利用声发射信号的特征分析对冲压模具的状态判别

根据冲压模具失效产生声发射信号的特点,确定失效信号的特征参数;以小波包分析技术提取模具信号的能量特征向量,把各频带内的能量与总能量之比为特征参数;再对各频带的特征参数进行遗传算法生成新的优化特征参数,以概率一致性原理为基础,通过模糊数学可能性理论得到特征参数的隶属度函数,进而对冲压模具的工作状态进行判定,实验证明,该方法能可靠地对模具进行状态的判别,具有很强的实用性。

泄漏声振动传播信道辨识及其在泄漏点定位中的应用

在基于声振动信号处理的传统泄漏定位方法中,已知振动信号在被测管道中的传播速度是该类方法的应用前提,但在实际检测中发现,该声速很难准确获知。采用盲系统辨识方法估计泄漏信号传播信道响应函数,并从中提取源信号从漏点传播到采集点的时间信息,从而不依赖泄漏信号传播速度定位漏点。盲辨识中,采用O verlap-Save和相关函数配准原理构建代价函数,解决高阶信道估计和信道间的病态问题;采用遗传算法对多目标函数进行全局最优化,避免梯度算法收敛陷入局部最小点。应用表明,通过泄漏声振动传播信道辨识,在声速未知情况下,泄漏定位平均误差在1 m以内。

基于遗传算法的柴油机气缸压力信号识别

研究了发动机气缸压力信号与表面振动响应信号之间的反卷积关系;利用遗传算法在优化设计中的诸多特性,对传统的遗传算法进行了基于反卷积信号诊断的改进。并以S1110型直喷式柴油机为实例,利用遗传算法解反卷积法对发动机处于不同工况运行时的示功图进行了恢复。研究结果表明,通过改进后的遗传算法来进行反卷积信号诊断,克服了由于各种误差的存在而导致反卷积发散的问题,直接在时域内对气缸压力信号波形进行了恢复,为内燃机的故障诊断技术提供了一条新的途径。

基于改进遗传算法的反卷积信号识别

信号处理中的反卷积是一个不适定问题,在泛涵理论上求取反卷积正则解的关键是求距离的最小。遗传算法在优化方面具有优势,因此提出用遗传算法优化求取最小值进行反卷积信号诊断。但是由于传统的遗传算法存在着一些问题,易陷入局部极小点导致成熟前收敛,使得反卷积问题的解决有误差,恢复的波形具有波动性,精度还不够,由此我们对传统的遗传算法进行了改进,改进后模拟计算发现恢复的信号波形精度明显上升,和原信号波形很相象,比较准确地反映了原信号固有的特性。

多元自回归滑动平均模型辨识与电力系统自适应阻尼控制

传统基于离线模型参数和典型运行方式设计的电力系统阻尼控制器存在适应性问题,提出一种基于辨识的自适应控制器设计方法,可解决一般自适应控制中快速性和准确性要求之间的矛盾。所用的多元自回归滑动平均模型(auto regressive moving averaging vector,ARMAV)辨识在电网正常运行过程中针对由负荷等随机扰动引起的类噪声信号进行;在综合考虑辨识误差、阻尼要求和稳定裕度基础上,提出阻尼控制零极点配置基本原则,并设计相应的遗传算法优化方法。为了充分检验上述辨识与控制系统的效果,基于广域测量平台对其进行软硬件实现,并在东北电网简化系统中进行实时数字仿真(real time digital simulation,RTDS)测试,实验结果说明了所提方法的可行性和有效性。

用遗传算法实现地震信号反褶积

遗传算法作为寻优手段具有全局优化和很好的稳定性．本文将遗传算法用于地震信号反褶积处理，与已往方法相比它具有更好的分辨率和稳定性我们采用Bernoulli－Gaussian模型和ARMA模型分别描述地震反射系数序列和地震子波，用最大似然和最小预测误差准则分别构造用于估计反射系数序列和地震子波的目标函数，用遗传算法优化目标函数，以实现地震信号反褶积．

基于实测扰动的励磁系统参数辨识可行性研究

利用Matlab/Simulink搭建了待辨识励磁系统及单机仿真系统模型,分别采用M序列伪随机信号、机端电压阶跃信号及系统扰动作激励,利用遗传算法辨识励磁系统参数。首先利用多窗口法对不同激励信号进行频谱分析,论证了基于实测扰动的励磁系统参数的可辨识性;然后基于同样扰动,分别以不同采样频率及记录时间(数据长度)进行参数辨识,研究信号采样频率及记录时间对参数辨识结果的影响。结果表明采样频率及记录时间互相配合可以得到较好的辨识精度。

利用遗传支持向量机进行电压暂降信号识别

针对传统电力信号识别算法中特征选取的随意性,提出了一种基于遗传支持向量机(GA-SVM)的电压暂降信号识别方法。首先通过S变换时频分析法提取该信号识别需要的可能特征集,然后利用遗传算法的全局搜索特性得到优秀特征,最后通过多分类支持向量机实现暂降信号识别并验证选取特征的有效性。仿真结果证明,该方法能快速、有效识别出电压暂降信号类型。

发电机励磁系统参数辨识扰动信号与辨识精度分析

为提高发电机励磁系统参数辨识精度,以MEC3300T型励磁系统为例,提出分别采用伪随机信号和阶跃信号作为扰动信号,利用混沌遗传算法对励磁系统的参数进行辨识,分析了不同的采样频率下不同扰动信号与参数辨识精度的关系及在相同的采样频率下不同信噪比的扰动信号对参数辨识精度的影响。结果表明,采用PRBS信号作为扰动信号时,辨识结果的相对误差随着采样频率的改变有一定的波动,而STEP信号为扰动信号时辨识结果的相对误差相对稳定;同一采样频率下,采样PRBS与STEP信号辨识结果的相对误差均随信噪比的增加呈指数增长。

遗传算法-反向传播神经网络优化气相色谱质谱联用法测定香蕉挥发性组分

目的应用反向传播(back propagation,BP)神经网络结合遗传算法(genetic algorithm,GA)优化固相微萃取(solid phase microextraction,SPME)条件,建立更优的测定香蕉果肉挥发性组分的气相色谱质谱联用法(gas chromatography-mass spectrometry,GC-MS)和组分定性方法。方法通过正交实验优化SPME提取参数:超声时间、样品量和萃取温度,在正交实验基础上,运用BP神经网络结合GA寻找SPME最佳的萃取参数,应用GC-MS对香蕉果肉挥发性组分进行定性和定量分析。结果根据GA-BP神经网络寻优得到萃取参数:超声时间25.0 min、样品量2.9 g、萃取温度49.0℃。在此最佳萃取参数条件下测定香蕉果肉的挥发性化合物,共鉴定出香蕉果肉63个挥发性组分,主要以酯类为主(占相对总含量的75.75%),相对含量最大的组分是乙酸异戊酯(1281.26μg/kg)。结论本研究通过GA-BP神经网络优化SPME条件,再通过解卷积软件处理原始质谱图,提高了香蕉挥发性组分鉴定的可靠性和鉴定组分数量,为测定果蔬等农产品的挥发性组分与评价其品质提供参考。

基于遗传算法的信号识别技术

将遗传算法应用于识别气浮式动平衡测量装置准静态信号的参数 ,提出了二次磨光法的数据预处理方法。首先采用二次磨光法消除坏点并进行快速傅立叶变换以确定信号的频率成分 ,并设定各频率成分信号的幅值和初相位的取值范围 ,然后以实测信号与识别结果的差值定义适应度 ,最后经过基本遗传操作和迭代得出最优解。仿真结果和试验实例表明 ,提出的方法精度很高 ,幅值识别误差不超过 1% ,初相位误差小于 2° ,满足了实际工程需求。

遗传算法在周期信号傅立叶变换中的应用

为了克服周期信号进行傅立叶变换时各次谐波幅度值需要进行复杂的理论计算问题,提出一种利用遗传算法进行周期信号傅立叶变换的方法,介绍了周期信号傅立叶变换和遗传算法的基本原理;给出了使用遗传算法对周期信号进行分解适应度函数的实现方法和确定各次谐波幅值计算的方法。并提供使用遗传算法对周期信号进行分解的具体步骤。仿真实验结果表明:该方法能够满足周期信号傅立叶变换的要求,与周期信号傅立叶变换理论计算方法相比,其突出优点是算法简单,易于实现。

基于电阻耦合法的发电机励磁系统参数辨识

提出了一种基于电阻的信号耦合法,可将伪随机信号或阶跃信号耦合到自动电压调节器 (AVR)的机端电压反馈信号中,用于解决目前某些发电机励磁控制系统因、没有预留测试信号输入端子而难以进行励磁系统参数辨识试验的问题。该方法已用于某实际385 MW同步发电机励磁系统现场测试,并用遗传算法进行了参数辨识。校验结果证明了该方法的有效性。

基于GA理论的Volterra核辨识的多音激励设计

为了克服以往在Volterra核辨识的多音激励信号设计过程中,由于不恰当的选择多音激励信号相位而导致出现信号出现的强波峰,提出了一种新的基于遗传算法(genetic algorithm,GA)的多音激励信号设计方法。分析了多音激励下Volterra核的输出性质,提出了Volterra核辨识多音激励信号设计应满足的条件;以最小化波峰因子(Crest factor,CF)作为目标函数,将多音激励信号的相位选择问题看成一个多元优化问题,便于采用遗传算法来求解该问题;根据实际问题确定变量的取值范围,编码方式及遗传算法的控制参数等。理论分析及实验结果表明,该方法在不改变功率谱的情况下,可显著降低信号的CF,避免了强波峰的产生,是一种实用的方法。

轮式移动机器人磁导航信号的野点识别与消除

为了解决传统野点识别方法中由于缺乏先验知识,难以建立准确的参考模型时出现的病态、收敛速度快速降低、难以在嵌入式系统上设计模块化程序包等问题,文中以最大三阶相关峭度为代价函数,设计三阶相关峭度反卷积逆滤波器,对磁导航信号进行盲提取,以识别并剔除野点。该实验验证以双向四驱轻量级轮式移动机器人为实验平台,实验结果表明,该算法能有效地识别野点,收敛速度快,也无需准确的参考模型。

基于GA-GRNN的RFID室内定位算法

针对基于测距模型的定位算法易受环境干扰、测距误差大的问题,提出一种基于遗传算法-广义回归神经网络(GA-GRNN)优化的指纹定位算法。利用GRNN建立节点定位模型,通过GA确定最优平滑参数,将阅读器与标签间的信号强度值作为神经网络的输入,进而得到输出节点的坐标。仿真结果表明,与GRNN算法、BP神经网络算法、FOA-GRNN算法相比,该算法的定位精度较高,泛化能力较强。

基于免疫危险理论的非常规突发事件风险识别双信号方法

非常规突发事件的风险识别是应急管理亟待解决的难题.综合运用免疫危险理论与计算实验技术,构建了突发事件风险识别的抗体浓度和亲合度的双危险信号模型以及基于相似性交叉与多样性变异的免疫遗传识别算法模型,将非常规突发事件风险识别转化为多峰函数优化问题,运用所提出的算法,发掘非常规突发事件的演化规律,发现最佳应对时机.通过森林火灾算例分析,演示了基于免疫危险理论的非常规突发事件风险识别方法在应急管理中的应用,验证了模型的科学性和可行性.