基于参数优化变分模态分解和多尺度熵偏均值的行星变速箱故障特征提取

针对某型装甲车辆行星变速箱行星轮故障特征难以提取的问题,提出了结合参数优化变分模态分解(VMD)和多尺度熵偏均值的故障特征提取方法。为克服VMD算法参数选取依赖经验的弊端,采用粒子群优化算法对VMD参数进行优化。使用参数优化后的VMD算法对信号进行分解,并依据互信息选取有效分量对信号进行重构。多尺度熵能反映信号在多尺度下的复杂度,偏均值可以反映多尺度熵的均值和变化趋势。采用基于多尺度熵的综合指标多尺度偏均值,以全面反映振动信号在多尺度下的特性,用于衡量行星变速箱运行状态,从而进行故障特征提取。行星变速箱实验数据处理结果表明,新方法可以更加有效的提取行星变速箱故障。     

基于卷积神经网络的滚动轴承故障诊断

针对传统故障诊断方法诊断过程复杂、效果不佳的问题,提出一种基于卷积神经网络的滚动轴承故障诊 断方法。首先选取不同故障的振动信号进行归一化处理,然后把 1 维的振动信号转化成 2 维的灰度图像,利用每个 元素与其相邻元素之间的关系,并且采用重叠采样的方法加强数据集。在卷积神经网方面利用 tensorflow 搭建网络 框架,采用 4 种不同的卷积神经网络结构对样本进行训练。为避免实验的随机性,对每种方案进行多次训练,采其 结果的均值。根据测试集的准确率选取最好的适合轴承故障诊断的模型,同时对网络的结构参数进行优化改进,提 高模型的识别率和运行效率。实验结果表明,该方法可以准确地将滚动轴承的故障进行识别和分类。     

行星变速箱振动信号的线性量子信息熵特征

针对行星变速箱在运行时产生的非线性非平稳振动且故障特征信号微弱等问题,将量子理论引入信息熵的计算中,提出一种全新的特征提取方法——线性量子信息熵。介绍了量子理论的基本概念及振动信号的线性量子表达,建立了振动信号的多量子位系统;基于振动信号多量子位表达提出了线性量子信息熵算法;对行星变速箱故障模拟试验台采集到的齿轮正常、K1小行星轮裂纹、K1大行星轮裂纹、K2行星轮裂纹和K3太阳轮裂纹5种状态振动信号的线性量子信息熵进行求解,并与时频熵、排列熵、样本熵计算结果对比。结果表明,线性量子信息熵能够有效提取行星变速箱的运行状态特征。     

基于ADASYN-随机森林的智能家电内部电路故障诊断

针对智能家电内部电路故障诊断中存在的数据不平衡和分类器诊断精度低的问题,提出一种基于ADASYN算法过采样和随机森林(random forest,RF)的故障诊断方法。将电流信号进行小波包分解,提取最后一层各节点能量作为特征向量;使用ADASYN算法扩充训练数据集,得到随机森林故障诊断模型并进行测试。实验结果表明：ADASYN-随机森林故障诊断模型对智能家电内部电路故障具有较高的诊断精度,对故障诊断有一定的实用价值和指导意义。     

复杂装备轴承多重故障的线性判别分析与反向传播神经网络协作诊断方法

由于复杂装备运行工作环境恶劣,导致其轴承多重故障诊断的准确率不高,为此提出一种 基于线性判别分析(LDA)与反向传播(BP)神经网络协作下复杂装备轴承数据驱动的多重故障诊断方法。将无量纲指标作为轴承多重故障数据的反映指标,利用LDA对轴承多重故障的无量纲指标数据进行线性映射降维处理;通过拉格朗日极值法获得最佳投影向量,沿着该方向将轴承多重故障数据投影到类别最易区分的方向;将经投影处理后的样本作为BP神经网络的输入样本,通过训练测试网络,实现轴承多重故障的预测分类。对某型装备大型旋转机械机组进行仿真实验,验证了所提方法能够有效对轴承多重故障进行降维映射,并且能较好地实现多重故障分类诊断,具有良好的有效性和实用性。     

基于条件深度循环生成对抗网络和动作探索的行星轮轴承剩余寿命预测

为解决小样本和变工况下行星轮轴承剩余寿命预测准确率低的问题,提出一种基于条件深度循环生成对抗网络(C-DRGAN)和动作探索(AD)的行星轮轴承剩余寿命预测方法。将门控循环单元神经网络与条件生成对抗网络相结合,构建C-DRGAN,从非静态和非线性信号中提取故障特征,实现小样本和变工况下行星轮轴承的剩余寿命预测;采用基于AD的训练算法训练C-DRGAN,提高收敛速度,降低训练时间;根据训练后的C-DRGAN,利用多元线性回归分类器预测测试样本中行星轮轴承的剩余寿命。通过行星轮轴承加速疲劳寿命试验验证该方法的有效性。结果表明,该方法具有较强的非静态和非线性信号处理能力,并能在小样本情况下取得出色的行星轮轴承剩余寿命预测效果。     

变速箱典型故障奇异性指数的模糊神经网络识别

基于小波奇异性分析和模糊神经网络理论,建立变速箱故障识别模型,探讨将两种理论集成用于状态监测以提高故障识别准确度.通过小波变换提取车辆变速箱运行状态监测数据的奇异性指数,并据此训练模糊神经网络,计算表征变速箱技术状况的代码,判断部件是否发生故障及故障类型.对某型车辆变速箱监测信号的研究表明,本模型用于识别变速箱典型故障的误差仅为0.15384.     

基于模式识别与智能系统技术的发射器类型识别方法

基于模式识别与智能系统技术的发射器类型识别,运用CART训练集与考试集相互独立的分类树构造方法,先对给定数据样本近似相等地划分成训练集和考试集,然后分别独立使用.应用拆分规则及剪枝算法,把每个变量分成不同类,并保持类的数量合理,使得分类树在对节点的陆续拆分中生成,最后结束这种节点的拆分.     

行星变速箱换档过程模拟方法研究

行星变速箱的工作过程是一个由多参数变化决定的动态过程,研究这一过程,对改善车辆平稳性、使用寿命有很大帮助.利用多自由度变速箱的数码表示方法,结合拉格朗日能量方程,建立了行星变速箱各种档位都适用的通用数学模型,将该模型用于计算机中计算不同档位的运动学和动力学问题,带来很多便利.在此基础上,用数值积分方法对模型进行数值求解计算,对换档过程进行数值模拟,最后对典型结构的行星变速箱进行了实例验证.     

基于改进深度置信网络的故障诊断方法

针对深度置信网络对小样本数据集故障诊断时准确率低的问题,提出了基于改进深度置信网络的故障诊断方法。该方法通过优化网络特征提取能力,提升网络学习和分类能力以减少网络训练对数据的依赖程度;利用网络公开数据集测试改进的深度置信网络模型的性能;并将改进网络模型应用于小样本故障数据集上。实验验证结果表明,较基于传统网络模型的故障诊断而言,基于改进模型的方法通过添加新的隐藏层,强化了模型特征提取能力,提高了故障诊断准确率。     

基于层次Bayesian网络及后验风险准则的故障样本量确定方法

针对现有测试性验证方法对装备系统结构考虑不足,且在双方风险约束条件下所确定的故障样本量过大问题,提出一种基于层次Bayesian网络和后验风险准则的故障样本量确定方法。根据装备系统结构建立测试性验证方法的层次Bayesian网络模型,并以故障检测率作为Bayesian网络 的传递参数;提出Bayesian网络不确定性推理算法,充分融合各层次测试性先验信息,同时基于偏度-峰度检验的拟合分布选取方法推导出系统故障检测率联合先验分布;进一步结合系统成败型数据确定其后验分布,基于后验样本数据集和Bayes后验风险准则设计故障样本量确定算法,通过实例进行分析。结果表明,与经典验证方法、传统Bayesian方法相比,所提方法在相同双方指标约束下能有效降低样本量。     

基于1D-CNN 的卫星姿态控制系统故障诊断方法

为解决卫星姿态控制系统中自主故障检测和诊断的问题,提出一种改进的1D-CNN 卫星姿态控制系统故 障诊断方法。以卫星姿态控制系统的故障诊断为背景,构建航天器姿态动力学模型,将卷积神经网络(convolutional neural network,CNN)与快速卷积算法相结合,对卷积神经网络的拓扑结构进行改进,根据BP 算法,将1 维原始数 据作为输入,结合反作用飞轮作为执行机构的技术特征,给出一种基于卷积神经网络的故障检测和隔离方法。仿真 结果验证了该方法对卫星姿态控制系统实时故障检测和分类的有效性。     

基于EEMD-CWD的齿轮箱振动信号故障特征提取

为实现齿轮箱故障特征提取,提出一种基于集成经验模态分解（EEMD）和乔-威廉姆斯分布（CWD）的齿轮箱振动信号特征的提取方法。对现场采集的振动信号进行EEMD分解,再对分解得到的固有模态函数（IMF）分量依照峭度准则进行排序,选取峭度指标较大的IMF分量进行CWD分析,最终得到信号的CWD.该方法可以有效抑制由于干扰项引起的频率混叠和干扰问题,有助于将原始信号在时间历程、频率成分和幅值大小3个方面的特征信息同时进行准确提取。利用该方法对实际齿轮发生断齿、裂纹故障进行了实验分析,结果表明：该方法能够全面、有效地提取齿轮振动信号中所蕴含的齿轮箱状态信息,为后续进行齿轮箱状态识别和故障诊断奠定基础。     

基于EEMD和二维边际谱熵的齿轮箱故障诊断

针对信号经验模态分解（EMD）过程中存在波形混叠现象,提出一种基于聚合经验模态分解（EEMD）和Hilbert二维边际谱熵相结合的方法对齿轮箱故障进行分类故障诊断．首先使用小波阈值分析对背景噪声较大的齿轮箱振动信号进行预处理;其次对预处理信号进行分解,得到IMF分量,对比正常信号与故障信号的区别;最后对3种工况信号进行Hilbert变换并计算得到边际谱,并且提取二维边际谱熵作为支持向量机（SVM）的输入量,建立故障诊断模型．经测试该方法在齿轮箱故障诊断方面有着较强的分类能力和诊断精度,具有一定的可行性．     

基于1DC-CGAN和小波能量特征的引信小样本地形目标识别

无载波超宽带引信由于具有定距精度高、抗截获能力强、穿透性好、有一定反隐身能力等特点,在多个弹药平台上得到应用。在对地面目标作用时,不同地形会影响引信炸高,从而影响毁伤效果。首次提出将无载波超宽带引信用于地形识别,为引信自适应确定最佳炸高提供先决条件。地形回波的采集周期长、成本高,获取回波的数量往往较少,这会影响识别精度。为扩充数据集,提出一种改进的条件生成对抗网络,将生成器和判别器的全连接层替换为一维卷积同时增加批标准化,在实现信号生成的同时减小模式崩溃问题发生的概率,提升了小样本条件下的序列生成效果。将扩充回波信号的小波能量特征作为输入特征,利用粒子群优化的反向传播(PSO-BP)神经网络实现地形智能分类。实验结果表明：相比在原始训练集上训练,扩充训练集上训练的PSO-BP神经网络在测试集上取得了4%以上的准确率提升。     

面向发动机故障诊断精度的深度随机森林优化研究

为解决装备故障检测存在故障数据少,难以应用深度学习方法提高性能的问题,提出一种基于优化深度 随机森林的提高装备故障诊断精度方法。根据数据集合数据的特点,构建重采样的样本集合决策树模型,通过对故 障数据中的连续数值进行C4.5 决策树离散化处理,使用扩张卷积方法扩展滑动窗口的感测范围,对训练模型进行实 验验证。实验结果表明,运用深度随机森林的方法对提高装备故障诊断有一定借鉴作用。     

基于RBF人工神经网络的水质评价

以RBF网络建立水质评价模型,网络的输入为某水样中参与评价的n种水质指标实测值的集合,输出为该水样的水质级别。问题关键集中在网络结构的选择、可调参数的优化方法,以及学习样本的代表性上。将n个样本划分成c个类的划分序列。只要在一定水平时样本被归入同一类后,在进行更高水平的划分时,确定类数即确定分类结果。