摘要：针对微地震有效信号时序特征存在的局限导致微地震事件识别准确率不高的问题,提出了一种基于多模态学习的神经网络微地震事件检测方法。首先,利用道集数据的相关性以目标道为轴对称制作多道时域模态,对目标道进行时频分析得到S域模态特征;然后,联合时域模态和S域模态设计微地震事件检测神经网络,综合多模态的特征进行训练学习,提高微地震事件识别的精度;最后,为验证方法的有效性,对合成微地震信号进行低信噪比数据分析、小幅值数据分析以及实际油井微地震监测信号事件分析。结果表明,该方法可以有效检测低信噪比及微弱的微地震事件;与支持向量机、卷积神经网络、基于监督机器学习方法的对比实验结果表明该方法具有更高的抗噪性与准确率。

摘要：随着坦克机动速度的提高和路面复杂程度的增加,火炮所受扰动力矩的幅值和频率急剧增大,严重影响了炮控系统的稳定精度和射击命中率。为此,建立火炮系统动力学模型,分析扰动力矩的作用机理、影响因素及其测试方法。在此基础上提出基于希尔伯特-黄变换(HHT)的火炮扰动力矩时频谱分析方法,系统分析主振频带、约束频带和特征幅值等扰动力矩典型频谱特征及其对炮控系统设计的影响。研制了扰动力矩谱测试系统并应用于工程实践,为高速机动条件下火炮扰动谱测试分析和炮控系统设计研制提供理论依据与技术支撑。

摘要：对深基坑支护中常用的岩土锚杆进行锚固质量无损检测的关键是对采集的动态加速度曲线进行合理的分析。为此,分别设计了三种不同工况模型:无缺陷、一个缺陷和两个缺陷的锚杆模型。通过敲击试验,采集到加速度响应曲线后,利用Matlab程序在计算机上实现波形重现,然后采用小波分析等方法对振动波形进行对比分析,建立振动波形与各工况之间的内在联系,以反映锚杆锚固质量的三个度量参数,亦即一次行波周期、时频谱中的频率值和能量衰减程度。结果发现:通过时域波形和时频谱可正确反映不同锚固状态下的动力响应规律,即锚固质量越好,锚杆中应力波衰减就越快。

摘要：针对滚动轴承故障振动信号的非平稳特征,介绍了一种基于Teager-Huang时频谱和边际谱的滚动轴承故障诊断方法。详细阐述了Teager-Huang时频谱和边际谱的计算方法及物理意义。给出了该故障诊断方法的步骤,并对仿真和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断。结果表明,基于Teager-Huang变换的故障诊断方法具有计算速度快,估计准确稳定的特点,是准确判断滚动轴承故障状态的一种有效新方法。

摘要：HHT作为分析非平稳随机信号的新方法,一般采用Matlab平台进行仿真研究,而应用到实践的情况很少。为了将HHT分析从研究阶段应用到爆破工程实践中,采用LabView平台进行了实现。在程序设计中采用了最新的改进措施,诸如极值点对称延拓、筛选局部终止准则、AM-FM分解。最终通过构造三维时频谱解释信号特征,从能量分布角度更加科学地解释爆破振动信号的特点。

摘要：在实际应用中,自由感应衰减信号(FID)数据中通常含有大量噪声干扰,直接影响了检测结果的准确性。该文针对上述问题,设计了一种基于卷积编解码网络的FID信号提取方法。即在卷积神经网络的框架下,通过训练学习复杂噪声背景下FID数据时频谱与纯净FID信号时频谱之间的映射关系,实现FID信号的噪声压制,再经短时傅里叶逆变换完成FID信号的提取。在卷积网络训练中同时考虑了FID信号的实部和虚部特征,更好地保留了其相位信息。实验结果表明:提出的FID信号提取方法可以在多种噪声同时存在的情况下有效地压制噪声,且不损失FID信号。该方法可作为深度学习课程的验证性实验,也可作为创新性实验内容。