广义隐马尔科夫模型在轴承温升预测中的应用

将广义区间概率与隐马尔科夫模型结合,建立了广义隐马尔科夫模型,使之具有更好的鲁棒性和处理2类不确定性问题的能力,并成功用于滚珠丝杠进给系统的轴承温升预测。结果表明,广义隐马尔科夫模型能够根据历史信息对轴承的温升进行预测。     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。     

基于K邻近算法的转向架构架状态识别研究

作为机车最重要的部分之一,转向架构架的运行状态会直接影响到机车的安全,其状态识别对保证机车安全运行尤为重要。为识别转向架构架状态,采用噪声传感器与加速度传感器对激振数据进行采集,通过时域特征提取与时频域特征提取,将敏感特征量组成训练集与测试集,利用K邻近算法,实现对转向架构架三种不同状态的识别。利用K邻近算法识别率可达到93.33%,与最小二乘支持向量机方法相比具有较好的识别效果,验证了K邻近算法的有效性。     

滚动轴承的VMD-LSSVM故障识别方法

滚动轴承是工程设备中的关键部件,对滚动轴承进行故障识别方法研究有重要的意义。为了解决滚动轴承振动信号分析能力薄弱的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与最小二乘支持向量机（Least square support vector machine,LSSVM）的滚动轴承故障识别方法。以凯斯西储大学滚动轴承实验数据为研究对象,获取4类故障7种滚动轴承状态实验振动数据。进行VMD分解,得出最佳分解本征模态函数（Intrinsic mode function,IMF）个数4,然后计算4个IMF样本熵（Sample entropy,SE）得到相应特征量,输入LSSVM模型进行状态识别。实验表明,基于VMD-LSSVM的方法比EMD(Empirical mode decomposition)-HMM(Hidden Markov model)和EMD-LSSVM方法有更高的识别率。     

基于LSSVM的列车转向架拉杆螺栓状态识别

针对列车转向架拉杆螺栓的松动问题,采用基于LSSVM的状态识别方法对列车转向架拉杆螺栓进行状态识别研究。制作了列车转向架拉杆螺栓结构模拟模型,包括正常、过渡、松动3种状态,并结合激振器、功率放大器等仪器搭建实验平台。采用振动加速度传感器采集列车转向架拉杆螺栓的振动信号,对获取的数据进行时域、频域分析,结合小波包能量寻找螺栓不同松动状态下振动信号的差异性,提取了敏感特征参数,最后通过LSSVM模型对拉杆螺栓状态进行分类识别。识别结果表明,基于LSSVM的识别方法能够有效识别出转向架拉杆螺栓的松动状态。     

基于多域特征的螺栓松动检测方法研究

螺栓作为机械设备最常用的连接件,螺栓连接的稳定性对保障机械设备安全运行起着至关重要的作用,对螺栓松动程度进行检测有着重要意义。针对螺栓松动4种不同状态,提出了一种基于变分模态分解(VMD)及时频敏感特征与最小二乘支持向量机(LSSVM)相结合的螺栓松动检测方法。针对螺栓松动的4种不同状态,搭建了螺栓松动检测模拟实验平台,通过加速度传感器获取螺栓松动4种不同状态振动响应数据;提取了时频域敏感特征量,结合VMD分解的IMF分量能量熵组成状态检测敏感多特征向量,将提取的多特征向量结合LSSVM对螺栓不同松动状态进行识别,并对比基于经验模态分解(EMD)-LSSVM及EMD-多特征-LSSVM检测结果。结果显示,基于多域特征的螺栓松动检测方法识别率优于EMD-LSSVM检测方法。     

双波长共相检测方法研究

拼接镜共相检测技术是拼接过程和维持镜面质量关键技术之一,定量测量平移误差（piston）是指导拼接确定性调整的依据,也是拼接镜面成像质量、望远镜角分辨率的根本保证。为了实现拼接镜平移误差的大量程、高精度检测,提出了新型双波长共相检测算法,并基于圆孔衍射与双波长检测理论,推导得到了双波检测理论量程与波长之间的关系式以及选取模板间隔的最大值与波长之间关系式。在双波长检测中,针对两半圆间远场图案存在偏心、间隙误差和相机噪声等拼接误差,理论和仿真分析了间隙误差、偏心误差和相机噪声对双波长检测精度的影响。得到了间隙误差需小于0.2r,偏心误差需小于0.2r,信噪比需大于30时,双波长检测才不会出现误检测。该分析为以后双波长检测实验中误差的选取提供了借鉴。     

拼接镜新型粗共相检测方法

为了实现拼接镜平移误差的大量程、快速检测,提出了一种利用白光(400～700nm)远场光斑相干性来检测拼接镜piston误差的方法。该方法以两半圆孔间的非相干衍射图案为模板,利用互相关算法求解实际衍射图案与模板图案间的互相关系数,通过设定0.85阈值,实现拼接镜piston误差的粗共相检测。搭建了一套室内拼接镜的主动共相检测实验光路系统,其中拼接镜是由4块对边长为100mm,曲率半径为2 000mm的正六边形球面反射镜组成,利用白光(400～700nm)远场光斑相干性测量拼接主镜各子镜间平移误差的方法进行了理论与仿真分析。利用波前探测器和主动光学技术实现了拼接镜精共焦误差的检测与调节,通过远场光斑相干性和主动光学技术实现了粗共相的检测和调节。实验表明:该方法耗时短、能量利用率高,可实现无限量程、±250nm精度的检测和调节,适合拼接镜的粗共相检测和调节。     

基于双隐含层RWPSO-BP神经网络的齿轮箱故障诊断研究

针对齿轮箱故障诊断过程中采集到的振动信号通常都比较复杂多变,随机性和偶然性也比较强的特点,提出了一种基于随机权重粒子群优化(Random Weight Particle Swarm Optimization,RWPSO)算法的双隐含层反向传播(Back Propa-gation,BBP)神经网络(RWPSO-BP)的齿轮箱故障诊断方法.对江苏千鹏诊断工程有限公司所公布的齿轮箱故障诊断实验中的原始振动数据进行多特征值提取;利用主成分分析法(Principal Component Analysis,PCA)对特征集进行降维处理,将多个变量的数据集转变为较少新变量的数据集(即主成分),把所选主成分归一化处理后利用双隐含层RWPSO-BP 神经网络进行诊断分析;将分析结果与单隐含层RWPSO-BP神经网络对测试样本的识别结果作对比.最后的诊断结果为:双隐含层RWPSO-BP神经网络的误差更小,可以较为准确地对齿轮箱故障类型进行有效的识别.     

条纹投影用于不同景深物体的三维测量

条纹投影轮廓术（Fringe Projection Profilometry, FPP）由于其非接触、测量精度高等特点被广泛应用于缺陷检测、逆向工程、计算机视觉等领域中。然而,传统的FPP单次测量只能获得有限景深范围内的被测物体的三维轮廓,无法完成视场范围内不同景深的多个被测物体的同时精确测量。文中在传统FPP系统的基础上增加两面反射镜和两个三棱镜,搭建了一种镜面辅助的FPP系统。所提出的方法能将摄像机不同景深范围内的被测物体转换到同一景深范围内,从而实现不同景深的多个被测物体的三维轮廓高精度测量。实验通过6层标准石膏阶梯模型验证了景深对三维轮廓测量结果的影响;同时分别采用传统FPP和提出的FPP系统对不同景深范围内两个标准乒乓球同时进行了轮廓测量,传统FPP测得的摄像机聚焦点处和未聚焦的乒乓球的拟合半径相对误差分别为2.9%、34.3%,而镜面辅助的FPP测得的相对误差分别为2.7%、5.3%。结果表明:文中提出的方法能补偿由于景深引起的误差,从而验证了该方法在不同景深物体三维测量中的可行性。