摘要：针对直升机航空电子系统地面联试VNE测试中涉及多个机载传感器变量、覆盖测试所需的用例多,以及测试过程容易受到噪声等因素的影响,提出一种基于霍夫变换和时频域特征的VNE指示图像自动识别算法。首先采用高斯滤波对图像进行增强处理,缓解环境中噪声带来的影响,随后对转换后的二值图像进行霍夫变换直线检测,从而定位有动力VNE和无动力VNE指示线。通过检测实时空速区域,估计实时空速上下位置的刻度值,并提取模板图像和匹配图像的时频域特征,采用模板匹配策略定位其位置,最后根据几何位置关系估算指示线的VNE值。经过自动测试系统验证,结果表明所提出的算法能够高效准确地对VNE进行自动识别。

摘要：针对硬脆材料微小零件和微结构微细磨削加工时非稳态特征感知和识别难题,开展单晶硅微细磨削非稳态特征声发射信号感知方法和分析研究。设计了单晶硅微槽阵列微细磨削单因素工艺实验,搭建了声发射(AE)信号实时监测平台,基于均方根法提取了信号时域特征并采用小波包分解法和快速傅里叶变换划分了对应频带。选取微磨具直径损失量、微槽平均崩边宽度及微槽锥度角作为微磨具磨损和磨削质量变化的非稳态特征评价指标。探究了声发射信号时、频域特征与非稳态特征间的相关性。结果表明,AE信号分析区间的均方根与微槽平均崩边宽度近似为线性关系。低频带信号(0~62.5 kHz)主要源于机械振动及磨屑与工件、微磨具间的摩擦作用。中频带AE信号(62.5~125 kHz)主要源于微磨具对微槽的成型作用,其能量占比能反映微磨具磨损程度。高频带AE信号(125~500 kHz)主要源于材料的脆性碎裂去除,其能量占比能反映微槽崩边损伤程度。

摘要：针对普通的深度学习算法用于轴承故诊断分类时计算量大、消耗成本高的问题,提出一种结合连续小波变换和轻量级神经网络的滚动轴承实时故障诊断方法。首先,使用Morlet母小波函数对轴承振动加速度数据进行连续小波变换,提取出时频域特征并将一维信号转换成二维图片;然后,结合分组卷积、通道混洗、倒残差结构等轻量级神经网络设计元素设计一个轻量级卷积神经网络LightweightNet用于时频图片的故障分类,LightweightNet网络在保证具有足够特征提取能力的同时还具有轻量级特点。使用凯斯西储大学轴承故障数据集进行实验表明,本方法相比于其他使用经典轻量级神经网络的方法具有更少的参数、最高的准确率和更快的诊断速度,基本可以实现滚动轴承的实时故障诊断,且在内存消耗与模型存储占用空间方面远小于其他同类方法。

摘要：为提高癫痫脑电信号特征分类的准确率,基于残差网络结构的深度学习,提出了一种频域注意力机制下的癫痫脑电信号分类(FDAM)算法。首先分析所提取的脑电信号特征,然后根据信号特征主要分布在时频域的幅值中的特点,通过残差网络对时频域幅值特征进行二次提取,最后为了使残差网络提取的特征集中在与分类结果相关性较大的频域,设计了一种频域注意力机制,在深度学习过程中增强该类频域的幅值特征,有效提高了癫痫脑电信号的分类准确率。采用公开数据库PhysioNet中的CHB-MIT Scalp EEG Database数据库对算法的分类性能进行了验证,实验结果表明,FDAM算法对正常状态和癫痫发作状态的脑电信号分类准确率达到98.05%,特异性为99.34%,灵敏度为96.12%。

摘要：在密封电子设备的生产制造过程中,对多余物进行检测和定位至关重要。针对设备体积大和多余物位置难以确定的问题,使用参数优化支持向量机对设备内部的多余物进行定位。通过设计信号调理电路与多通道信号同步采集电路,调理和采集微弱的多余物信号,设计两级双门限脉冲提取算法和多通道脉冲匹配算法对信号进行预处理,得到有效的信号数据。提取和选择性能优良的时频域特征构建定位数据集,比较不同分类算法在数据集上的性能表现,对更优的支持向量机进行参数优化设计,将优化后的支持向量机定位模型用于实物测试。测试结果表明,参数优化支持向量机的定位模型在航天电源内部的多余物定位测试的平均精度达82.58%,定位模型的泛化能力良好,达到航天系统工程的精度要求,该方法理论上可以推广应用于类似产生机理的碰撞信号定位。

摘要：为了合理提供对机械设备电子设备元件的保护,提出利用信息熵设计设备故障自动化诊断系统。在系统硬件设计中包括:将自动化诊断电路作为底层电子输出装置,并设计变压器设备监测主机与故障分析模块。在系统的软件设计中包括:利用信息熵精简处理指令集数字信号,同时将故障信息存储数据库接入系统应用主机之中。至此,完成机械设备故障自动化诊断系统设计。实验结果证明,基于信息熵诊断系统的DIS指标与UIS指标数值水平较高,可在合理保护电子设备元件的同时,大幅降低设备运行故障事件的实际发生几率。

摘要：电力电缆因具有较高的经济价值,常遭到不法分子的违法盗窃,文章设计了一套基于三轴加速度传感器的电缆在线监测算法及装置,实时监测电缆是否受到破坏性盗窃活动。在电缆沟搭建实验平台,采集传感器的加速度数据,并用小波系数相关法进行去噪处理,然后计算加速度与重力方向的夹角,并基于db4小波基对数据进行4层小波分解,获取基于角度的小波能量谱,同时计算合成加速度、偏度、标准差、熵等时频域特征判据,最后通过主成分分析降维,并用BP神经网络算法进行分类,多次测试表明,算法的平均准确率为96.25%,并对算法优化进一步提高了检测的准确性,为电缆防盗提供了一种新思路。