基于SET-CNN的紧凑型地波雷达弱目标检测方法

紧凑型高频地波雷达发射功率较低且采用小孔径阵列,导致雷达回波中的弱目标增多,进而引起基于距离-多普勒谱的目标检测方法性能降低,目标探测能力减弱。为提高紧凑型地波雷达对弱目标的检测性能,本文提出一种基于同步提取变换-卷积神经网络(Synchroextracting Transform-Convolutional Neural Network,SET-CNN)的紧凑型地波雷达弱目标检测方法:首先在时频谱处理中,利用信噪比方法抑制信号中的海杂波,减少杂波时频脊线对目标检测的影响;然后基于SET时频谱构建时频脊线样本数据库,再通过卷积神经网络进行时频脊线分类,并基于分类结果的后处理完成船只目标检测。通过仿真和实测数据验证提出的目标检测方法,结果表明,本文提出的方法能够有效检测到弱目标,提高紧凑型地波雷达的目标检测性能。

复杂工况下的永磁同步电机典型绕组故障在线诊断

绕组故障作为永磁同步电机常见的故障之一,严重影响电机正常运行。但由于电机运行工况复杂,故障特征波动严重,基于故障特征的诊断精度较低。为提高复杂工况下绕组故障的诊断精度,该文提出一种复杂工况下基于控制器信号的在线诊断方法。首先,对典型绕组故障进行故障机理分析,并通过基于自适应随机窗的快速傅里叶变换(FFT),提取控制器信号的相应故障特征;其次,通过研究单一工况和复杂工况下的各故障特征分布,揭示部分故障特征会在低转速工况下失效;再次,定义了复杂工况下故障特征性能指标,用于筛选故障特征;最后,在人工神经网络的基础上,提出了深度优化人工神经网络,引入批量归一化(BN)算法,并对深度网络结构残差化,提高网络泛化能力和诊断准确性。实验结果表明,通过计算故障特征性能指标,能够在诊断前对故障特征进行有效筛选,且深度优化人工神经网络的诊断准确性高、泛化能力强,在复杂工况下能够实现电机典型绕组故障的精确在线诊断。

一种基于自适应线性神经网络算法的永磁同步电机电流谐波提取和抑制方法

永磁同步电机通常采用正弦波进行驱动和控制,由于气隙磁场的畸变和电压型逆变器的死区效应等因素的存在,使永磁同步电机电流波形含有大量的谐波而发生畸变,特别是在电机低速运行时更为严重。为了进一步提高永磁同步电机的电流控制性能,抑制电流谐波,本文在传统矢量控制算法基础上,增加神经网络谐波电流环,通过自适应线性神经网络(ADALINE)算法实现对主要电流谐波的分解和提取,将所提取的电流谐波经过神经网络训练获得补偿电压值进行谐波注入,实现电流谐波的检测和抑制。通过仿真和实验结果证明,本文提出的控制策略可以有效提取并抑制电流谐波,降低电机转矩脉动。

基于同步深度监督的多尺度肺结节分类

针对在肺结节分类中容易产生过拟合的问题,提出一种基于同步深度监督的多尺度肺结节分类方法。解决梯度消失问题,最小化分类错误并实现同一框架中同步训练多尺度肺结节图像,提高肺结节分类精确度。改进经典的AlexNet网络,使其更适合肺结节图像分类;将同步深度监督(SDS)策略纳入到AlexNet架构中,向隐藏层提供集成的同步监督;通过多尺度空间金字塔策略提取多尺度肺结节图像特征。实验结果表明,该方法的准确性达到93.68%,且在准确性、敏感度、特异度、ROC曲线下面积值上均优于其他分类方法。

基于VMD与MLP的电机轴承故障检测方法

针对现有的永磁同步电机(PMSM)轴承故障检测方法准确度低的问题,对PMSM轴承故障表征方法和基于神经网络的检测方法进行了研究,提出了一种PMSM轴承故障归一化表征指标集合的构建方法,和一种基于VMD和MLP的PMSM轴承故障检测方法。首先,采用融合PMSM轴承故障频域特征进行归一化处理的方法,构建了一个PMSM轴承故障表征指标集合;然后,利用优化后的变分模态分解(VMD)方法,对振动信号进行了降噪重构,提取了故障频域特征,并计算出了归一化指标集合;利用基于多层感知器(MLP)的神经网络模型对获取的归一化指标集合进行了训练,得到了一种高准确度PMSM轴承故障检测器;最后,采用了一套可以模拟数控机床进给传动系统的试验测试装置,对基于VMD和MLP的PMSM轴承故障检测方法的有效性和先进性进行了验证。研究结果表明:PMSM轴承故障表征指标集合比现有的指标具有更强的故障表征能力,基于VMD和MLP的PMSM检测方法的平均检测准确度高达95.4%;该结果验证了归一化PMSM轴承故障表征指标集合的先进性,以及基于VMD与MLP的PMSM轴承故障检测方法的有效性。