基于二维等效声速的频域全聚焦超声成像研究

为了提高对碳纤维增强复合材料分层缺陷定位定量的精度，提出了一种基于二维等效声速映射的精准频域全聚焦方法三维成像技术。该技术首先将子矩阵的划分标准从激励点位置变为激励-接收间距，获得了一个新的全矩阵数据；然后将变换后的二维子矩阵变换至频域，根据深度和空间频率的变化推导出精准的二维等效声速映射，来匹配子矩阵数据中的收发分离信号，并结合角谱运算得到子矩阵频域重构图；运用快速傅里叶逆变换得到子矩阵聚焦图并将其融合得到全聚焦图像；最后运用多平面三维重构技术得到最终三维图像。结果表明，与传统F-TFM和F-SAFT算法相比，所提算法有效抑制了旁瓣效应的产生，双缺陷间距的定量误差缩减了20.31%,缺陷宽度定量误差分别缩减了5.43%和6.3%;当缺陷深度和双缺陷间距发生变化时仍可保证较高的检测灵敏度。     

基于概率幅值解调的机械故障诊断方法研究EI北大核心CSCD

针对机械设备发生故障时存在大量的调幅调频信号,提出了一种基于概率幅值解调的机械故障诊断方法。在提出的方法中,利用概率理论,将解调转化成推理过程,通过已有的先验知识对不确定性问题进行推理,达到推理解调的目的。仿真结果表明,提出的方法明显优于传统的希尔伯特包络解调方法,解调后的包络线与原信号拟合程度高。最后,滚动轴承故障故障诊断的试验进一步验证了提出的方法的有效性,提出的方法能有效地提取出滚动轴承故障特征。     

基于TUCKER-DBN的机械故障识别方法研究

针对传统深度信念网络（DBN）存在的分类精度不高、训练速度较慢、仅适用于一维信号等不足，将DBN结合TUCKER分解，提出一种新的故障识别方法。该方法首先利用TUCKER分解大幅度压缩数据，提取其核心张量作为故障特征，然后将核心张量输入到DBN分类器中进行训练和识别。将该方法与传统的DBN故障识别方法进行对比研究，在采集的120个样本中，选择30个样本进行故障识别测试实验。结果表明:使用TUCKER-DBN识别方法的识别率为93%，较传统的DBN故障识别方法的识别率更高；并且使用TUCKER-DBN识别方法的训练时间比传统DBN故障识别方法所用的时间更短。     

基于经验模态分解的钢丝绳缺陷漏磁检测

在钢丝绳无损检测领域，漏磁检测是最成熟也是应用最广泛的一种方法，但受检测环境影响，其难以直接从漏磁信号中提取缺陷特征。为此提出了一种基于经验模态分解的缺陷检测方法，首先使用小波和自适应调整阈值的软阈值方法去除漏磁信号中的噪声分量；然后采用经验模态分解方法分解信号，提取其中微弱的有用信息；最后，结合中等相关及以上的分量对信号进行重构，从而提取损伤特征，确定了损伤类型和位置。所提方法实现了钢丝绳在安全可用范围内的最大化利用，具有良好的经济效益。     

基于TRIZ的提升机钢丝绳缺陷检测系统设计

针对矿井提升钢丝绳人工检测效率低、劳动强度大、抽样检测易漏检等不足，运用TRIZ(Theory of the Solution of Inventive Problems)理论设计了一套矿井提升机钢丝绳缺陷检测系统。该系统包括登录信息填写、缺陷识别算法和自动报表生成3个主要模块。利用缺陷识别算法可生成金属截面积损失(LMA)和局部缺陷(LF)的波形图，利用EMD (Empirical Mode Decomposition)生成重构后的LMA及LF波形图，根据LMA图中的波峰信号判断钢丝绳断丝位置，结合重构后图谱中的峰值高度来确定断丝数量。     

无限隐Markov模型在缺失数据轴承退化趋势预测中的应用

相比较于在完整数据下设备性能退化预测，缺失数据下的预测是更加困难的，也是更有意义的。然而，现有的轴承性能退化预测方法都未考虑缺失数据下的预测，基于此，提出了一种基于无限隐马尔可夫模型的缺失数据下轴承退化预测方法。在提出的方法中，通过建立无限隐马尔可夫预测模型，预测了滚动轴承样本数据在振荡阶段所缺失的数据点，形成新的完整数据。同时，再使用建立的预测模型对新的完整数据进行单步预测。实验结果表明，与真实值对比，得到的预测数据具有较小的平均误差值；对比真实值、完整数据下的预测值和新的完整数据下的预测值，验证了提出方法的有效性，能够反映滚动轴承退化的变化趋势。提出的方法可为数据缺失下滚动轴承的退化趋势预测提供一种思路，具有重要的理论价值和工程应用价值。