摘要：研究了一类存在介质访问约束和信号量化的网络化控制系统的H∞状态估计问题。首先,考虑到介质访问约束和信号量化的影响,将信号量化误差转化为扇形有界的不确定性,对由于访问约束而未获得网络传输的系统输出采用加权补偿策略,根据网络介质的随机访问机制将网络化系统建模为具有不确定性的马尔可夫跳跃系统。然后,在此基础上借助李雅普诺夫稳定性理论和H∞性能约束条件,利用线性矩阵不等式(linear matrix inequality,LMI)方法给出状态估计器存在的充分条件,所设计的状态估计器使得估计误差系统渐近稳定且具有给定的H∞性能。最后,通过仿真实例验证了该设计方法的有效性。

摘要：针对滚动轴承工况复杂多变、环境噪声干扰大、有效数据样本不足而导致的故障诊断效果不佳的问题,提出了一种用于滚动轴承变工况故障诊断的改进残差神经网络方法。以采集到的滚动轴承时域信号作为输入,针对滚动轴承时域信号时变性较强的特点,构建了一种基于Inception模块改进的数据池化层。基于Inception模块思想,采用3个3×3的小卷积层串联和堆叠以及加入残差连接的方式构建数据池化层,有效地提取了特征信息。在残差块中添加跳跃连接线,设计了一种带跳跃连接线的残差块,增强了残差块对特征信息的学习效率。利用空洞卷积能够扩大感受野的优点,将带跳跃连接线的残差块中的普通卷积替换为空洞卷积,设计了一种带跳跃连接线的空洞残差块。将设计的两种残差块端对端首尾相连构建神经网络。将所提方法与SVM+EMD+Hilbert包络谱、BPNN+EMD+Hilbert包络谱和ResNet方法进行了仿真对比,结果表明,所提方法在变噪声实验中的平均准确率为97.34%,变负荷实验中的准确率为88.83%~96.76%,均高于其他方法的,变工况实验中的平均准确率高于ResNet方法的,且具有更低的均值方差0.000 6。所提方法具有较强的抗噪性和泛化能力。

摘要：针对滚动轴承在强噪声环境和变工况下故障诊断效果不佳、泛化能力差的问题,提出一种改进卷积神经网络(CNN)的滚动轴承变工况故障诊断方法。设计了多尺度特征提取模块,采用不同尺度的卷积层提取对输入数据特征,实现了提取故障数据中特征信息最大化。同时,引入通道注意力机制,提取出该模块中更重要、更关键的信息;设计了带跳跃连接线的卷积模块,防止提取到的丰富特征在卷积层前向传递时丢失;以Softmax交叉熵作为损失函数,利用Adam优化算法实现滚动轴承故障诊断。将所提方法分别在凯斯西储大学轴承数据集和变速箱数据集上进行实验验证,结果表明:在凯斯西储大学轴承数据集上的变噪声实验中,所提方法诊断平均准确率为96.49%,在变工况中诊断准确率在90%以上,均高于比较方法;在变速箱轴承数据集上,所提方法诊断准确率为99.54%,具有较好的抗噪性和更好的泛化能力。