基于密度峰值聚类的宽角域散射中心聚类

宽角域合成孔径雷达(wide-angle synthetic aperture radar,WA-SAR)有着更广泛的角度覆盖范围,基于此得到的宽角域散射中心(wide-angle scattering centers,WA-SCs)包含了目标物体更加丰富的电磁散射特征,这对雷达的目标建模、目标识别等有着重要的意义。为了克服WA-SCs数据维度高、所含信息复杂的特点,并从中提取出所需的目标物体特征,采取密度峰值聚类(density peak clustering,DPC)算法研究WA-SCs。基于SLICY模型数据,从聚类内部评价指标、聚类可视化和算法自动化程度3个方面,将本文算法与经典的K-means、DBSCAN和MeanShift算法进行了对比实验。结果表明,DPC算法具有自动化程度高、高维数据适应性强、聚类精度高等优点,有望为后续的一系列基于WA-SCs的目标建模、目标识别等工作提供技术支撑。

面向高机动目标检测的激光雷达探测图像分角域识别方法

高速移动和快速变换的运动模式容易导致目标模糊,从而无法准确识别目标的轮廓、形状和位置。为此,提出了面向高机动目标检测的激光雷达探测图像分角域识别方法。首先,通过邻域范围内像素点距离异常检测,去除激光雷达探测图像中的噪声和异常信号;然后,利用L-R算法解决目标高速移动造成的图像模糊问题;最后,采用基于互信息的自适应角域划分方法将图像分割成不同的角度域,并通过卷积神经网络在各角域中进行高精度目标识别,以实现高机动目标激光雷达探测。实验结果表明,该方法能够有效去除高机动目标造成的激光雷达探测图像模糊现象;相较于其他传统方法,该方法的目标识别率和全类平均精度较高、单图识别平均耗时较低,具有良好的识别效果。

基于稀疏角域的6G信道估计智能反射面算法

智能反射面(Reconfigurable Intelligent Surface,RIS)有着操纵性强、能耗低、方便部署等优势,已成为6G(第六代移动通信)的关键技术。研究了关于智能反射面的信道估计算法,对于传统算法在传播时路径会因角度原因发生偏移的情况,采用了Tucker分解的稀疏角度域高阶奇异值分解(High Order Singular Value Decomposition,HOSVD)信道估计算法来解决路径偏移的问题。为了验证所提出算法的鲁棒性,对比了传统的交替最小二乘法信道估计算法,可以得到不管是在用户数量、传播的路径偏移上都能取得比传统的信道估计算法更好的归一化最小均方误差(Normalized Mean Squared Error,NMSE)效果。

基于角域重采样与VMD的电梯曳引轮轴承故障诊断方法

针对曳引轮轴承故障诊断效果易受变转速工况和环境噪声影响的问题,提出了一种基于轿厢运行速度估计曳引轮转速的角域重采样方法,以及基于麻雀搜索算法(SSA)优化变分模态分解(VMD)参数的曳引轮轴承故障诊断方法。首先,采用轿厢运行速度估计曳引轮转速的方法,对曳引轮轴承振动信号进行了角域重采样;然后,采用SSA算法优化VMD参数的方法,对振动信号进行了分解,并根据最大峭度准则选取了分量,提取了曳引轮轴承故障特征指标;最后,搭建了电梯试验台,开展了故障注入试验,构建了多种分类模型,对基于角域重采样与SSA-VMD的曳引轮轴承故障诊断方法的有效性进行了验证。研究结果表明:曳引轮轴承角域重采样后的诊断效果明显优于未角域重采样的诊断效果,故障识别率提高了5%以上;实验条件下采用SSA-VMD方法能够准确地提取曳引轮轴承故障特征,故障识别率可达到95%。

基于角域重采样的宽度迁移学习算法

针对在变工况中采集到的信号通常为非平稳信号,并且采集到的振动数据分布不一致等情况,提出了基于角域重采样的宽度迁移学习(ADR-BTL)算法,用于轴承故障诊断。首先将非平稳的时域振动信号转换为角域平稳信号,将平稳化处理后的信号进行特征提取,构建多域特征数据集,然后将不同工况下的源域数据和目标域数据通过平衡分布自适应(BDA)方法进行领域适配来减小域间的分布差异,最后构建宽度迁移学习模型。实验首先验证了角域重采样方法可以将振动信号进行平稳化处理,然后通过仿真样本分析得出BDA方法能够解决数据分布不一致问题,最后通过实验结果得出,提出的ADR-BTL识别率达到了98.9%,识别效果是最好的,证明了所提的方法在轴承故障诊断方面是有效的。

一种新的雷达HRRP自适应划分角域建模方法

基于雷达方位渐变高分辨距离像(HRRP)的连续性,提出了一种自适应递归划分角域的建模方法,利用自适应高斯分类器和高斯过程分类器,从雷达数据中提取连续HRRP序列中包含的非线性结构信息;提出了一种判定角域边界的准则,递归地对雷达数据自适应划分角域.实测数据仿真试验证明了该方法优于传统的等间隔划分角域建模法.

雷达高分辨距离像自适应角域划分方法

雷达高分辨距离像(radar high resolution range profile,HRRP)具有姿态敏感性的特点,一种有效的方法是分别对一组不发生散射点越距离单元走动角域范围内的HRRP样本进行处理。提出基于HRRP回波功率谱的顺序判别自适应分帧算法,通过对全局HRRP样本进行迭代搜索来确定数据划分边界,并自适应划分角域个数。所提方法依据散射点模型理论,考虑功率谱互相关系数变化规律,有效抑制了HRRP存在"距离像起伏剧烈"的样本。与自适应高斯分类器划分角域方法相比,所提方法在样本数据较小的情况下,仍可以有效地对目标进行角域划分。同时,与传统的利用互相关系数分帧方法和等间隔角域划分方法相比,所提方法可以有效降低识别运算量,减少识别算法处理时间,通过对3类舰船目标的仿真和3类民用船只的外场实测数据分析,表明所提方法是有效的。

融合动态压力角域特征与多源信号的压缩机气阀故障诊断方法

针对不同故障下往复压缩机气缸动态压力数据特征非线性变化的特性,提出一种基于动态压力角域特征与多源信号的气阀故障诊断方法,构建了气缸动态压力仿真模型,基于气缸、气阀实际参数完成不同工况动态压力数据仿真,对实测与仿真数据进行归一化处理,提取整周期角域特征;进一步,提取振动、位移、管道温度等多源信号特征,采用径向基神经网络完成数据训练与故障诊断;应用实际往复压缩机气阀故障案例数据进行了测试验证。

高速移动环境下基于多天线角域分辨力接收算法

在高速移动环境下,OFDM系统由于信道的时变性破坏了子载波间的正交性,而使系统性能急剧下降。针对此问题,该文分析了高速移动产生的信号多普勒扩展的数学模型,提出了一种基于多天线角域分辨力接收算法。该算法采用正交角域子空间投影,将多普勒扩展简化为各个正交角域空间上的多普勒频移,并通过多普勒参数估计来抑制时变信道对系统性能的影响。仿真结果表明,在高速移动环境下,该文提出的算法有效地抑制了OFDM系统中子载波间干扰,获得了较好的系统性能。

角域-倒角域傅立叶变换理论研究

针对传统时域傅立叶变换方法的缺点,笔者首次提出了一种从角域到倒角域的傅立叶变换方法,并推导了该变换的理论公式。该变换从角度域来考察信号的信息及其特征,反映了信号的一些空间性质,可以很方便的解决旋转机械的非稳态问题。

基于角域同步平均技术的内燃机失火故障诊断

在利用缸盖振动信号诊断内燃机失火故障时,由于发动机工作背景噪声复杂,必须消除信号中的非周期分量和随机干扰,保留与发动机工作循环有关的周期分量。为了解决时域同步平均方法在转速波动时振动信号存在的不同步问题,提出了以旋转角度信号作为同步触发基准的角域同步平均技术,对内燃机缸盖振动加速度信号进行了处理,有效地削弱了随机噪声的干扰。分析了缸盖振动信号中不同激励源产生的响应分量与发动机失火故障的关系,利用缸盖振动加速度信号中的各个瞬态冲击响应更加易于识别,能有效地对内燃机失火故障进行诊断。

基于角域级联最大相关峭度反褶积的滚动轴承早期故障诊断

变转速工况是某些启制动工作制设备常用的工作方式,针对启制动工作制下滚动轴承故障的振动信号呈现非平稳特性,加之现场环境噪声的干扰,难以从原始故障信号中提取特征频率。提出基于角域级联最大相关峭度(CMCKD)的滚动轴承故障诊断方法。首先将时域非平稳故障信号进行角域重采样转换为角域内的平稳信号;然后用级联最大相关峭度反褶积对故障信号进行处理,抑制信号中的噪声,提取信号中的周期冲击成分。通过对仿真和实验数据的分析,验证了角域级联最大相关峭度反褶积方法的有效性。

基于多元角域指标离群检测的风电齿轮箱故障预警方法

针对风速和载荷随机波动造成的早期故障特征难以提取和量化的特点,提出基于多元角域指标离群检测的风电齿轮箱故障预警方法。首先利用阶比重采样技术将非平稳的时域振动信号转化为具有平稳或准平稳特性的角域信号,提取角域无量纲指标反映风电齿轮箱早期故障趋势;其次利用多元相关度测量建立风电齿轮箱早期故障识别模型;最后采用多元离群检测方法实现风电齿轮箱早期故障预警。实验表明,该方法能够实现较为准确地的风电齿轮箱早期故障预警,具有较好的工程实际意义。

基于角域平均和连续小波变换的齿轮故障诊断研究

针对齿轮箱升降速过程中振动信号非平稳的特点,将阶次跟踪、角域平均和连续小波变换相结合,提出了基于角域平均和连续小波变换的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域同步采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域信号进行角域平均,以消除干扰噪声的影响,最后对角域平均信号进行连续小波变换,根据小波幅值图和相位图,就可提取齿轮的故障特征。通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的故障状态。

基于角域平均和倒阶次谱分析的齿轮箱故障诊断

本文研究旋转机械非稳态信号的分析方法。对等时间间隔采样的齿轮箱振动信号,利用插值算法实现角域重采样。为了抑制与工频无关的噪声信号以提高信噪比,对重采样信号进行了角域平均。将倒频分析引入阶次分析中,以检测出功率谱中难以辨识的周期性。以上方法成功地识别了齿根裂纹故障,说明了对旋转机械非稳态信号进行角域平均和倒阶次谱分析的可行性和有效性。

基于阶次跟踪和角域平均的齿轮裂纹故障诊断

针对齿轮箱升速过程中振动信号非平稳的特点,将常规的阶次分析与时域平均技术相结合,提出了基于阶次跟踪和角域平均的齿轮箱故障诊断方法.该方法先对齿轮箱升降速瞬态信号进行时域采样,再对时域信号进行等角度重采样,转化为角域平稳信号,然后对角域重采样信号进行角域平均分析,就可提取齿轮的故障特征.通过对齿轮齿根裂纹故障实验信号的分析,表明该方法能有效地诊断齿轮的裂纹故障.

方程f″+Af'+Bf=0的解在角域内的增长性及Borel方向

运用角域内值分布的理论和方法,研究了整系数2阶线性微分方程f″+Af'+Bf=0的解在角域内的增长性和Borel方向.在给定条件下,证明了方程的每一非零解在含有B的λ(λ>0)级Borel方向的任意角域内的增长级均为无穷,且B的λ级Borel方向与解的无穷级Borel方向一致.

角域AR谱技术在齿轮故障诊断中的应用

利用时频分布平面内信号能量峰脊与瞬时频率之间的对应关系,对信号瞬时频率进行估计;在此基础上利用代数方法求解鉴相时标积分方程,并对经插值重采样得到的角域信号进角域平均处理,提高了角域信号的信噪比;最后对角域信号进行AR建模实现信号的阶次谱分析。实际测试结果表明:采用角域AR谱技术处理齿轮箱非平稳振动信号,能够有效地避免传统频谱方法无法解决的"频率模糊"现象,克服了传统阶次谱分辨率较低,谱线毛糙,易受噪声及轴频调制影响等缺点,对齿轮箱的早期故障有较好的识别能力。

角域多信息熵融合算法的EHA柱塞泵滑靴副状态评估方法

滑靴副是电静液执行器(Electro-hydrostatic Actuator,EHA)柱塞泵中受力最为复杂和薄弱环节,在变转速极端工况下对其健康状态进行有效评估对于EHA的安全稳定运行尤为重要。针对滑靴副在变转速工况下磨损故障特征机理复杂、难以揭示的问题。提出一种基于角域多信息熵融合算法的新状态评估方法,结合阶比分析与信息熵理论,针对EHA变转速极端工况提出“角域信息熵”新概念,运用BP神经网络和D-S证据理论构建基于角域多信息熵融合的滑靴磨损状态评估模型;最后在恒压变转速工况条件下,以滑靴外边缘偏磨磨损故障为例对评估模型进行测试试验验证和结果分析,证实状态评估方法有效性和评估结果的准确性。

基于角域四阶累积量切片谱的柴油机连杆轴承故障特征提取

提出了一种角域四阶累积量切片谱方法,应用于提取连杆轴承微弱故障特征。首先,对升速过程振动信号进行阶比重采样得到角域平稳信号,再计算其四阶累积量对角切片谱,构成角域四阶累积量切片谱,用于分析不同转速区间、不同测试位置下的非稳态信号,提取连杆轴承微弱故障特征。试验结果表明:角域重采样与四阶累积量对角切片谱相结合,既能分析非稳态信号,又能抑制噪声干扰;特定阶比带内的角域四阶累积量对角切片谱的能量和峰值,能有效识别连杆轴承各种技术状态,可以作为连杆轴承磨损故障的特征参数;并得出了敏感测试位置、敏感转速区间和特征阶比带。