基于频率加权左互质分解的汽车悬架H∞控制器降阶研究

建立了7自由度汽车整车悬架模型,考虑人体对垂直和旋转方向振动的敏感频率范围,设计频率加权的H∞控制器。进而在选取特定加权矩阵保证降阶闭环系统稳定前提下,应用基于频率加权左互质分解的控制器降阶方法,对所设计的高阶H∞控制器进行降阶。仿真结果表明,控制器的阶数能够被较大程度地降低,而闭环控制效果损失很小,证明了频率加权左互质分解控制器降阶方法的有效性。     

一种水声弱信号奇异熵特征提取方法

本文提出一种基于奇异值熵的固有模态函数筛选重组方法,将经验模态分解得到的固有模态函数经过信息熵计算筛选,去除低信噪比信号中具有较高能量的环境噪声,提升舰船辐射噪声特征的信噪比,从而一定程度上改善对舰船目标的远距离识别效果。实验结果表明,经过信息熵筛选后的固有模态函数重构信号明显突出了舰船辐射噪声信号的原有特征,可有效提高对远距离目标的识别率。     

基于VMD-SSA-GRU的船舶运动姿态预测

船舶运动姿态的准确预测对船舶的运动补偿意义重大,因此提出一种基于变分模态分解（VMD）和麻雀搜索算法（SSA）优化门控循环单元（GRU）的船舶运动姿态预测模型。首先利用VMD将船舶运动姿态数据分解为若干个本征模态分量,然后对各个本征模态分量分别建立SSA-GRU预测模型进行预测,最后累加得到预测结果。通过实船模拟的船舶运动姿态数据进行验证,证明此预测模型较于SSA-GRU和GRU预测模型预测精度均有相应提升,验证了本预测模型在船舶运动姿态数据预测的有效性。     

基于LMDI模型的我国铁路货运量因素分解

本文运用对数平均迪氏分解法(LMDI),综合分析历年经济规模、运输强度、运输结构三个因素对我国铁路货运量变化的影响。LMDI模型结果表明,经济规模因素是我国铁路货运量变化的最主要影响因素。2000年～2011年,经济规模因素促进铁路货运量快速增长;2012年～2015年,运输结构因素、运输强度因素对铁路货运量增长的反向作用强于经济规模因素的正向作用,铁路货运量下滑;2016年～2018年,运输结构调整政策推动铁路货运量回升。     

交通事件小波分解与支持向量机声频识别方法

分析了现有交通事件自动检测和识别方法, 提出了应用小波分解与支持向量机相结合的交通事件声频识别方法。将车辆行驶的声音信号进行小波分解, 以不同频段的重构信号能量作为特征向量, 对由多个支持向量机构成的交通事件分类器进行训练, 并对正常行驶、刹车和碰撞事件的声音信号进行识别。试验结果表明: 利用车辆声音信号能够正确识别不同的交通事件, 识别准确率达95%, 识别方法可行。     

基于优化VMD的悬索桥挠度温度效应分离方法

为了研究悬索桥实测挠度的温度效应分离,进一步分析悬索桥实测挠度与温度之间的关联性,采用了变分模态分解(variational mode decomposition,VMD)方法对挠度信号进行处理.通过经验模态分解(empirical mode decomposition,EMD)和VMD对仿真信号的对比分析,发现VMD...     

复杂传递路径下轴承滚动体故障特征提取

为消除复杂传递路径对轴承滚动体振动信号的影响并提高故障特征提取的能力,研究了基于变分模态分解(VMD)、优化最大相关峭度解卷积(MCKD)和1.5维谱的轴承滚动体故障特征提取问题;分析了轴承滚动体原始振动信号特点、早期故障信号的特性以及复杂传递路径对振动信号的影响,运用VMD将原始振动信号分解为一系列本征模态函数(IMFs),提出了转频分量剔除方法,通过峭度准则优选2个峭度较大的IMFs分量进行重构;基于网格搜索法研究了MCKD算法参数优化方法,用以增强重构信号的周期性故障特征,消除复杂传递路径对轴承滚动体故障信号的影响;利用1.5维谱分析重构信号,建立了复杂传递路径下轴承滚动体故障特征提取新方法,实现了轴承滚动体故障的准确诊断;为了证明方法的有效性,选取美国凯斯西储大学轴承SKF6205基座滚动体数据进行试验验证与分析。试验结果表明：网格搜索法获得了MCKD算法的最优滤波长度与冲击周期参数(365、85),优化MCKD算法增强了重构信号的故障特征,减少了无关频率分量,明显降低了其他成分的干扰;提出的故障特征提取方法在0、735和1 470 W负载条件下均提取到了轴承滚动体的故障特征频率(140.6 Hz)以及二倍频(281.3 Hz)和三倍频(421.9 Hz)等所有倍频分量,且不受负载条件的影响,消除了复杂传递路径对轴承滚动体故障特征提取的影响。可见,提取方法可以有效解决复杂传递路径下轴承滚动体故障特征提取与诊断问题。     

基于CEEMD-SA-RNN的柴油机曲轴轴承磨损预测

为解决传统故障诊断方法效率低的问题,以某步兵战车柴油机为研究对象,提出了一种补充的集合经验模态分解与奇异值分解相结合提取信号的特征,使用模拟退火算法优化循环神经网络对曲轴轴承磨损程度进行预测的方法。采用补充的集合经验模态分解方法对振动信号进行分解,用奇异值分解方法进行特征提取,利用特征对模拟退火算法优化的循环神经网络进行训练及预测。对所提出的算法进行试验分析,结果显示预测准确率达到97.48%,比普通的循环神经网络系统预测的准确率提高了5%以上。     

高速铁路轨道几何不平顺改进模糊消刺方法

根据高速铁路轨道几何不平顺毛刺异常值突然变化的特性, 设计了改进模糊消刺方法, 将差分突然增大或变小的点定义为毛刺异常值的起点, 将与起点相近的差分反向突然变化的点定义为毛刺异常值的终点, 选取包含毛刺异常值的最小区间的两个端点为插值点, 用其近似线性插值代替原来的毛刺异常值。按照单位分解原理构造隶属度函数, 并通过增加预判断, 避免数据点正常时计算向前差分、规则激发度量函数和模糊基函数。计算结果表明: 改进方法的计算精度与原模糊滤波方法相同, 但当计算长度大于500 km时, 计算时间小于原来的1/300, 它更适合在线实现; 利用改进方法对包含毛刺异常值的模拟轨道几何不平顺信号进行消刺处理, 滤波后的信号与解析信号的误差小于10^-3; 利用改进方法不但能准确识别毛刺异常值的位置并自动修复, 而且能完整保留道岔处大轨距和大轨向等有用信息。     

基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型

为降低样本噪声对客流预测模型的干扰, 结合深度学习理论, 提出了一种基于经验模态分解与长短时记忆神经网络的短时地铁客流预测模型; 将预测过程分为3个阶段, 第1阶段预处理原始地铁刷卡数据, 构建进(出)站客流时间序列, 运用经验模态分解法将时间序列转化为一系列本征模函数及残差, 第2阶段利用偏自相关函数确定长短时记忆神经网络的输入变量, 第3阶段基于深度学习库Keras, 完成长短时记忆神经网络的搭建、训练及预测; 以上海地铁2号线人民广场站客流数据验证了模型的有效性。计算结果表明: 与代表性的预测模型(差分自回归移动平均模型、支持向量机、经验模态分解与反向传播神经网络、长短时记忆神经网络)相比, 经验模态分解与长短时记忆神经网络预测模型分别将工作日高峰、平峰、全日的进(出)站客流预测精度分别至少提升了2.1%(2.5%)、2.7%(3.5%)、2.7%(3.4%), 将非工作日全日的进(出)站客流预测精度至少提升了3.3%(3.5%), 说明经验模态分解与长短时记忆神经网络的组合是一种预测短时地铁客流的有效模型; 当预测步长由5 min逐渐增加至30 min时, 工作日高峰、平峰和全日进(出)站客流的平均绝对百分比预测误差分别由14.8%(13.9%)、16.8%(17.4%)和16.6%(17.0%)逐渐降低至7.0%(6.2%)、8.3%(7.5%)和8.1%(7.4%), 说明该方法预测误差与预测步长呈负相关。