基于多域流形的行星齿轮箱局部故障识别

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.      

基于EEMD和关联维数的矿山微震信号特征提取和分类

针对岩体工程中岩体破裂信号与爆破振动信号难以自动区分的问题,提出了一种基于集合经验模态分解(EEMD)关联维数与机器学习相结合的微震信号特征提取和分类方法。利用EEMD将微震信号分解为本征模态函数(IMF)分量,并从得到的IMF分量中筛选出主分量IMF1～IMF4,再通过相空间重构计算出各个主分量的关联维数,最后将所得到的关联维数作为特征向量,使用SVM方法进行微震信号自动识别,并与其他机器学习方法进行对比分析。试验结果表明:该方法对微震信号的自动识别具有较高的准确率,且基于高斯核函数的SVM的识别效果明显优于逻辑回归(LR)和K-近邻算法(KNN)判别法的识别结果,其准确率达到93.7%。     

三道庄矿微震信号辨识应用研究

针对三道庄矿生产作业环境复杂,从大量掺杂着的干扰信号中提取有效信号,有效地应用微震信号对岩石稳定性进行评价,对可能产生的破坏灾害进行预测具有重要意义。文章对该矿山各种微震信号源按实际监测需要进行了大致分类,分为岩体破裂信号、噪音信号和爆破信号三大类。在大量现场微震监测基础上,总结出了微震信号经验辨识法和频谱分析辨识法。利用经验辨识方法从波形振幅值、持续时间、上升时间、信号间隔等方面对各种震源波形的直观特征进行了辨识;利用频谱分析法对各种微震震源频率成分进行分析,总结出了三道庄矿各种微震震源信号特征。研究成果给矿山现场快速准确提取有用微震信号提供了依据。     

有效微震信号自动识别技术研究

拾取微地震信号到时对事件定位研究至关重要,传统方法直接拾取所有采集信号到时后,再通过人工手动判别出微地震事件,工作量大且效率低。针对这一问题,提出了一种自动识别有效微震信号方法——能量极值法(Energy Extreme Value,EEV)。通过移动时窗计算信号能量比Ratio变化曲线,分析不同信号的区别,提出在Ratio变化曲线上寻找与右侧点之间的偏差大于临界值Diff的特征极值点作为判别条件,研究分析了该方法的主要影响因素为移动时窗长度M和临界值Diff,并优化确定了最佳参数。采用MATLAB对冬瓜山铜矿采集的实际信号数据进行分析处理,结果表明:该算法能够精确识别噪声和微地震信号,与人工手动判别结果对比,准确率达96%以上,极大地缩短了数据处理时间,提高了工作效率,对微震信号处理具有重要的指导意义。     

基于改进CEEMDAN-DCNN的声发射源识别分类方法

声发射源的准确分类识别是声发射地压监测预报预警研究的重要基础。针对矿山井下围岩体声发射事件信号和采掘作业噪声信号分类识别问题,提出了一种基于改进完备总体经验模态分解和深度卷积神经网络（DCNN）的智能识别分类方法。首先,对信号进行改进CEEMDAN降噪处理,即利用相关性系数阈值和排列熵（PE）阈值剔除伪分量和噪声分量;然后,利用DCNN对降噪后的信号自动提取高维特征;最后,将特征用于softmax分类器分类识别,实现智能化井下信号源多分类。研究表明：改进CEEMDAN能够有效剔除伪分量及噪声分量;相比其他机器学习方法,改进CEEMDAN-DCNN方法具有准确率高和稳定性较好等优点。信号源识别分类方法研究为地压监测预警预报提供了重要的基础数据,准确的灾害预警预报可为矿山井下作业人员和设备提供安全保障。     

露天矿边坡裂隙智能识别与信息解算

节理裂隙是影响露天矿边坡稳定性的重要因素之一,随着图像处理技术以及机器视觉技术的发展,采用智能算法进行识别已成为热点.为快速获取节理裂隙几何信息,通过ResNet系列算法对U-net的骨架构网络进行改进,提出了一种露天矿边坡裂隙识别及几何参数解译方法.利用无人机综合考虑视角、距离、重叠率以及飞行速度等因素对露天矿边坡裂隙航拍获取高清图像,使用全局阈值分割技术进行预处理,并运用随机旋转、随机亮度及对比度调整等方式进行数据增广形成裂隙图像数据集;采用残差网络(ResNet)对U-Net网络的骨架构网络进行改进,提出基于改进U-net网络的边坡裂隙识别模型,基于像素二分类问题采用准确率(Accuracy)、交并比(IoU)和F1分数(F1 Score)作为评价指标,结合裂隙图像数据集对提出模型进行训练和评估,输出裂隙二值图,并与传统裂隙识别方法识别结果进行对比;对裂隙二值图进行裂隙几何参数信息解算,获得裂隙长度、宽度统计分布规律和参数.结果表明：ResNet模型对U-net模型改进可以提高模型的评价指标,随着网络层数加深,评价指标有先增高,后趋于稳定的趋势,在网络层次达到101时评价指标达到...     

基于任务态和静息态功能核磁共振信号的抑郁症识别

为了提高抑郁症识别的准确率,将功能核磁共振成像的任务态数据和静息态数据相结合,建立基于数据驱动的模型以提取识别特征.在没有任何先验知识的条件下,采用独立成分分析法提取任务态数据和静息态数据的独立成分;然后,利用相关遍历分析法获取功能信号集,利用频谱分析法识别并获取功能信号成分;最后,将功能信号成分作为贝叶斯分类器的特征输入,完成分类.结果表明,利用该方法提取出的功能信号成分能很好地将抑郁症患者和健康者区分开,整体识别准确率达到77.27%,抑郁症患者识别准确率达到83.33%,健康者识别准确率达到70.00%.实验结果证明了这一方法的有效性及优越性.     

水平连铸圆管坯超声检测信号识别方法研究

水平连铸圆管坯是一种多晶种各向民性的粗晶材料。当采用超声波对其进行质量检测时,必然会受到组织散射噪声的干扰而造成无法正确判断缺陷回波信号的困难。在分离频谱法的基础上,提出一种识别与判断缺陷回波信号的新方法－－瞬时频谱法。它以各时刻缺陷回波组成的分离信号序列的瞬时频带宽度为对象来研究识别缺陷回波信号的途径。实验结果表明,该方法不但可正确地识别缺陷回波信号,还可判断强烈的组织散射噪声中是否包含缺陷信号     

微震波形识别技术在监测边坡岩体中的应用

在利用微震监测技术对矿山岩体失稳信息进行实时、高效的分析预测的过程中,为了快速、有效地将微震事件从大量的声波干扰事件中正确区分出来,通过统计、研究波形的差异识别微震事件,并将微震事件和爆破事件的区别作为分析重点,提出实用性较强的区分方法,即通过波形、能量和声音的差异识别微震事件的方法。     

一维卷积神经网络特征提取下微震能级时序预测

微震能级随时间发生变化,高能级微震事件与冲击地压有良好的对应关系,为预测矿山微震能量时序变化,基于一维卷积神经网络（Convolutional neural networks,CNN）,建立微震能级时间序列预测模型;通过模型训练,实现以前十次微震事件的能量级别作为输入来预测下一次微震事件的能量级别。由于微震样本数据类间不平衡问题,导致模型测试时将106能量级别的微震事件全部判断为105能量级别的微震事件,为进一步提高模型对106能级微震事件预测的准确率,对模型进行改进并使用混合采样方法训练改进后的模型;利用砚北煤矿250202工作面微震能级实测部分数据,改进后模型的总体测试正确率达到98.4%,其中106能量级别的微震事件测试正确率提升到99%。将模型应用于砚北煤矿250202工作面进行微震能级时序预测,模型的预测正确率整体达到93.5%,且对高能级微震事件的预测正确率接近100%。      

超声检测与特征分析在半固态铝合金产品中的应用

采用接触法和水浸聚焦法分别对平底孔、通孔、槽伤三类半固态用铝合金人工缺陷进行超声检测并提取特征参量进行分类识别。用频谱分析方法分析静态超声A扫信号,对缺陷信号段进行快速傅里叶变换,以偏度值、峰度值、主频率峰值、谐振频率间隔作为特征参量判断缺陷类型。槽伤的偏度值、峰度值最大,通孔次之,平底孔最小,随着缺陷埋深的增加频谱图趋于对称和正态分布的特征;主频率峰值通孔最大,平底孔次之,槽伤最小;谐振频率间隔平底孔最大,槽伤次之,通孔最小。分析动态超声C扫描信号随着缺陷埋深增加的衰减情况,根据图像边缘形状特征可判断出缺陷类型,并且测量值/实际值(ρ/ρ0)图表明,平底孔缺陷尺寸测量误差最小达到40μm,通孔最小误差达到30μm,槽伤误差最小达到50μm。人工缺陷检测结果为自然缺陷的类型识别提供了可靠的判断依据。     

特征选择算法在ECoG分类中的应用

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及LO算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.     

基于集合经验模式分解和交叉能量算子的滚动轴承故障诊断

振动信号的周期性冲击及其重复频率是滚动轴承故障诊断的关键.本文提出了一种基于集合经验模式分解和交叉能量算子提取滚动轴承故障特征的方法.首先,应用集合经验模式分解方法将振动信号分解为本征模式函数以满足交叉能量算子对信号单分量的要求.然后根据相关程度和峭度从本征模式函数中选取敏感分量,计算敏感分量和原始信号的瞬时交叉能量及其傅里叶频谱.最后根据交叉能量的频谱结构和特征频率识别轴承故障.通过分析滚动轴承故障仿真信号和实验测试信号,诊断了滚动轴承元件故障,验证了该方法的有效性.     

设备状态维修管理信息系统的设计

介绍系统开发的两种常用方法生命周期法和原形法的特点。在设备状态维修信息系统中采用生命周期法与原形法相结合的方法，即集周期法的完整性、可靠性与原形法的高效性为一体。首先分析各初始要求之间的关系，确立系统目标为设备状态维修管理；第二步进行详细调查，做出新系统的数据流图，再通过数据—功能格棚图对调查结果进行复核；第三步进行总体结构设计；第四步模块设计；第五步系统实施，我们采用自顶向下的系统实施方法，形成总体框架，再逐个完善。     

基于主元分析法的磨音信号特征提取

为有效提取球磨机磨音信号特征实现负荷识别,提出一种基于主元分析法(PCA)的特征提取方法。以实验室球磨机为对象,采集球磨机的工作磨音信号,经降噪处理后,通过Welch法对磨音信号进行功率谱估计,并通过主元分析法对磨机磨音功率谱分段后得到的基本特征进行特征提取。通过支持向量机预测模型对特征提取后的样本集进行仿真验证。结果表明,特征提取后的特征有更好的识别效果和更小的随机性,可作为负荷预测模型的输入,实现球磨机负荷的预测。     

多孔材料热导率通用计算方法

利用蒙特卡洛法对多孔材料的内部结构进行了重构,并验证了重构模型具有自相似性和标度不变性的分形特性.对重构的多孔材料模型进行网格划分,利用二值化原理识别网格中的固体基质和流体孔隙,构筑材料内部真实传热过程的串并联混合热阻阵列图,建立适用于各种均质和非均质多孔材料热导率的计算方法——二值化阵列法.基于该方法,对闭孔泡沫铝和硅酸铝耐火纤维材料的热导率进行了计算,并与文献中的实验测量值进行了比较,具有较好的一致性,验证了本方法的正确性和普适性.      

基于信息量法的多模型对比分析石家庄西部山区滑坡易发性研究

石家庄市西部山区地质状况不良,气象方面常在雨季形成暴雨,因而地质灾害频发,其中滑坡灾害占比较重,因此针对石家庄市西部山区的滑坡灾害进行易发性分析有重要意义。现有单一模型在滑坡灾害易发性评价方面应用广泛,但仍有局限性。为提高对区域滑坡灾害易发性评价精准度,采用单一模型和复合模型等多模型对比分析研究区滑坡易发性,得到评价精度更好的评价模型。首先通过对研究区孕灾条件筛选出降雨量、坡度、高程、坡向、曲率、地质岩性、距水系距离、距断层距离、地震烈度、距道路距离、植被覆盖率和土地利用类型共12项评价因子。基于信息量法,用层次分析法、熵权法以及组合赋权法进行对比分析,最终得到易发性分区图,通过ROC曲线和灾害点密度验证其可靠性。结果表明,以上三种分析方法在ROC曲线中的AUC值分别为0.732、0.749、0.766,三种模型评价结果都有一定的可靠性,其中组合赋权法模型精度更高,可靠性更好,确定采用组合赋权模型。     

一种描述减振器滞回特性的Bouc–Wen改进模型

Bouc–Wen模型在非识别激励工况下模拟的阻尼力与实际阻尼力误差较大，对非识别激励振幅过于敏感，针对这一问题，提出了一种描述减振器滞回特性的改进模型。首先用Mechanical testing and simulation(MTS)疲劳试验机对磁流变减振器进行力学性能试验，获得在多种激励幅值、频率和电流作用下的阻尼力。采用阻尼力对位移的斜率与阻尼力关系来模拟滞回环特性曲线。根据滞回曲线特点利用二次多项式函数来表征滞回环斜率与阻尼力的关系，同时，引入关于速度的指数函数修正项，进而对改进后的Bouc–Wen模型进行参数识别，并对其进行仿真及验证。与试验得到的阻尼力进行对比，发现在非识别激励工况下，曲线吻合效果较好。对改进前后Bouc–Wen模型模拟的阻尼力特性曲线进行对比，结果表明:改进后模型得到的阻尼力仿真值能够较好地模拟试验得到的各种工况下阻尼力的值，且优于Bouc–Wen模型，同时Bouc–Wen模型在非识别激励工况下模拟阻尼力精度较差这一问题得到了改善。新模型为保证车辆悬架系统在多变工况下仿真响应的准确性打下了基础。      

主元分析的振动频域特征识别与磨机负荷建模研究

球磨机是矿石破磨的关键设备,由于运行中筒体内负荷(ML)难以有效检测,运行状态参数的预报控制无法进行。研究通过检测筒体轴承座产生的振动信号,采用Welch法对其进行功率谱估计,提取信号的特征频谱段的能量值,分析信号功率谱与磨机筒体内负荷之间的关系,采用主元分析法(PCA)对振动谱能量值进行降维,得到与负荷高度相关的能量谱成分,最后利用支持向量机(SVM)建立磨机负荷参数分类模型,实现磨机负荷参数(填充率、料球比)的预测。试验结果表明:该方法可以准确识别磨机筒体内负荷,为状态参数的预报及控制技术的优化提供理论指导。     

基于非均衡数据的ADASYN-CatBoost测井岩性智能识别——以胶西北招贤金矿床为例

快速准确地识别覆盖区下伏地层与岩体，对于金属矿山地质找矿工作具有重要意义。针对矿床地层与岩体中复杂岩性分布的多样性和非均衡性，考虑测井响应特征与岩性之间的强非线性关系，提出了一种基于ADASYN非均衡数据处理和CatBoost机器学习的测井岩性智能识别方法。首先，利用ADASYN算法处理非均衡测井样本数据，根据小类样本加权分布生成合成样本；然后，采用CatBoost算法结合网格搜索以及十折交叉验证建立最优岩性识别模型；最后，通过模型输出的特征重要性及部分依赖图对岩性分类结果进行解译。以胶西北招贤金矿床实例测井数据为基础，针对10类岩性进行识别和解译分析，模型评价结果表明：测试集上的精确率、召回率和F1分数分别达到98.21%、98.20%和98.20%。将CatBoost岩性分类与GBDT、LightGBM算法进行对比，结果表明CatBoost分类效果最优，且均优于样本数据未均衡化处理的岩性识别效果。通过与实例录井剖面岩芯岩性进行对比，验证了模型分类结果的有效性。