行星齿轮箱振动信号包含多种频率成分和噪声干扰，频谱具有复杂的边带结构，容易对故障识别造成误导甚至引起错判.在不同故障状态下，行星齿轮箱振动信号的多域特征量将偏离正常范围且偏离程度不同，根据这一特点，提取振动信号的时域、频域特征参量用于故障识别.为了避免传统分析方法中负频率及虚假模态问题，增强对噪声干扰的鲁棒性，采用局部均值分解法将信号自适应地分解为单分量之和，提取时频域单分量瞬时幅值能量.针对多域特征空间构造过程中出现的高维及非线性问题，采用流形学习对数据进行降维处理.提出基于改进的虚假近邻点的本征维数估计及最优k邻域确定方法，并通过等距映射对多域特征空间进行降维分析.对于行星齿轮箱实验信号，根据样本流形特征聚类结果，分别识别出了太阳轮、行星轮和齿圈的局部故障，从而验证了上述方法的有效性

针对不同路况和运动模式下的高维、非线性、强耦合和高时变下肢加速度信号的识别问题,提出了一种基于时——频分析的步态模式自动分类方案.利用三轴加速度传感器采集运动时小腿在矢状面、冠状面和横切面的加速度信号,利用五阶Daubechies小波基对其进行特征提取,并采用线性判别式分析进行降维,最后利用决策树和支持向量机对得到的精简步态特征进行模式分类.实验结果显示两种分类器的总体分类准确率均达到90%以上,个别步态分类可达到100%,验证了特征提取和降维方法的合理性和有效性

为实现弹药传输机械臂中不可测参数的辨识,建立了机械臂的虚拟样机,并将其作为样本数据的来源;考虑到样本数据的连续性和平滑特性,使用函数型数据分析和函数型主成分分析对样本数据进行了特征提取,并利用提取的特征参数和待辨识参数作为训练样本对极限学习机(ELM)进行了训练.为提高极限学习机的辨识精度和泛化能力,利用粒子群算法对极限学习机的输入层与隐含层的连接权值和隐含层节点的阈值进行了优化.最后,分别利用仿真数据与测试数据对此方法进行了验证,仿真数据的辨识结果表明,优化后的极限学习机具有更高的辨识精度和泛化能力;同时,通过对比将测试数据的辨识结果代入模型中进行仿真得到的支臂角速度与测试角速度,验证了此方法的可行性和有效性

针对高炉关键异常炉况悬料难以预测的问题，基于D-S证据理论，提出一种综合模糊专家推理和后验概率最小二乘支持向量机的悬料预测方法.首先，结合高炉生产过程和悬料现象，分析悬料形成的内在机理；其次，通过模糊专家推理提取基于专家规则的主观证据，再通过建立后验概率最小二乘支持向量机模型提取基于数据内在客观规律的客观证据；最后，基于D-S证据理论完成主客观证据融合，实现悬料预测.该方法充分利用专家经验和最小二乘支持向量机的自学习能力，能够提高预测精度.仿真结果表明本文提出的方法有效、准确

采用水热法,以氢氧化钠为分离剂,从含钛电炉熔分渣中成功制备出纳米片状结构二氧化钛光催化剂,并探讨了水热反应时间、水热温度以及碱液浓度对分离提取纳米片状结构二氧化钛的影响.随着水热反应时间的延长,水热温度以及氢氧化钠溶液浓度的提高,从含钛电炉熔分渣中分离提取的二氧化钛结晶度越好,微观形貌更趋近于纳米片状结构.水热法处理含钛电炉熔分渣的最佳反应条件是:水热温度高于180℃,水热反应时间大于24 h,碱液浓度达到12 mol·L-1.以制备得到的纳米片状结构二氧化钛为光催化剂,在氙灯光照90 min后,甲基蓝降解率可达81.1%

采用Slime方法提取和分离了钢中的大型夹杂物,并进行了淘洗分离的试验参数的模拟测定以及夹杂物总量和粒度分布的测定

植物根系的生长状况可以反映该地区的气候及土壤特性,现有的根系研究方法如挖掘法、整段标本法和剖面法,都有破坏样本和工作量大等缺点.为了实时跟踪植物根系生长状况,介绍了一种基于多尺度小波变换和自适应阀值的图像处理方法,对采用内窥方法获得的根系图像进行边缘检测,并将边缘提取后的图像进行融合.此方法可以在不损伤植物根系的前提下自动对根系的生长情况进行提取分析,实现实时采集及精确测量根系的物理参数

为了解决齿轮故障诊断中传统的声振信号分析方法容易受到周围设备及环境噪声干扰的问题,提出了一种独立分量分析和自相关分析相结合的齿轮故障诊断方法.首先用独立分量分析分离特征信号和干扰信号,然后用自相关分析提取特征信号中的周期成分.实验结果表明,该方法可以有效地提取在强背景噪声干扰下的齿轮故障特征

分析了小波基函数对于确定模式、混沌模式及随机模式所表现出来的不同的收敛特性,提出构造一个小波神经网络及相应学习算法.利用小波网络在学习过程中神经元的不同增长趋势来反映上述收敛性的差异,从而将3种不同的模式予以区分,并将混沌模式从中提取出来

对硫化镍电解阳极泥提硫后硫磺渣,进行了真空蒸馏硫磺渣提取元素硫的工艺研究,并分析了影响蒸馏过程的因素.结果表明:采用真空蒸馏-冷凝方法从硫磺渣回收元素硫并得到硫磺,其形态为α-型硫;残渣含化合态硫可降为15.10%,无元素硫;最大脱硫率达97.08%