基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

基于分数Fourier变换的机械故障源盲分离方法的研究

结合分数Fourier变换和盲源分离,提出了一种基于分数Fourier变换的机械故障源盲分离方法,试验结果表明,该方法能有效地分离具有不同的分数Fourier变换的机械源信号。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念。定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰。阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中。为了对比分析,还通过类似的方法定义了矢Wigner分布。仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布。     

基于核函数主元分析的机械故障模式识别方法的研究

提出基于核函数主元分析的机械故障诊断方法,它保留主元分析的优点并具有处理非线性的能力.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对机械故障模式进行识别.并与主元分析方法进行对比分析,实验结果表明核函数主元分析法非常有效.     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

双链量子遗传算法的收敛性分析

基于实数编码和目标函数梯度信息的双链量子遗传算法可增加种群的多样性、扩大解空间的搜索域、加速算法的进化进程、避免早熟收敛现象,但没有从理论上证明该算法的收敛性。为此,给出相应的定理,利用定理从理论上证明该算法的收敛性,通过仿真实例,论述量子编码和量子旋转门对算法收敛性和优化效率的影响。结果表明,该研究丰富和完善了双链量子遗传理论。     

基于刚柔耦合的提升机钢丝绳横向振动因素分析

落地式摩擦提升机在运行过程中极易产生振动现象,影响提升设备的安全。为此,以多体动力学仿真软件为载体,考虑钢丝绳的柔性特性,建立刚柔耦合的摩擦式提升机仿真模型,研究加速度与制动曲线对提升钢丝绳横向振动的影响。实验与仿真结果表明：制动阶段时不同加速度运行工况下,摩擦提升系统极易产生横向振动,矩形加速度曲线产生的横向振动更小,上行工况比下行工况钢丝绳振动剧烈。     

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。     

主分量分析和因子隐Markov模型在机械故障诊断中的应用

主分量分析(principal component analysis,PCA)是统计学中分析数据的一种有效方法,可以将高维数据空间变换到低维特征空间,因而可用于多通道冗余消除和特征提取.因子隐Markov模型是隐Markov模型的扩展,它比隐Markov模型更有优势,适用于动态过程时间序列的建模,并具有强大的时序模型分类能力,特别适合非平稳、信号特征重复再现性不佳的信号分析.文中结合主分量分析与因子隐Markov模型,提出一种新的故障识别方法,即以主分量分析方法进行冗余消除和故障特征提取,因子隐Markov模型作为分类器.并应用到机械故障诊断中,同时与基于主分量分析的隐Markov模型的识别方法相比较,实验结果表明基于PCA的因子隐Markov模型识别法和基于PCA的隐Markov模型识别法在故障识别上都是有效的,但对于相同的状态空间,前者的训练速度快于后者,尤其是状态空间越大,这种优势越明显.     

基于分数阶微积分的裂纹转子系统非线性动力学特性研究

在考虑非线性涡动的情况下,建立了分数阶阻尼裂纹转子系统的非线性动力学模型,并用龙格-库塔法和连分式Euler法对其进行了数值仿真。讨论了分数阶阶次、转子转速和裂纹深度对分数阶阻尼裂纹转子系统非线性动力学特性的影响。研究结果表明：对于具有分数阶特性的转子系统,采用分数阶来建立裂纹转子系统模型,能更好地揭示系统的非线性动力学特性;在相同的裂纹深度和相同的分数阶阶次下,随着转速比的增加,转子系统依次经历混沌、倍周期和周期运动;在相同的转速比和相同的分数阶阶次下,裂纹深度比较小时,引起的转子刚度变化量不大,一般不会出现复杂的分叉与混沌现象;随着裂纹深度的加深,转子的刚度减小,转子系统呈现复杂的振动特性,裂纹故障特征越来越明显,转子系统由单周期运动变换到倍周期运动,二倍频分量占主导地位,同时其他倍频分量也相继出现。这些有价值的结论对转子裂纹的故障诊断提供了参考。