一、自适应阈值选择和小波消噪方法研究(论文文献综述)
肖成,刘作军,张磊[1](2021)在《基于自适应阈值的小波BP神经网络风电变桨系统故障预测》文中提出为了提高风能资源的有效利用,提高风电机组运行的可靠性、经济性和安全性,故障预测变得尤为重要。故障预测方法在判断设备隐患、制定合理的风电场运维方案方面具有重要的理论和实际意义。围绕变桨系统故障预测的问题,文章利用小波对机械信号特征敏感的优点,引入自适应阈值函数实现对小波降噪的改进,结合具有自学习能力和并行处理能力强的BP神经网络,建立了自适应阈值的小波BP神经网络故障预测模型。该模型结合了小波分析的技术特点,减少了噪声对预测模型的干扰,模型简洁、易实现。应用该网络预测模型,提前15 d对变桨系统故障预测的准确率达到了92.27%。
张家玥[2](2021)在《基于时频分析的心电信号处理方法研究》文中认为心电信号作为一种包含大量病理信息的生物电信号,被广泛应用于心脏病的临床诊断,是推进远程医疗应用的重要材料。心电信号作为一种微弱、非线性且不稳定的人体生理信号,具有低幅值、低信噪比和随机噪声的特征,高质量的心电信号可以帮助医生识别生理特征和诊断病理现象。本文主要针对心电信号的特点,对心电信号预处理、特征提取及医疗应用过程展开研究,提出了一系列对多类型心电信号记录的分析方法。主要的研究内容如下:1、提出了一种基于互补集合经验模态分解与信号筛选的自动化心电信号预处理算法。通过将互补集合经验模态分解算法与信号相似性算法融合,筛选出分解结果中含有噪声的信号,通过研究基线漂移信号的特点,利用分解结果的过零率特征筛选出含有基线漂移的信号,实现了分解结果的自动化筛选以及含噪信号的自动化消噪,有效解决了经验模态分解算法模态混叠问题以及集合经验模态分解算法噪声残留和计算量大问题。在MIT-BIH Database心电信号数据集上进行对比实验,验证了提出的方法无论对合成的含噪信号还是真实的含噪信号,都比传统的滤波器消噪和基于小波的消噪方法得到的消噪效果更优。2、提出了一种基于快速多维经验模式分解算法和连续小波变换算法从母亲多维腹部心电信号中提取胎儿心率的算法。专注于从母亲腹部心电图信号中提取胎儿R峰特征,利用提取到的R峰位置形成胎儿RR时间序列,有助于在临床干预尤其是在自主神经系统中进行胎儿心率变异性分析。此方法通过FMEMD算法和小波特征的融合,有效地消除了外部噪声的污染以及内部母亲QRS复合物的污染能够从母亲腹部多维心电信号中提取胎儿心率特征,实现孕期胎儿健康监测,并在Abdominal and Direct Fetal ECG Database数据集上验证了该方法能够获得准确率更高的检测结果,是检测速度更快的检测算法。
刘淑婷[3](2020)在《多绳摩擦式提升机钢丝绳张力检测技术研究》文中指出多绳摩擦式提升机目前在煤矿生产中应用广泛,其原理是通过滚筒绳槽中的摩擦衬垫同时带动多根钢丝绳完成提升容器的工作。多根钢丝绳共同提升就会存在张力是否平衡的问题,由于提升机的频繁使用,多根钢丝绳间极易存在张力差。一般情况下,张力差由安装的张力平衡装置保证钢丝绳受力均匀,但由于各种原因平衡装置有时会失去平衡作用造成钢丝绳受力不均,并导致钢丝绳使用寿命不一致,从而带来安全隐患。因此,若能通过一个装置实时检测钢丝绳张力的大小,了解当前每一根钢丝绳的张力状态,这将对保障多绳摩擦式提升机的安全运行具有重要的指导意义。本文通过研究国内外钢丝绳张力检测技术的发展现状和检测方法以及钢丝绳在实际运行时的受力状态和动力学状态,设计了一款新型钢丝绳张力检测装置模型和检测系统。通过分析张力计算的理论基础对检测装置模型进行具体的结构设计,并实验室模拟现场工作环境对该装置检测工作进行模拟实验,利用MATLAB编写最小二乘法实现误差校正并得到该装置的测量公式。检测系统设计以STC15系列单片机为核心的控制电路,采用电阻式应变传感器和双积分A/D转换器对四路张力数据进行数据采集和模数转换,并发送到DGUS液晶屏进行现场实时显示;同时设计LoRa无线传输模块将数据发送至上位机。上位机部分设计以LabVIEW监测平台和Access数据库相结合的数据管理系统对张力数据进行分析,实时显示钢丝绳张力变化状态。为了消除张力信号中的噪声部分,对小波变换和小波消噪理论展开研究,利用LabVIEW和MATLAB混合编程的方法设计小波消噪程序,实现对钢丝绳张力信号的准确提取。本文通过进行实验室模拟调试,检测装置能较好地模拟现场工作状态,且工作稳定;传感器测量数据精确,液晶屏和上位机能准确、实时地显示张力变化。检测系统测量结果满足检测系统设计要求,可安装试用于现场多绳摩擦式提升机钢丝绳张力检测中。
程扬[4](2020)在《水文序列预测模型的耦合及优化研究 ——以磨刀溪为例》文中进行了进一步梳理磨刀溪流域是长江上游具有代表性的中小型山区流域,本研究收集有流域内长滩水文站降雨径流资料,以及鱼龙、建南、谋道、龙驹四个雨量站的的降雨资料。首先,从周期性、趋势性、突变性三个方面分析磨刀溪水文序列的特性;其次,从相对误差、绝对误差等指标研究了传统和新兴两类预测模型的精度;然后建立了小波分析和人工神经网络耦合的WNN模型,并探究了水文序列的尺度和复杂特性对模型精度的影响;最后,基于遗传算法的全局寻优特性,优化了WNN模型的阈值、权值、时间尺度因子等模型参数,最终建立了优化的WA-GA-ANN模型。长滩站是磨刀溪流域唯一的水文站,也是集雨面积最大的控制站,分析该站的降雨径流特性,希望可以为磨刀溪全流域的防洪减灾、水资源统一规划利用提供科学指导。联合鱼龙、建南、谋道、龙驹四个雨量站的降雨序列,建立的全流域降雨预测模型,希望可以为该流域甚至中小型山区流域的中长期水文预报做贡献。本文主要研究结论如下:(1)论文采用趋势回归法、Mann-Kendall秩次相关法、滑动平均法识别该序列趋势项;采用时序累计相关曲线法、有序聚类法识别龙角站年径流序列跳跃项;采用傅里叶分析、最大熵谱分析、小波分析进行周期识别。经过对龙角站1959~1990年和长滩站2001~2010年的降雨序列进行分析,发现该站的控制流域内的降雨具有2a尺度的周期性,降雨量总体呈增加趋势,但在1963年~1966年间和1982年~1988年间降雨量有减少的趋势,径流由于受到人类活动的影响,在2001年产生突变点。(2)论文从小波消噪、分解层数确定、小波方法的周期分析等方面详细研究了小波方法体系。运用史坦SURE法和熵准则阈值选取法优选了小波消噪阈值,将这两种阈值选取方法运用到鱼龙站的降雨序列消噪,发现消噪后的序列峰值明显减小,即序列的系统误差减小。同时,提出白噪声检测的小波分解层数确办法,鱼龙站的降雨序列长度192,小波最优分解层数为2,这与经验公式得到的最大分解尺度相符。(3)论文以鱼龙站的降雨序列为例,运用自回归、模糊分析、灰色系统分析分别建立预测模型,比较原序列和模拟序列的残差、相对误差等指标,发现新兴类模型准确、高效、可操作性强。还探究了BP网络、RBF网络、GRNN网络的模型原理,并基于建南、谋道、龙驹的雨量资料、和龙角站的降雨径流资料建立预测模型模拟龙角站的日最高水位,发现GRNN网络模拟序列的特征值更接近实测序列。(4)论文将原始序列采用熵准则消噪,并采用白噪声检测方法确定分解层数后再带入小波分析和人工神经网络耦合的WNN模型。以鱼龙站2001年~2016年的月降雨序列和日降雨序列为例,研究了时间序列尺度对耦合模型预测结果的影响,发现序列越长、时间尺度越小预测结果越精准。再以鱼龙站2001年~2016年的月平均降雨、水位、流量序列为例,探究序列复杂程度特性对耦合模型预测精度的影响,发现序列本身越复杂,预测精度越低。最后本论文针对小波神经网络权值、阈值设定等问题,建立了一套遗传算法优化模型参数的小波神经网络模型。
杨枫[5](2020)在《基于深度学习的行星齿轮箱故障诊断研究》文中研究表明行星齿轮箱以其高传动比、强承载力及优良的传动平稳性广泛应用于以工程机械为代表的重要机械产品中。作为工程机械设备之核心传动部件,一旦有故障产生,很有可能造成不可估量的生产亏损和高昂的维修用度。在面向行星齿轮箱智能故障诊断研究上,特别是在面向非平稳工作状况之下设备的研究方面依然不够深入。故此,研究变加速度工况之下行星齿轮箱之振动信号处理方法,开发更加适用于行星齿轮箱故障特征提取与分类的智能故障诊断技术,对于行星齿轮箱智能故障诊断平台之搭建将大有助益,进而落实对其早期故障的诊断与预警,减少检修成本或安全事故,对于工程机械之智能监测连同健康维护具有极高应用价值。针对上述关键问题,本文以山推工程机械公司生产的SD 16推土机变速箱和中车风电公司生产的风机齿轮箱为研究对象,以促成不同工作状况中行星齿轮箱故障特征之提取及智能识别为研究目标,提及并阐述了基于小波包阈值消噪之信号预处理手段和基于语谱分析之非平稳信号时频特征提炼方法,建立了基于深度卷积神经网络之行星齿轮箱及迁移学习故障诊断模型,并进行了试验验证。(1)针对提取到的行星齿轮箱非平稳振动信号中的噪声扰动的滤除问题,对国内外常用的信号滤波消噪方法进行了调研分析,利用小波变换和小波包变换理论改进针对行星齿轮箱非平稳振动信号的消噪方法,并以信噪比和均方差作为判断指标进行消噪对比试验,确定了小波包阈值消噪之成效相对更优。进一步地,通过对小波包阈值去噪进程内基函数之选用、软硬阈值之使用以及分解层数的确定,设计出多组对比试验,最终确定小波包软闽值消噪措施:以Sym4函数为基函数在分解层数为5的情况下,对含噪加速度变化振动信号的消噪效果最佳。最终确立了行星齿轮箱非平稳振动信号滤波降噪之有效方法。(2)考虑变化工作状况之下行星齿轮箱振动信号速度不平稳之表现,调研在各领域中非平稳信号处理方法,借鉴语谱分析于语音特征提取中之良好表现,提出了基于语谱分析的行星齿轮箱非平稳振动信号处理方法。在具体应用中,根据所采集的行星齿轮箱原始振动信号的频率、强度、时变速率等参数,调整语谱分析里窗函数、帧长、帧移等参变量之选取,以获得最佳的语谱时频特征,并利用短时傅里叶变换技术将分段的频谱特征按照顺序映射到时域中,完成频谱图的制作。该方法能够将变工况下行星齿轮箱非平稳振动信号中的初级故障特征以时频图像的方式有效提取出来,为进一步贯彻行星齿轮箱故障之辨识与分类提供技术支撑。(3)深度神经网络可以将数据中有用的特征信息进行深入挖掘,并对识别对象进行智能分类。为了强化行星齿轮箱故障诊断模型之深层特征提取功能和模型诊断精度,本文结合深度学习理论,完成了建立于深度卷积神经网络上的行星齿轮箱故障诊断模型设计与训练。该模型在VGG16卷积神经网络的基础上结合批标准化的正则化方法和Adam参数优化算法,在提升模型泛化能力的同时加快其收敛速度,在针对不同工况下不同结构行星齿轮箱的故障诊断实例中都有着较高的识别准确率和诊断效率,实现了面向具体研究目标之深层故障特征获取及健康状态高效捕捉。(4)深度神经网络能够自适应地提取故障信息的深层特征,但不适用于非独立同分布样本及小数据集样本的训练。针对工程应用中行星齿轮箱故障样本获取难,及相似机型的故障诊断模型重建耗费研发成本,以致诊断精度低、生产效率低的问题,本文结合迁移学习知识,以山推工程机械公司生产的SD16推土机变速箱为试验研究对象,完成了基于卷积神经网络的迁移学习故障诊断模型的设计和训练,利用先验知识,完成了数据样本缺乏的故障诊断任务,并有效降低了相似机型的故障诊断模型训练成本,提高了故障诊断效率。
刘小多[6](2020)在《次声波检测技术在长输油管道的应用研究》文中指出近几年来,全球长输油管道老龄化和人为破坏的情况较为普遍,泄漏而引发的爆炸事故时有发生,对人类的生命安全及财产造成了重大的影响,快速准确地定位泄漏发生的位置成为了目前急需解决的问题。研究表明,次声波检测技术是目前较为精确的检测技术之一。首先,本论文介绍了次声波检测法的泄漏定位原理以及次声波信号的传播特性,同时通过对定位公式的修正,提高了长输油管道泄漏检测定位的精确度。其次,论文针对管道泄漏时采集到的次声波信号中含有大量噪声信号的问题,提出利用小波消噪方法对信号进行消噪,从而提高检测精度。同时对次声波时延估计算法进行求解,通过互相关分析法确定首末两端次声波传感器接收信号的时间差,并且对此算法进行改进,极大地提高了计算效率,提高时延估计精度。最后,设计了一套基于LabVIEW的次声波管道泄漏检测系统,整体包含了四个模块,可以对管道运行情况进行实时检测,通过多次实验以及实验结果的分析与比较,证实了此检测系统的可行性。
李壮[7](2020)在《基于表面肌电的腕神经受损评价方法研究》文中认为脑卒中是一种发病迅速、治疗困难的脑血管疾病。发病后的患者由于脑部出血或缺血,在术后需要经过一定程度的康复训练,才能使运动功能逐渐恢复,并满足生活的要求。脑卒中所带来的核心问题是神经的区域性损伤,虽然医师通过经验能够大致判断神经受损情况,但我国脑卒中患者数量大、发病原因不同、医师数量不足、治疗阶段不一致,无法准确判断患者的神经损伤程度。因此本论文针对由脑卒中导致的运动神经损伤患者,提出了一种基于表面肌电信号的腕部运动神经受损程度评价方法,论文主要内容如下:首先,研究表面肌电信号的产生机理,对表面肌电信号进行特征分析,并对表面肌电信号进行信号建模和模型分析,使用表面肌电采集系统完成受试者的腕部表面肌电信号采集和信号包络提取工作。其次,对表面肌电信号的噪声来源进行分析,探究最为有效的消噪方法和参数。具体是对信号进行小波包降噪处理,并分别从时域、频域和时频域角度选择信号特征提取方法。实验后发现基于小波包分析的信号特征提取在不同动作中的区分度较高,经过小波包系数奇异值、能量值和最大绝对值对比后,采用能量值系数和最大绝对值系数组成的联合特征向量作为表面肌电信号特征向量,以便后续的运动神经损伤程度评价。然后,对不同分期脑卒中患者进行腕部表面肌电信号特征分析。观察不同Brunnstrom运动功能分期患者表面肌电信号,探究Brunnstrom分期与运动神经损伤程度之间的相关性。为了保证腕部运动神经受损程度分类的准确性,本文分别采用BP神经网络和支持向量机方法对特征提取后的特征向量进行训练和预测,建立腕部运动神经受损程度评价模型。最后,为了验证本文提出的腕部运动神经受损程度评价方法在实际测试中的效果,本文通过Lab VIEW对评价模型进行了软件系统的设计与开发,阐述了软件的设计流程与使用方法,使患者可以通过软件进行自主测试,客观了解自身的神经功能阶段。
曹舒悦[8](2020)在《基于振动信号小波变换的电机故障诊断方法研究》文中进行了进一步梳理作为机械动力设备,电机是现代生产中最常见的设备之一,在农业机械、石油化工、船舶动力等领域应用广泛,其运行状况关系到设备安全。一旦电机出现故障,将会降低生产效率,甚至造成经济损失,引发危及生命财产安全的严重事故。然而电机内部结构复杂,工作状况不定,突发故障的可能性较大。因此,实时进行电机运行状态监测,明确电机有无故障,并在故障发生时及时诊断故障类型,对电机设备稳定和安全运行具有十分重要的意义。在电机故障诊断与监测领域中,利用其运行时产生的振动信号进行分析,是获取电机运行状态的有效途径。为此,论文提出一种基于振动信号小波变换的电机故障诊断方法。在掌握小波变换及其消噪技术的基础上,通过分析对比小波分解与重构法、小波阈值消噪、模极大值重构滤波消噪三种方法的优缺点,选择了小波阈值消噪法来进行滤波消噪。基于小波变换模极大值(WTMM)与Lipschitz指数的关系,对消噪后的信号进行奇异性分析,提取了合适的特征值,准确地反映了故障局部特征和奇异性成分。论文以某三相四极永磁同步电机为研究对象,搭建实验平台,在平台上模拟电机定子不同程度的匝间短路及基座松动故障,并设计了一套振动信号采集系统,实现了不同故障下对振动信号的实时采集。在理论分析基础上,对电机正常运行、基座轻微松动、基座严重松动以及电机发生10%、20%、30%匝间短路故障这六种运行状态的电机振动信号进行信号采集、小波消噪、奇异性分析和特征提取。用提取的特征值构建特征向量,将特征向量输入概率神经网络中创建网络模型,并进行故障诊断测试。结果表明:基于振动信号小波变换结合概率神经网络的诊断方法,可有效地对电机故障类型和故障的严重程度做出判断,在电机故障诊断研究中取得了良好的效果,同样地,该方法也适用于其他旋转机械设备的故障诊断。
郭田丽[9](2020)在《区域地下水埋深的数据驱动预报模型研究》文中研究表明地下水埋深预报对于区域地下水开发利用、水资源评价管理和地质灾害的治理具有重要的科学意义。本文综述了随机模型、灰色模型、模糊模型、人工神经网络预测模型和混合预测模型的研究进展,分析总结已取得的成果和存在的问题,并针对目前研究中存在的不足,选用陕西省关中地区20个监测井的月地下水埋深资料,选定平均绝对误差(MAE)、平均相对误差(MRE)、均方根误差(RMSE)、均方百分比误差(MSPE)、确定性系数(R2)和纳什效率系数(NSE)6个误差指标以及预报合格率(QR)和预报项目精度分级,开展研究区地下水埋深序列的预报模型研究与综合评价。本文的主要研究内容和结论如下:(1)建立BP网络、支持向量机(SVM)和核极限学习机(KELM)3种单一人工神经网络预测模型,将基于单一人工神经网络的预测模型用于研究区地下水埋深预报。研究发现,在训练期,三种预报模型对于所有监测井均表现出较好的拟合效果。在验证期,SVM模型和KELM模型的预测性能优于BP网络模型,BP网络模型的预测结果比较杂乱,规律性较差,而SVM模型和KELM模型能较好地预测出地下水埋深序列的趋势变化和周期波动特征。这可能是因为SVM模型和KELM模型引入正则项惩罚因子,可以有效地避免训练期的数据过拟合,进而提高模型的泛化能力。同时,网络搜索交叉验证参数寻优法和PSO优化算法可以防止试错法和人为确定主观性的影响,为模型参数的确定提供一种更为合理、科学和有效的途径。同时,SVM模型和KELM模型的预测能力各有千秋,但是两个模型存在共同的不足之处是:它们对极值点的预测能力较差,并且普遍存在预测序列存在一个月延迟的情形。(2)基于小波(WA)消噪方法和变模态分解(VMD)消噪技术,构建新型基于消噪方法的混合人工神经网络预报模型(WA-BP、WA-SVM、WA-KELM、VMD-BP、VMD-SVM、VMD-KELM模型)。研究区地下水埋深预报结果表明,BP网络模型的两种混合预测模型的预测能力比SVM和KELM的混合模型的预测能力差,无论是对于地下水埋深的趋势项、周期波动项和极值点等的预测,还是预测时存在的一个月延迟误差,SVM和KELM的混合模型都能较好地改善,但是还是难以准确预测极值点。在3种基于小波消噪的混合预测模型中,WA-SVM的预测精度更高,在3种基于VMD消噪技术的混合预测模型中,VMD-KELM的预测精度更高。这说明小波消噪技术更适合于SVM模型进行结合,而VMD消噪技术则更适合与KELM模型相结合而组成一种精度高、适用性强的混合预测模型。(3)研究区地下水埋深预报模型优选。结果表明最优模型均为改进的混合模型。监测井W19的优选模型为WA-SVM模型,#100、K423和W15-1的优选模型为VMD-SVM模型,监测井K110、K214、K106、#85-1、J16、589、N16、E12-1、232、261、B9、267、B557、CQ19、W25-2和W15的优选模型为VMD-KELM模型。这些结果说明混合模型可以减小预报误差,提高预报精度。这可能是因为本文所应用的消噪方法能有效地提取地下水埋深序列中的趋势分量和周期分量,降低了序列中的噪声成分,较好地提高预测精度。同时,研究区19个监测井的优选模型为基于VMD分解消噪技术的混合预测模型,只有一个监测井的优选模型为基于小波消噪的混合预测模型。这说明文中提出的新型VMD分解消噪技术比小波阈值消噪方法更适合与人工神经网络预测模型耦合去预测研究区地下水埋深。综上,通过研究区监测井的数据驱动模型的构建,并基于选定的误差指标和精度评价指标进行模型评价择优可以发现,改进的混合模型可以较好地利用实测数据所提供的信息,提高预报精度,增强模型的适用性。
殷婷婷[10](2020)在《隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统研究》文中认为作为传统炮射旋转弹丸低成本精确化改造的重要思路,隔转鸭舵式弹道修正弹成为了近年来国内外精确打击弹药的研究热点。其中,作为弹道修正的执行机构,鸭舵的滚转姿态探测与控制是实现弹道修正的重要前提和保证。隔转鸭舵式弹道修正弹鸭舵滚转系统具有双旋耦合、非线性、转速时变、弹体高旋、外部随机扰动、小体积等复杂特点,加上低成本限制下传感器的精度、信息量以及抗干扰能力均有限,给鸭舵滚转控制研究提出了难题。为此,本文以数值仿真与试验相结合的方法,围绕隔转鸭舵式弹道修正弹固定鸭舵的滚转特性建模、滚转姿态测量与控制策略、滚转姿态测量优化方法和滚转姿态控制算法等内容展开了研究。为了精确预测固定鸭舵的动态滚转响应特征,基于数值仿真与试验建立了隔转鸭舵式弹道修正弹固定鸭舵滚转系统动态模型。根据风洞试验验证的鸭舵准静态气动力模型和地面平台试验建立的Lu Gre摩擦模型,建立了耦合条件下的固定鸭舵滚转系统动力学模型,确立了电磁执行机构的滚转特性和设计需求。基于地面动态试验,得到了电磁执行机构在不同转速和控制参数下的电磁力矩数据库,验证了电磁执行机构的控制能力;获取了电磁执行机构的时域响应特性,结合拉氏变换计算传递函数,建立了包含电磁控制力矩动态响应模型的固定鸭舵滚转控制系统模型。风洞试验结果验证了模型的准确性,系统动力学模型预测误差在±1%以内,控制系统模型预测误差在±1.5%以内。为了实现固定鸭舵的滚转姿态实时测量与控制,提出了基于弹体滚转姿态与鸭舵相对弹体滚转姿态的固定鸭舵滚转姿态间接测量模型,建立了基于并行处理器的三闭环鸭舵滚转测控系统。根据双旋滚转特征,建立了基于霍尔传感器的相对滚转姿态工程测量模型和基于卫星/地磁组合的弹体滚转姿态工程解算模型,分析了各项因素对解算误差的影响规律。基于固定鸭舵的滚转控制原理,建立了基于并行处理器的隔转鸭舵式弹道修正弹鸭舵滚转控制系统,利用地面半实物仿真试验平台完成了固定鸭舵的滚转姿态探测与控制试验,验证了测控系统的可行性。为了获得高精度的鸭舵滚转姿态反馈,分别重点研究了弹体和鸭舵相对弹体的滚转姿态测量优化方法。研究了基于小波分析方法的地磁序列消噪方法,根据离线确定的小波函数和在线自适应确定的小波分解重构水平提取仅与弹体滚转相关的地磁序列,继而提出了一种基于改进滚动时域估计与无迹卡尔曼滤波算法的弹体滚转姿态优化估计算法。针对工程解法在高动态下测量相对滚转姿态的滞后性,利用线性近似的固定鸭舵相对弹体滚转运动模型精确求解相对滚转姿态。基于地面试验平台,完成了对鸭舵滚转姿态测量优化方法的试验验证。为了实现固定鸭舵滚转控制系统的快速、高精度及鲁棒性控制,首先,提出了一种基于输出反馈型扩张状态观测器的鸭舵滚转角速率直接模型预测控制方法,扩张状态观测器估计系统扰动并以前馈补偿的方式融入控制器设计,结合舵翼滚转模型实现滚转状态预测和控制,在转速更新时间间隔内对非线性参数进行线性化处理,将复杂的积分遍历运算转换为低阶函数直接求解问题,结果表明:该方法能快速准确地对状态和干扰进行估计,角速率控制响应具有精度高、响应快的特点;另外,提出了一种基于连续可微Lu Gre摩擦模型的鸭舵滚转位置鲁棒自适应控制方法,通过对未建模扰动的上界进行自适应估计,设计了扰动补偿鲁棒反馈项;通过对摩擦、气动以及控制力矩参数进行在线自适应估计,并结合摩擦补偿设计了自适应控制律,降低了系统对参数不确定性及时变扰动的敏感度,结果表明:该方法能准确地对时变参数和扰动进行估计和补偿,鸭舵滚转位置控制精度高、稳定性好、鲁棒性强。为了检验鸭舵滚转动态模型、鸭舵滚转姿态探测与控制方法的有效性,完成了基于炮射试验平台的鸭舵滚转测量与控制性能验证试验。将弹丸飞行参数输入模型,将仿真得到的鸭舵滚转动态曲线与试验曲线进行对比,验证了固定鸭舵滚转系统模型的有效性。将优化后的鸭舵滚转姿态数据与直接观测结果进行对比,优化方法具有更好的稳定性和精度。仿真研究了基于扩张状态观测器的舵翼转速预测控制算法和基于改进Lu Gre摩擦模型的鲁棒自适应控制算法,对比结果表明:基于扩张状态观测器的舵翼转速预测控制算法控制响应最快且控制效果最好,基于改进Lu Gre摩擦模型的鲁棒自适应控制算法的稳定性和精度更高。根据隔转鸭舵式弹道修正弹的修正精度和落点分布特征,进一步验证了隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统的性能。
二、自适应阈值选择和小波消噪方法研究(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、自适应阈值选择和小波消噪方法研究(论文提纲范文)
(1)基于自适应阈值的小波BP神经网络风电变桨系统故障预测(论文提纲范文)
0 引言 |
1 自适应阈值的小波原理分析 |
1.1 小波分析 |
1.2 自适应阈值的小波去噪 |
1.3 基于自适应阈值的小波去噪效果验证 |
2 自适应阈值的小波BP神经网络算法 |
2.1 BP神经网络算法分析 |
2.2 自适应阈值的小波BP神经网络算法分析 |
3 实验结果分析 |
3.1 实验数据构成 |
3.2 性能评估指标 |
3.3 实验结果分析 |
(1)预测性能指标分析 |
(2)预测输出与实际输出 |
(3)预测误差指标对比 |
4 结论 |
(2)基于时频分析的心电信号处理方法研究(论文提纲范文)
致谢 |
摘要 |
Abstract |
1 绪论 |
1.1 研究背景概述 |
1.2 心电信号生理学基础 |
1.2.1 心电信号的产生与组成 |
1.2.2 常见的心电信号监测设备 |
1.3 心电信号研究现状 |
1.3.1 心电信号预处理算法研究现状 |
1.3.2 心电信号特征提取算法研究现状 |
1.3.3 心电信号分类识别算法研究现状 |
1.3.4 研究现状的分析及评价 |
1.4 研究内容及意义 |
1.5 本文章节安排 |
2 基于时频分析的信号分解技术 |
2.1 引言 |
2.2 常用时频分析方法 |
2.2.1 短时傅里叶变换STFT |
2.2.2 小波变换WT |
2.3 常用单维信号分解方法 |
2.3.1 经验模式分解EMD |
2.3.2 集合经验模态分解EEMD |
2.3.3 互补集合经验模态分解CEEMD |
2.3.4 单维信号分解方法比较 |
2.4 常用多维信号分解方法 |
2.4.1 多变量经验模式分解MEMD |
2.4.2 快速多变量经验模式分解FMEMD |
2.4.3 多维信号分解方法比较 |
2.5 本章小结 |
3 基于信号分解的心电信号预处理方法 |
3.1 引言 |
3.2 心电信号预处理方法 |
3.2.1 自适应滤波方法 |
3.2.2 小波变换方法 |
3.2.3 经验模态分解方法 |
3.3 基于CEEMD与信号相关性的ECG自动化预处理方法 |
3.3.1 问题描述 |
3.3.2 算法提出 |
3.4 实验与讨论 |
3.4.1 数据集简介 |
3.4.2 性能指标简介 |
3.4.3 合成含噪ECG信号去噪实验及结果分析 |
3.4.4 真实含噪ECG信号去噪实验及结果分析 |
3.4.5 不同用户对象含噪ECG信号去噪实验及结果分析 |
3.5 本章小结 |
4 基于信号分解的多维abdECG特征提取方法 |
4.1 引言 |
4.2 基于FMEMD的胎儿心率特征提取方法 |
4.2.1 问题描述 |
4.2.2 算法提出 |
4.3 实验与讨论 |
4.3.1 数据集简介 |
4.3.2 实验结果 |
4.3.3 结果分析 |
4.4 本章小结 |
5 总结与展望 |
5.1 工作总结 |
5.2 研究展望 |
参考文献 |
作者简历 |
攻读学位期间取得的研究成果 |
(3)多绳摩擦式提升机钢丝绳张力检测技术研究(论文提纲范文)
摘要 |
Abstract |
变量注释表 |
1 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状和检测方法 |
1.3 主要研究内容 |
1.4 本章小结 |
2 系统方案设计及理论基础 |
2.1 钢丝绳受力及动力学分析 |
2.2 小波变换和消噪理论基础 |
2.3 钢丝绳张力检测设计方案 |
2.4 本章小结 |
3 检测系统硬件设计 |
3.1 张力计算理论分析 |
3.2 检测装置结构设计 |
3.3 检测系统硬件电路设计 |
3.4 本章小结 |
4 检测系统软件设计 |
4.1 系统软件总体分析设计 |
4.2 DGUS屏设计 |
4.3 上位机设计 |
4.4 小波消噪设计 |
4.5 本章小结 |
5 系统调试与分析 |
5.1 检测装置校准 |
5.2 系统硬件调试 |
5.3 系统整体调试 |
5.4 本章小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
附录 硬件原理图 |
作者简历 |
致谢 |
学位论文数据集 |
(4)水文序列预测模型的耦合及优化研究 ——以磨刀溪为例(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 国内外研究现状 |
1.2.1 国内外关于水文序列特性分析研究进展 |
1.2.2 国内外关于水文序列预测模型研究进展 |
1.3 研究内容和技术路线 |
第二章 水文序列分析方法研究 |
2.1 水文序列周期分析方法 |
2.1.1 傅里叶分析 |
2.1.2 最大熵谱分析 |
2.2 水文序列跳跃成分识别 |
2.2.1 时序累计值相关曲线法 |
2.2.2 有序聚类分析法 |
2.2.3 Man-Kendall法 |
2.3 水文序列趋势成分识别 |
2.3.1 滑动平均法 |
2.3.2 Kendall秩次相关检验 |
2.3.3 趋势回归检验 |
2.4 水文序列的小波分析方法 |
2.4.1 小波函数选择研究 |
2.4.2 小波分解尺度的研究 |
2.4.3 基于小波方法的水文序列消噪处理 |
2.4.4 水文序列周期的小波分析方法 |
2.5 本章小节 |
第三章 水文序列预测方法研究 |
3.1 自回归模型 |
3.1.1 模型结构 |
3.1.2 模型的参数估计 |
3.1.3 模型的识别 |
3.1.4 算例分析 |
3.2 马尔科夫预测模型 |
3.2.1 模型理论 |
3.2.2 算例分析 |
3.3 模糊分析 |
3.3.1 模型理论 |
3.3.2 算例分析 |
3.4 灰色系统分析 |
3.4.1 模型理论 |
3.4.2 算例分析 |
3.5 本章小节 |
第四章 水文序列预测模型耦合的研究 |
4.1 人工神经网络 |
4.1.1 BP神经网络 |
4.1.2 RBF神经网络 |
4.1.3 GRNN神经网络 |
4.2 小波神经网络耦合模型 |
4.2.1 模型理论 |
4.2.2 算例分析 |
4.3 水文序列时间尺度对耦合模型预测结果的影响 |
4.4 水文序列复杂特性对耦合模型预测结果的影响 |
4.5 模型的不足及改进 |
4.6 本章小节 |
第五章 水文序列预测模型优化的研究 |
5.1 遗传算法基本理论 |
5.2 GA优化的WNN模型 |
5.3 GA优化的WNN模型算法流程 |
5.4 WA-GA-ANN模型仿真 |
5.5 本章小节 |
第六章 结论与展望 |
6.1 结论 |
6.2 研究展望 |
致谢 |
参考文献 |
在学期间发表的论文和参加的项目 |
一、在学期间发表的论文 |
二、科研项目 |
三、在学期间获奖情况 |
(5)基于深度学习的行星齿轮箱故障诊断研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题的背景和意义 |
1.1.1 课题的背景 |
1.1.2 课题的意义 |
1.2 国内外研究现状 |
1.2.1 行星齿轮箱振动信号处理方法探究进展 |
1.2.2 依据深度学习的智能故障诊断探究进展 |
1.3 课题来源 |
1.4 论文的研究内容及总体框架 |
第2章 依据小波包阈值消噪的振动信号预处理方法 |
2.1 引言 |
2.2 小波消噪原理 |
2.3 小波包消噪原理 |
2.4 基于阈值法的小波和小波包消噪对比 |
2.4.1 阈值函数的选取 |
2.4.2 基函数和分解层数的选取 |
2.4.3 消噪效果的评价标准 |
2.4.4 小波和小波包消噪仿真及分析 |
2.5 本章小结 |
第3章 依据语谱分析的振动信号处理方法 |
3.1 引言 |
3.2 语谱图 |
3.3 语谱图的产生机理 |
3.4 风机增速箱非平稳加速度信号语谱分析 |
3.4.1 风机增速箱加速度信号的短时加窗处理 |
3.4.2 风机增速箱加速度信号语谱的生成 |
3.5 本章小结 |
第4章 依据CNN的行星齿轮箱故障诊断方法 |
4.1 引言 |
4.2 卷积神经网络 |
4.2.1 卷积神经网络的组成 |
4.2.2 卷积神经网络的激活函数 |
4.2.3 反向传播算法 |
4.3 卷积神经网络的优化方法 |
4.3.1 正则化—Batch normalization |
4.3.2 参数优化—Adam算法 |
4.4 基于CNN的行星齿轮箱故障诊断实例 |
4.4.1 面向行星齿轮箱故障诊断的CNN设计 |
4.4.2 平稳工况下的复合行星减速箱太阳轮故障诊断试验 |
4.4.3 非平稳工况下的风机增速箱齿轮故障诊断试验 |
4.5 本章小结 |
第5章 依据CNN的行星齿轮箱迁移学习故障诊断方法 |
5.1 引言 |
5.2 迁移学习故障诊断原理 |
5.3 依据CNN的迁移学习故障诊断模型结构搭建及训练方法 |
5.4 依据CNN的推土机变速箱太阳轮迁移学习故障诊断实例 |
5.4.1 样本集制作 |
5.4.2 迁移学习神经网络的搭建与训练 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读硕士学位期间发表学术论文及参与科研项目的情况 |
致谢 |
学位论文评阅及答辩情况表 |
(6)次声波检测技术在长输油管道的应用研究(论文提纲范文)
摘要 |
abstract |
1 绪论 |
1.1 研究背景和意义 |
1.2 国内外输油管道发展 |
1.3 国内外管道事故 |
1.4 泄漏检测方法 |
1.5 国内外管道检测技术发展 |
1.5.1 国外检测技术发展 |
1.5.2 国内检测技术发展 |
1.6 研究内容 |
2 输油管道泄漏次声信号分析与研究 |
2.1 次声波简介 |
2.2 输油管道泄漏次声波的产生与传播 |
2.2.1 输油管道泄漏的声波模型 |
2.2.2 输油管道次声波传播特性 |
2.2.3 泄漏声波信号的影响因素 |
2.3 次声波法泄漏的定位原理 |
2.3.1 次声波传播速度公式 |
2.3.2 泄漏点定位修正公式 |
2.4 系统噪声 |
3 次声波信号的小波分析与时延估计 |
3.1 小波变换 |
3.1.1 小波变换理论简介 |
3.1.2 离散小波变换 |
3.1.3 管道泄漏中的小波函数选择 |
3.2 小波消噪 |
3.3 次声波时延估计算法 |
3.3.1 基本互相关时延估计算法 |
3.3.2 广义互相关时延估计方法 |
3.3.3 最小均方误差自适应时延估计算法 |
4 管道泄漏检测系统的实验与软件设计 |
4.1 输油管道泄漏检测软件设计 |
4.1.1 LabVIEW与虚拟仪器系统概述 |
4.1.2 LabVIEW程序设计 |
4.2 检测系统实验测试 |
4.2.1 现场实验环境简介 |
4.2.2 实验流程及结果 |
4.3 性能评价 |
5 总结与展望 |
参考文献 |
致谢 |
(7)基于表面肌电的腕神经受损评价方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 脑卒中物理康复现状 |
1.2.2 脑卒中智能康复现状 |
1.2.3 表面肌电信号采集与处理现状 |
1.2.4 运动神经受损程度评价现状 |
1.3 研究内容分析及总结 |
1.4 本文课题来源 |
1.5 本文章节分布 |
第二章 表面肌电信号产生机理及特征分析 |
2.1 表面肌电信号概述 |
2.1.1 表面肌电信号产生机理 |
2.1.2 表面肌电信号特征分析 |
2.2 表面肌电信号数学模型 |
2.2.1 线性系统模型 |
2.2.2 非平稳模型 |
2.3 基于表面肌电系统的信号采集实验方案设计 |
2.3.1 实验目的 |
2.3.2 实验对象 |
2.3.3 表面肌电信号采集装置 |
2.3.4 表面电极放置 |
2.3.5 信号包络提取 |
2.3.6 信号包络提取结果分析 |
2.4 本章小结 |
第三章 表面肌电信号数据消噪与特征提取研究 |
3.1 表面肌电信号噪声分析 |
3.2 表面肌电信号消噪方法研究 |
3.2.1 表面肌电信号的小波消噪 |
3.2.2 表面肌电信号的小波包消噪 |
3.3 表面肌电信号特征提取 |
3.3.1 基于时域分析的信号特征提取 |
3.3.2 基于频域分析的信号特征提取 |
3.3.3 基于时频域分析的信号特征提取 |
3.4 实验结果与分析 |
3.5 本章小结 |
第四章 不同分期脑卒中患者腕部运动神经损伤评价 |
4.1 Brunnstrom分期与运动神经损伤程度之间关系 |
4.2 BP神经网络在表面肌电信号中的分类与决策 |
4.2.1 BP神经网络分类器概述 |
4.2.2 BP神经网络的算法分类原理 |
4.2.3 基于BP神经网络的腕部Brunnstrom分期检测与分类 |
4.3 支持向量机在表面肌电信号中的分类与决策 |
4.3.1 支持向量机的算法分类原理 |
4.3.2 基于支持向量机的腕部Brunnstrom分期检测与分类 |
4.4 本章小结 |
第五章 基于表面肌电信号的腕部运动神经受损评价软件设计与应用 |
5.1 软件模块及流程设计 |
5.2 软件框架设计 |
5.3 软件使用方法 |
5.4 本章小结 |
总结与展望 |
全文总结 |
工作展望 |
参考文献 |
作者在攻读硕士学位期间的科研成果 |
致谢 |
(8)基于振动信号小波变换的电机故障诊断方法研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 课题研究背景及意义 |
1.2 国内外研究现状与关键技术 |
1.2.1 信号处理技术研究现状 |
1.2.2 电机常见故障及诊断方法 |
1.2.3 电机故障诊断关键性技术 |
1.3 课题主要工作与创新点 |
1.4 论文组织结构 |
第二章 振动信号处理与特征值提取 |
2.1 小波消噪技术 |
2.1.1 小波消噪原理及方法 |
2.1.2 小波消噪效果分析 |
2.2 振动信号预处理 |
2.2.1 振动信号小波消噪处理 |
2.2.2 标定变换与去直流分量 |
2.2.3 消除趋势项 |
2.3 基于Lipschitz指数的信号奇异性分析 |
2.3.1 小波变换与WTMM |
2.3.2 小波变换模极大值与Lipschitz指数 |
2.3.3 典型信号奇异性效果分析 |
2.4 基于Lipschitz指数的信号特征值提取 |
2.4.1 基于电机振动信号获取李氏指数 |
2.4.2 信号特征值提取 |
2.5 本章小结 |
第三章 基于概率神经网络的故障分类 |
3.1 神经网络模式识别理论基础 |
3.1.1 径向基函数 |
3.1.2 广义径向基函数网络 |
3.1.3 RBF神经网络算法与参数优化 |
3.2 电机故障识别的概率神经网络 |
3.2.1 Bayes决策理论 |
3.2.2 Parzen窗估计 |
3.2.3 概率神经网络的结构 |
3.3 概率神经网络的故障分类 |
3.4 本章小结 |
第四章 电机振动信号采集系统软硬件设计 |
4.1 振动信号采集系统整体设计 |
4.2 振动信号采集硬件电路设计 |
4.2.1 振动传感器及监测点的选择 |
4.2.2 DSP核心处理模块 |
4.2.3 模数转换模块 |
4.2.4 上位机通信接口模块 |
4.3 振动信号采集系统的软件设计 |
4.3.1 系统主程序设计 |
4.3.2 中断服务程序设计 |
4.3.3 串行通信程序设计 |
4.4 本章小结 |
第五章 电机故障诊断实验与分析 |
5.1 实验方法与实验平台 |
5.1.1 电机常见故障及原因分析 |
5.1.2 实验样机定子故障模拟方法 |
5.1.3 电机振动信号采集实验平台搭建 |
5.2 电机故障诊断实验与分析 |
5.2.1 振动信号处理与奇异性分析 |
5.2.2 基于李氏指数的信号特征值提取 |
5.3 故障分类与诊断结果 |
5.3.1 概率神经网络故障分类 |
5.3.2 诊断结果 |
5.4 本章小结 |
第六章 总结与展望 |
6.1 研究工作总结 |
6.2 研究工作展望 |
参考文献 |
致谢 |
攻读硕士学位期间的成果 |
(9)区域地下水埋深的数据驱动预报模型研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究目的及意义 |
1.2 国内外研究进展 |
1.2.1 数据驱动模型研究现状 |
1.2.2 存在的问题 |
1.3 研究内容和技术路线 |
1.3.1 研究内容 |
1.3.2 技术路线 |
1.4 本章小结 |
第二章 基本理论概述 |
2.1 变模态分解方法的原理与流程 |
2.1.1 VMD算法原理 |
2.1.2 VMD算法步骤 |
2.2 小波分析 |
2.3 误差反传前馈网络模型 |
2.3.1 人工神经网络 |
2.3.2 误差反传前馈网络 |
2.4 支持向量机 |
2.5 极限学习机 |
2.5.1 极限学习机原理 |
2.5.2 核极限学习机 |
2.6 粒子群优化算法原理 |
第三章 基于VMD分解的地下水埋深序列统计特征分析 |
3.1 研究区概况 |
3.1.1 自然地理特征 |
3.1.2 气候 |
3.1.3 地下水概况 |
3.2 研究区站点情况 |
3.2.1 地下水埋深数据特性分析 |
3.2.2 变模态分解方法的应用 |
3.3 模型综合评价指标 |
3.4 本章小结 |
第四章 基于人工神经网络模型的地下水埋深预报 |
4.1 BP神经网络 |
4.1.1 模型的构建 |
4.1.2 结果分析与比较 |
4.2 支持向量机 |
4.2.1 模型的构建 |
4.2.2 结果分析与比较 |
4.3 核极限学习机 |
4.3.1 模型的构建 |
4.3.2 结果分析与比较 |
4.4 本章小结 |
第五章 基于小波消噪的混合预测模型 |
5.1 基于小波消噪的混合预测模型的构建 |
5.2 模型的应用 |
5.2.1 基于小波消噪的BP神经网络混合预报模型 |
5.2.2 基于小波消噪的SVM混合预报模型 |
5.2.3 基于小波消噪的KELM混合预报模型 |
5.3 本章小结 |
第六章 基于VMD分解消噪技术的混合预测模型 |
6.1 基于分解技术的混合预测模型的构建 |
6.2 模型应用 |
6.2.1 基于VMD消噪技术的BP混合预报模型 |
6.2.2 基于VMD消噪技术的SVM混合预报模型 |
6.2.3 基于VMD消噪技术的KELM混合预报模型 |
6.3 本章小结 |
第七章 模型的综合评价 |
第八章 结论与展望 |
8.1 结论 |
8.2 展望 |
参考文献 |
致谢 |
作者简介 |
(10)隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统研究(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 选题背景及意义 |
1.2 隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统的研究概述 |
1.2.1 隔转鸭舵式弹道修正弹的研制进展 |
1.2.2 固定鸭舵滚转控制系统的研究进展分析 |
1.3 隔转鸭舵式弹道修正弹鸭舵滚转控制系统关键技术研究现状 |
1.3.1 固定鸭舵滚转系统建模 |
1.3.2 电磁执行机构 |
1.3.3 滚转姿态探测 |
1.3.4 控制系统架构 |
1.3.5 控制算法 |
1.3.6 隔转鸭舵滚转控制系统尚存在的难题 |
1.4 本文的主要研究内容 |
2 隔转鸭舵式弹道修正弹固定鸭舵滚转系统建模与仿真研究 |
2.1 引言 |
2.2 隔转鸭舵式弹道修正弹固定鸭舵滚转系统动力学模型研究 |
2.2.1 基于Lu Gre摩擦模型的隔转机构摩擦力矩模型 |
2.2.2 固定鸭舵的气动导转力矩模型 |
2.2.3 耦合条件下的固定鸭舵滚转通道动力学模型参数估计 |
2.3 基于双旋特性的电磁执行机构设计 |
2.3.1 不同发射条件下的双旋滚转特性研究 |
2.3.2 不同发射条件下的电磁执行机构需求分析 |
2.3.3 基于PMSG的电磁执行机构设计 |
2.4 基于试验的电磁执行机构动态响应特性建模 |
2.5 隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统模型研究 |
2.6 基于风洞试验的固定鸭舵滚转系统仿真模型验证 |
2.7 本章小结 |
3 隔转鸭舵式弹道修正弹固定鸭舵滚转测控系统研究 |
3.1 引言 |
3.2 隔转鸭舵式弹道修正弹固定鸭舵滚转姿态间接测量模型 |
3.2.1 坐标系定义及转换关系 |
3.2.2 弹体坐标系内的固定鸭舵滚转姿态间接测量动态模型 |
3.3 基于霍尔传感器的固定鸭舵相对弹体滚转工程测量模型 |
3.3.1 基于霍尔传感器的鸭舵相对弹体滚转测量原理及工程解算模型 |
3.3.2 基于霍尔传感器的相对滚转姿态工程解算方法误差模型 |
3.4 基于卫星/地磁组合的弹体滚转姿态测量模型 |
3.4.1 基于卫星/地磁组合的弹体滚转姿态工程解算模型 |
3.4.2 基于卫星/地磁组合的弹体滚转姿态工程解算方法误差模型 |
3.5 基于并行处理器的三闭环固定鸭舵滚转测控系统设计 |
3.6 基于地面平台的固定鸭舵滚转控制系统试验验证 |
3.7 本章小结 |
4 鸭舵滚转姿态测量优化方法研究 |
4.1 引言 |
4.2 基于小波分析方法的地磁序列消噪方法研究 |
4.2.1 基于离散小波变换的地磁序列分解和重构 |
4.2.2 基于地磁序列变化特性的小波函数离线选择依据和方法 |
4.2.3 滚动时域窗内小波分解重构层数的在线自适应选择方法 |
4.2.4 基于地面平台的小波消噪方法试验验证 |
4.3 基于改进滚动时域估计与无迹卡尔曼滤波的弹体滚转姿态优化算法 |
4.3.1 基于滚动时域估计的弹体滚转角速率优化算法 |
4.3.2 基于噪声统计在线估计型UKF的弹体滚转角度估计算法 |
4.3.3 基于NMHE与 UKF的弹体滚转姿态估计算法 |
4.3.4 基于地面平台的弹体滚转姿态优化估计算法验证 |
4.4 高动态下的固定鸭舵相对弹体滚转姿态解算方法研究 |
4.4.1 高动态下的固定鸭舵相对弹体滚转运动模型 |
4.4.2 基于模型的相对滚转姿态解算方法研究 |
4.4.3 基于线性近似动态模型的相对滚转姿态解算方法研究 |
4.4.4 基于地面平台的固定鸭舵相对弹体姿态解算方法验证 |
4.5 本章小结 |
5 基于固定鸭舵动态模型的滚转控制算法研究 |
5.1 引言 |
5.2 基于ESODPC的固定鸭舵滚转角速度控制算法研究 |
5.2.1 舵翼滚转角速度控制系统描述及数学模型 |
5.2.2 基于ESODPC的舵翼滚转角速度控制器设计 |
5.2.3 基于鸭舵滚转特性的ESODPC简化算法研究 |
5.2.4 鸭舵滚转角速度控制算法仿真验证 |
5.3 基于改进Lu Gre摩擦模型的鲁棒自适应鸭舵滚转位置控制算法研究 |
5.3.1 基于改进型Lu Gre摩擦模型的舵翼滚转位置控制系统模型 |
5.3.2 基于改进摩擦模型的鲁棒自适应鸭舵位置控制器设计 |
5.3.3 鸭舵滚转位置控制算法仿真验证 |
5.4 本章小结 |
6 隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统试验验证 |
6.1 引言 |
6.2 试验系统方案 |
6.2.1 试验系统设计 |
6.2.2 试验方案设计 |
6.2.3 试验样机设计 |
6.2.4 测控性能判据 |
6.3 固定鸭舵滚转控制系统飞行试验验证 |
6.3.1 基于飞行试验的固定鸭舵滚转模型验证 |
6.3.2 基于飞行试验的固定鸭舵滚转姿态测量与优化方法验证 |
6.3.3 基于飞行试验的固定鸭舵滚转控制系统及控制算法验证 |
6.3.4 基于固定鸭舵滚转控制系统的弹道修正弹丸飞行试验验证 |
6.4 本章小结 |
7 总结与展望 |
7.1 论文总结 |
7.2 论文创新点 |
7.3 研究工作展望 |
致谢 |
参考文献 |
附录 |
四、自适应阈值选择和小波消噪方法研究(论文参考文献)
- [1]基于自适应阈值的小波BP神经网络风电变桨系统故障预测[J]. 肖成,刘作军,张磊. 可再生能源, 2021(02)
- [2]基于时频分析的心电信号处理方法研究[D]. 张家玥. 浙江大学, 2021(01)
- [3]多绳摩擦式提升机钢丝绳张力检测技术研究[D]. 刘淑婷. 山东科技大学, 2020(06)
- [4]水文序列预测模型的耦合及优化研究 ——以磨刀溪为例[D]. 程扬. 重庆交通大学, 2020(01)
- [5]基于深度学习的行星齿轮箱故障诊断研究[D]. 杨枫. 山东大学, 2020
- [6]次声波检测技术在长输油管道的应用研究[D]. 刘小多. 辽宁石油化工大学, 2020(04)
- [7]基于表面肌电的腕神经受损评价方法研究[D]. 李壮. 广东工业大学, 2020(06)
- [8]基于振动信号小波变换的电机故障诊断方法研究[D]. 曹舒悦. 江苏大学, 2020(02)
- [9]区域地下水埋深的数据驱动预报模型研究[D]. 郭田丽. 西北农林科技大学, 2020(02)
- [10]隔转鸭舵式弹道修正弹固定鸭舵滚转控制系统研究[D]. 殷婷婷. 南京理工大学, 2020(01)