分数阶阻尼裂纹转子的小波尺度谱分析方法研究

结合在分数阶微积分的基础上建立的裂纹转子系统模型和小波尺度谱,提出基于小波尺度谱的分数阶阻尼的转子裂纹故障诊断方法,并讨论了不同的裂纹深度下分数阶阻尼的裂纹转子系统的小波尺度谱和重分配尺度谱特性。仿真结果表明,分数阶阶次的改变对系统运动特性有很大的影响,在建立动力学模型时可以灵活调节分数阶阶次来改变转子系统的振动特性以达到诊断转子裂纹的最佳效果。提出的方法对裂纹故障敏感,能有效地提取裂纹转子系统中的故障信息。最后用实验进行了验证,实验结果与理论数值分析的结果相吻合,验证了文中建立的分数阶阻尼的裂纹转子系统模型的正确性。     

转子轴向碰摩非线性流固耦合动力学特性全自由度分析

基于Jeffcott转子模型,用六自由度方法研究了考虑涡轮非线性流固耦合力的转子轴向碰摩动力学特性。通过响应分叉图、波形图、频谱图、轴心轨迹和Poincare图分析了在涡轮非线性流固耦合力作用下转子轴向碰摩的动力学表现。分析表明,非线性涡轮叶尖间隙流体激励力对转子轴向碰摩的非线性特性影响不很明显,只是在低转速时轴向振动碰摩响应中会出现更高阶的偶数倍频的超谐波成分。在高转速情况下,碰摩响应的波形和频谱不能明显反映具有弱非线性的涡轮叶尖间隙流体激励力对轴向碰摩非线性动力学特性的影响,而轴心轨迹和Poincare图则能反映这种影响,反映出碰摩响应中出现的轻微混沌。     

基于局域均值分解和Wigner高阶矩谱的机械故障诊断方法的研究

结合局域均值分解(Local mean decomposition, LMD)方法和Wigner高阶矩谱,提出了一种基于局域均值分解的Wigner高阶矩谱的机械故障诊断方法,该方法保留了LMD和Wigner高阶矩谱的所有优良性能,有效地抑制了Wigner高阶矩谱的交叉项的干扰。仿真结果表明,提出的方法优于直接Wigner高阶矩谱和Choi-Williams核滤波后的Wigner高阶矩谱。最后,将本文方法应用到轴承故障诊断中,实验结果进一步验证了该方法的的有效性。     

滚动轴承故障诊断中的Volterra核-HMM识别方法

结合Volterra级数和隐Markov模型,提出了一种基于Volterra核特征提取的HMM故障识别方法。在该方法中,利用子空间法从正常、滚动体故障、内圈故障和外圈故障4种不同的轴承中提取Volterra核作为特征向量,然后,输入到各种故障模式的HMM中进行识别。提出方法利用电机转轴末端滚动轴承采集的实验数据得到了验证。     

旋转机械升降速过程的双谱-FHMM识别方法

结合双谱和因子Markov模型，提出了一种基于双谱的特征提取建立机组各状态相应的因子隐Markov模型状态识别法，并成功地应用到旋转机械升降速过程的故障诊断中，同时还与基于双谱的特征提取的HMM状态识别法进行了比较，实验结果表明该方法是有效的。     

转子启动过程HMM故障诊断方法研究

如果转子机械系统存在潜在的缺陷，那么在转子启动过程的振动信号中就会出现异常现象。因此研究转子启动过程的故障诊断方法对于选择合理的应变措施是至关重要的。该过程的故障可以看作是若干主变量依赖于时间的动态模式。隐Markov模型（HMM）已经证明是学习动态时间序列的概率模型的最广泛应用的工具之一，它可以使用一个隐变量来模拟系统的动态行为的变化。实验证明，HMM可以对转子启动过程的故障进行有效的模拟诊断。     

浅析超宽带无线电技术

广义超宽带技术（Ultra WindeBand,UWB）是指以极窄脉冲方式进行无线发射和接收的特种技术，其特殊之处在于完全摆脱了一般无线收发中必须采用载波调制的传统手段，成为在对域出直接操作的无线技术，因此也称作脉冲无线电（Impuise Radio）,时域（Time Domain）或无载波（Carrier Free）无线电技术。     

循环平移Contourlet变换在金属断口图像消噪中的应用

提出一种基于循环平移的Contourlet变换的金属断口图像消噪方法。该方法将带噪声的金属断口图像平移一定的距离,对平移后的图像进行硬阈值Contourlet变换消噪,通过反向平移,恢复到原图像一样的排列次序,实现有效消噪。实验表明,该方法与传统的小波消噪和Contourlet消噪方法相比,提高了消噪后图像的峰值信噪比。     

磁声发射检测装置的研制与性能测试

针对磁声发射信号特征易受励磁强度和励磁频率影响的问题,设计一个具有变励磁幅度及测量磁滞回线功能的磁声发射检测装置,主要研究励磁器的尺寸及励磁线圈匝数对励磁能力的影响,并确定最佳激励磁轭尺寸和线圈匝数,最后对磁声发射检测装置的整体性能进行相关评价。通过研究发现,将8#磁轭绕线圈600匝时满足励磁器设计中磁通势较大的需求,此时磁声发射检测装置具有较好的励磁性能,具有实际且广阔的应用前景。     

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明：该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。