柴油机气缸盖振动的自回归谱分析与状态监测

通过监测柴油机气缸盖振动信号,分别采用自回归谱方法和Fourier谱方法作分析处理,对柴油机进行状态监测。研究气阀敲击及气缸内燃气激励引起的气缸盖振动特征,并给出适合于柴油机振动状态监测的判据。研究表明,利用气缸盖振动信号监测运行中气阀间隙的变化和各气缸内负荷的变化是有效和可行的;基于参数法的自回归谱分析比Fourier方法估计得到的谱线更光滑,频率定位更准确,更适合于柴油机的状态监测。

自回归谱分析中Marple算法的阶数的考虑

在自回归谱分析中,Marple的LS算法是最有效的方法之一,它减少了谱线频率的偏移,避免了谱线的分裂,而且具有更高的分辨率.但是,判阶问题仍未解决.本文从实验的角度详细讨论了Marple提出的病态条件和两个容限因子,并且研究了在不同的噪声电平下,分辨率和阶数的关系.最后还讨论了出现假峰的问题.

精密传动链的自回归谱分析

本文根据时间序列分析和计算机信息处理的原理,提出了用自回归谱诊断精密传动链误差的方法。由于自回归谱具有谱峰陡峭,频率定位准确、分辩率高等优良,从而可以用它来有效地判断传动涟中的薄弱环节,提高传动链的精度。文中以一台蜗杆砂轮磨齿机的分齿传动链为例,进行了自回归谱分析,获得了满意的结果。

ARMA双谱分析与离散隐马尔可夫模型在电力电子电路故障诊断中的应用

提出一种基于自回归滑动平均(auto-regressive moving average,ARMA)模型双谱分析与离散隐马尔可夫模型(discrete hidden Markov model,DHMM)的电力电子电路故障混合诊断新方法。首先对故障电路采样的数据进行零均值处理;然后采用高阶累积量建立ARMA模型参数并进行双谱分析,通过对双谱矩阵进行矩阵变换提取电路故障信息特征量,再对故障特征数据进行矢量量化;最后应用离散隐马尔可夫模型,设计出电力电子电路的故障分类器。将该方法应用到SS8机车主变流器电路的故障诊断中。结果表明,所提出方法具有较高的正确诊断率和较强的抗噪声能力,在无噪声或加入5%的噪声情况下,正确诊断率均为100%;而当加入10%的噪声时,正确诊断率比DHMM诊断法和GA-BP神经网络诊断法分别高出16.11%和23.79%。该方法在工程中具有实际应用价值。

基于奇异谱分析的上证指数预测模型

该文应用奇异谱分析(SSA)的方法,对一维时间序列——证券指数,构造延迟矩阵,运用时间经验正交函数(EOF),对原序列进行重构,有效地提取序列中隐含的波形信号;利用自回归移动平均模型(ARMA模型)对原序列和重构结果分别进行预测,并进行比较。

基于自回归–连续隐马尔可夫模型的离心泵故障诊断

根据振动与语音信号的相似性和离心泵故障信号的特点,将连续隐马尔可夫模型引入了离心泵的故障诊断中。利用自回归谱不受数据长度的限制,及自回归模型参数对状态变化规律反映敏感的特点,以信号的12阶自回归谱系数为特征矢量,将其输入到各个状态连续隐马尔可夫进行训练,来实现离心泵的故障诊断。为防止数据下溢,引入前向–后向比例因子算法求其对数似然概率,并且采用K-means算法对连续隐马尔可夫进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch算法实现参数重估。最后通过2BA-6A离心泵试验系统验证了该方法的有效性。

极移速度的周期分析

本文对瞬时极的移动速度用自回归谱估计的Marple算法进行了周期分析，结果表明，瞬时极的移动速度可能存在着2386．天（6．5年）、1168．9天（3．2年）、321．3天、163．7天、130．1天及92，7天等6个周期。同时计算了极移的振幅和周期，发现极移的速度与极移的振幅正相关，与极移的周期负相关。并且发现厄尔尼诺现象都出现在地极移动周期较短的年份。

基于脉冲压缩技术的相邻缺陷识别方法研究

超声成像技术可以为探伤人员提供更可靠、直观的检测结果,在超声无损检测中的应用越来越普遍。然而,超声检测信号的时间宽度较宽,时间分辨率较低,在两缺陷相距较近的情况下,缺陷的反射回波往往叠加在一起,使得超声成像时难以实现相邻缺陷的辨识。为提高超声波检测信号时间分辨率,实现相邻缺陷的识别,将维纳滤波和自回归谱技术相结合,发展了一种超声脉冲压缩技术,并将其应用于超声阵列成像处理。研究了自回归谱分析中回归阶数和衰减窗宽度对缺陷识别效果的影响,并优化出最佳的处理参数。仿真和检测实验结果表明,通过对超声检测信号进行维纳滤波和自回归谱分析,可以大大提高超声检测信号的时间分辨率,从而实现相邻缺陷的识别。

两种Hannig加权的复量Burg算法及其在声达中的应用

本文提出两种自回归(AR)谱估计方法,它们是Hanning数据自适应加权和Hanning加权的复Burg方法(CHDAB和CHB)。它们的特性与当今最好的一类AR谱估计方法,即数据自适应加权的Burg方法(DAB)一样好,而且算法简单,易于选择初始的两个反射系数。本文把CHDAB和CHB两种方法应用于声达信号的谱估计,在单谱峰的情形下,获得的结果明显优于FFT。

模糊支持向量分类判别睡眠呼吸暂停综合征

背景:目前,睡眠呼吸暂停综合征的诊断主要依赖多导睡眠分析仪,该测量方法不但操作复杂、费用昂贵、分析耗时,而且在一定程度上影响患者的睡眠状况。目的:分析心率变异性与睡眠呼吸暂停综合征的关系,提出一种简便准确的睡眠呼吸暂停综合征的检测算法。方法:对38名健康者和28例不同程度睡眠呼吸暂停综合征患者的心率数据,采用去趋势波动分析法和自回归模型谱分析法,分析心率变异性与睡眠时相的相关性,并选取患者的性别、年龄以及心率变异性在各个睡眠阶段的标度指数及低频/高频比例作为睡眠呼吸暂停综合征初筛的特征参数,应用模糊支持向量机对睡眠呼吸暂停综合征阳性和阴性进行分类判别。结果与结论:实验结果表明,模糊支持向量机的分类正确率达到93.94%。与现有睡眠呼吸暂停综合征的诊断方法相比,该方法测量简单方便,具有较高的诊断准确率。