特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取...特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取振动信号的特征变量。然后,运用马田系统(Mahalanobis-Taguchi system,MTS)构造马氏空间,并对其进行优化,从而降低特征变量的维度。最后,提出了一种健康度(health index,HI)的概念,并且用来对复杂系统健康问题进行评估。该方法成功地应用在轴承的健康状态评估中。展开更多
应用传统的压缩感知理论对天线阵列信号的波达方向(Direction-of-arrival,DOA)进行估计,存在基的失配问题。基于交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)的无网格压缩感知(Grid-less Compressive Sensing)技...应用传统的压缩感知理论对天线阵列信号的波达方向(Direction-of-arrival,DOA)进行估计,存在基的失配问题。基于交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)的无网格压缩感知(Grid-less Compressive Sensing)技术能够解决该问题,但仍存在收敛速度慢的缺陷。针对该缺陷,提出带自适应惩罚项的ADMM(ADMM with adaptive penalty,AP-ADMM)算法,即根据输入信号的噪声功率,自适应地选择惩罚项的初始值;同时在算法迭代求解的过程中,自适应地对目标函数的惩罚项进行调整。与传统算法相比,在保证收敛精度和DOA的恢复成功概率的条件下,带自适应惩罚项的ADMM算法收敛速率明显加快。仿真结果验证了新算法的有效性。展开更多
文摘特征提取和健康状态的辨识是复杂系统健康状态评估中的关键问题。提出一种新的健康状态评估方法,该方法分为3个步骤:首先,采用经验模态分解(empirical model decomposition,EMD)和奇异值分解(singular value decomposition,SVD)来提取振动信号的特征变量。然后,运用马田系统(Mahalanobis-Taguchi system,MTS)构造马氏空间,并对其进行优化,从而降低特征变量的维度。最后,提出了一种健康度(health index,HI)的概念,并且用来对复杂系统健康问题进行评估。该方法成功地应用在轴承的健康状态评估中。
文摘应用传统的压缩感知理论对天线阵列信号的波达方向(Direction-of-arrival,DOA)进行估计,存在基的失配问题。基于交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)的无网格压缩感知(Grid-less Compressive Sensing)技术能够解决该问题,但仍存在收敛速度慢的缺陷。针对该缺陷,提出带自适应惩罚项的ADMM(ADMM with adaptive penalty,AP-ADMM)算法,即根据输入信号的噪声功率,自适应地选择惩罚项的初始值;同时在算法迭代求解的过程中,自适应地对目标函数的惩罚项进行调整。与传统算法相比,在保证收敛精度和DOA的恢复成功概率的条件下,带自适应惩罚项的ADMM算法收敛速率明显加快。仿真结果验证了新算法的有效性。