柱形障板条件下声矢量圆阵相位模态域目标方位估计

提出了基于横向、纵向和对角排列的声压振速联合处理协方差矩阵构造的相位模态域最小方差无畸变响应(MVDR)目标方位估计方法。该方法利用弹性柱障散射声场模型,根据声矢量圆阵相位模态变换理论,构造声压与不同振速分量的互协方差矩阵,并进行相加、纵向、横向和对角排列得到扩展互协方差矩阵,将扩展互协方差矩阵分解重构后进行MVDR目标方位估计。理论分析与仿真结果表明,纵向排列互协方差矩阵具有更好的方位估计性能,相加互协方差矩阵具有较低的背景谱,对角和横向排列相对纵向排列较差。水池试验和湖试结果进一步验证了纵向排列互协方差矩阵具有较其他3种方法更好的方位估计性能。

优化变分模态分解与深度学习融合的滚动轴承故障诊断策略

针对滚动轴承早期振动信号具有强非线性特征,导致难以判断其故障类型,提出了以相关峭度和Lyapunov指数为综合目标函数的优化变分模态分解(OVMD)参数优化方法,对综合目标函数最小值进行搜索,以确定模态分解数及惩罚因子的最佳组合,实现降噪与特征提取,重构故障信号,并采用相空间重构法还原系统动力学非线性结构,通过卷积神经网络(CNN)提取纯净信号。结果表明:OVMD可有效降噪并剔除无关分量,重构信号经CNN学习后,吸引子轨迹收缩,信号非线性降低,故障呈可分状;该OVMD-CNN诊断模型具有良好的鲁棒性与泛化性,可实现轴承故障的智能诊断。

基于特征挖掘的ARIMA-GRU短期电力负荷预测

针对短期电力负荷随机性较强、预测精度较低的问题,提出了一种基于混沌理论、变分模态分解VMD(variational modal decomposition)、整合移动平均自回归ARIMA(autoregressive integrated moving average)模型和门控循环单元GRU(gated recurrent unit)神经网络的组合预测方法。首先,对电力负荷历史数据进行相空间重构来提取混沌特征。然后,应用变分模态分解将相空间中的各维负荷序列分别分解为一组平稳性好的本征模态函数IMF(intrinsic mode function)。接着,根据频率指标过零率将每组本征模态函数重构为一个低频序列和一个高频序列。最后,分别使用ARIMA模型和GRU神经网络模型对各个低频序列和高频序列进行模型训练和迭代预测,综合各序列的预测值得到预测结果。实例分析表明,与所提其他智能算法相比,该方法具有更高的预测精度。

声矢量圆阵MVDR目标方位估计

在声场分解所得到的相位模态空间,提出了一种矢量圆阵相位模态域MVDR目标方位估计方法。研究结果表明,该方法和传统的阵元域阵列信号处理方法一样,能够体现矢量水听器的技术优势,同时能够发挥阵列系统的分辨能力。

外激励作用下分层旋流火焰流场结构与火焰响应特性

为了探究贫油直喷(LDI)燃烧室中剪切旋流与火焰的正反馈作用及其诱导燃烧不稳定机理,通过大涡模拟(LES)结合相空间重构、模态分解分析方法研究了外激励作用下分层旋流火焰流场与火焰的动态响应。将流场的试验与LES时均结果进行对比,发现数值计算的速度分布与涡旋结构的大小、位置都和试验结果吻合较好。对LES采集信号与瞬时流场分析表明:燃烧室内压力与释热率脉动处于极限环振荡状态,速度脉动下回流区的收缩与扩张导致燃料和释热区发生周期性压缩与舒张,从而产生准周期释热率脉动。对LES提取的子午面数据进行模态分解,发现速度脉动和释热率脉动主要集中在射流区与剪切层处,均为进口速度激励导致的纵向脉动。