结果相当,并且在密集模态情况下,该方法具有一定优势。因此,改进经验傅里叶分解能为今后的结构模态识别提供参考。

基于Kriging形函数的线性时变结构模态参数辨识

近年来,对航空航天飞行器随时间变化的动力学特性研究需求越来越迫切。仅输出参数化时域的时变时间序列模型以其结构简约、精度高且跟踪能力强而成为研究热点,尤其是泛函向量时变自回归(FS-VTAR)模型已经得到了广泛应用。然而传统的FS-VTAR模型在保证其辨识优势的同时却需要针对不同时变结构选择合适的基函数形式及较高的基函数阶数,该过程相当复杂且耗时。本文借鉴无网格法中移动最小二乘(MLS)法构造形函数的思想,提出一种基于Kriging形函数的线性时变结构模态参数辨识方法。该方法首先引入自适应于辨识信号的Kriging形函数;再把时变系数在形函数上线性展开,利用最小二乘(LS)法得到形函数的展开系数;最后把时变模型特征方程转换为广义特征值问题提取出模态参数。利用时变刚度系统非平稳振动信号验证该方法,结果表明:基于Kriging形函数的FS-VTAR模型相比于传统的FS-VTAR模型能有效地避免基函数形式的选择和较高的基函数阶数,且精度相当;相比于移动最小二乘法能有效地解决其数值条件问题且具有更高的模态参数辨识精度。