准确预测滚动轴承剩余使用寿命(Remaining Useful Life,RUL)对维护建筑机械设备稳定运行、保障生产安全具有重要的现实需求和应用价值。为提升滚动轴承RUL预测准确率,提出一种基于归一化最小均方(Normalized Least Mean Square,NLMS)自适应滤波器和Autoformer长序列预测模型的滚动轴承RUL预测新方法。使用NLMS自适应滤波器对滚动轴承原始振动信号进行降噪,从降噪振动信号中分段提取初始时域特征,采用Spearman相关系数进行特征筛选,经归一化后形成多维特征集;利用Autoformer模型中序列分解模块与自相关机制建立多维特征集与滚动轴承RUL之间的分段非线性映射,实现滚动轴承RUL预测;在PHM 2012数据集与XJTU-SY数据集上进行对比实验,结果表明该方法与已有方法相比可取得最低预测误差,均方根误差(Root Mean Squared Error,RMSE)与平均绝对误差(Mean Absolute Error,MAE)分别提升24.4%与47.2%,证明了该方法在滚动轴承RUL预测的有效性。
随着武器技术的不断发展,常规弹药的制导化改造已成为一种必然趋势。通过应用精确制导技术,可以显著提高弹药的打击精度和效率。而在实现弹药制导化改造的过程中,精准测量角速度是一项关键核心技术。微机电系统(Micro-Electro Mechanical System,MEMS)陀螺仪存在输出信号噪声大、精度低的问题,针对上述问题,提出了一种自适应噪声完备集合鲁棒局部均值分解(CERLMDAN)和归一化LMS算法(Normalized Least Mean Square,NLMS)结合的滤波模型。该模型通过在鲁棒局部均值分解(Robust Local Mean Decomposition,RLMD)过程中添加白噪声将原始数据分解为多个乘积函数(Product Functions,PF),并根据排列熵(Permutation Entropy,PE)将PF分为混合PF和有用PF;其次对混合PF使用NLMS去噪;最后,把处理后的PF和有用PF进行重构,得到去噪后的信号。试验表明,本文提出的去噪模型对信号均值与方差有显著提升,信号均值由0.5891提升至0.5396,信号方差由44.473提升至5.2692。
发动机是整车NVH特性的重要影响因素,但现有主动悬置控制算法仍存在收敛速度慢、控制效果差等缺点,因此设计了基于动量NLMS的主动悬置控制算法,建立了仿真模型,分别基于混频振动信号和采集的发动机激励产生的加速度信号开展仿真研究。结果表明,对于模拟的的混频振动信号,该算法具有收敛速度更快、能大幅削减加速度峰值的优点。对发动机激励信号峰值有最大约54 d B的降低,加速度总体有约29 d B的控制效果,与经典LMS、NLMS算法相比均有明显的优势。
