齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD...齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD)的自适应动态阈值健康监测方法。首先,对原始振动信号进行处理,从处理信号中提取特征,并依据单调性排序;使用核主成分分析对单调性较好的特征进行降维,构建退化趋势。再使用健康数据训练高斯混合模型,确定模型参数,并计算贝叶斯推断的距离(Bayesian inference distance,BID)。最后使用LDD动态调整滑动窗口大小并结合核密度估计(kernel density estimation,KDE)建立自适应阈值,对齿轮箱的健康状态进行监测。通过实验对比分析表明:本方法的预测准确性为99%,假警率为0.05%,灵敏度为98%,相较于其他方法有较大优势。展开更多
文摘齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD)的自适应动态阈值健康监测方法。首先,对原始振动信号进行处理,从处理信号中提取特征,并依据单调性排序;使用核主成分分析对单调性较好的特征进行降维,构建退化趋势。再使用健康数据训练高斯混合模型,确定模型参数,并计算贝叶斯推断的距离(Bayesian inference distance,BID)。最后使用LDD动态调整滑动窗口大小并结合核密度估计(kernel density estimation,KDE)建立自适应阈值,对齿轮箱的健康状态进行监测。通过实验对比分析表明:本方法的预测准确性为99%,假警率为0.05%,灵敏度为98%,相较于其他方法有较大优势。
文摘由于具有高时间分辨率、无创性,脑电(Electroencephalogram,EEG)信号被广泛应用于航空航天任务操作员的疲劳、脑力负荷分析等。针对EEG信号多通道且各通道内信息不完全相同的特性,提出了一种基于最小冗余最大相关性(Minimum redundancy maximum relevance,mRMR)算法的EEG特征评价技术。通过设置目标变量,计算各通道内EEG特征与目标变量的互信息量、特征在通道内部的冗余度,可对EEG特征的性能做出评价。进一步,获取管制员在不同脑力负荷下的EEG数据,对一系列EEG特征做出评价并与已有研究、特征在不同分类方式下的可分性进行对比,验证了该特征评价技术的有效性。与现有的技术相比,该技术避免了灰色关联分析法确定权重参数和灰色关联度的主观性、避免了分类器评价法的差异性。相较于已有的特征选择算法,考虑了通道内部信息的冗余,使得评价结果更为准确。相较于基于统计学的相关技术,该方法可对特征的性能做出定量的评价,以便对不同指标进行比较。最后,阐述了该评价方式疲劳程度分析、情绪识别等方面的应用。
