为实现滚动轴承故障特征分析,提出了一种基于小波包变换(Wavelet Packet Transform,WPT)结合随机森林(Random Forests,RF)的滚动轴承故障分析模型。首先,采用小波包变换对振动信号进行分解,对终端节点进行重构,再计算重构信号及其希尔伯特边际谱的11种统计参数,得到统计特征,构建原始特征集;针对原始特征集中存在的冗余和干扰特征,提出一种基于平均精确率减少的特征选择方法(Features Selection base on Mean Decrease Accuracy,FSMDA),标记特征对轴承故障的重要度,选取重要度高的统计特征用于故障状态识别;最后,利用随机森林实现滚动轴承故障特征分析与状态识别。采用12种轴承故障状态数据进行实验分析,实验结果表明FSMDA能够选择出对故障状态较为重要的特征,提高故障状态识别准确率,并且具有较好的适应性。

通过实验分析了电场作用对丙酮离子敏感器件的输出影响。实验证明,一定的电场作用可以加快丙酮的分解和电离,使离子敏感器件的输出提高,响应速度加快。然而,电场对水的电离会影响离子敏感器件的输出,实验证明通过信号处理可以消除水电离的影响,实现对丙酮浓度的检测。

通过人体呼气中丙酮含量的分析是快速诊断糖尿病的一种新方法.针对目前没有专门直接检测丙酮的传感器,提出了通过间接检测丙酮转化的一氧化碳确定丙酮含量的方法,并将电场用于提高丙酮的转化效率.为了克服病人呼气中少量氢气和甲烷对检测信号的影响,采用了神经网络技术对传感器信号进行智能处理,通过对混合气体样本的训练,确定丙酮气体的分析算法.实验证明,这种检测和信号处理方法可以较好地实现丙酮的分析,这项研究成果对糖尿病的早期检查和快速诊断具有重要的应用前景.