运用免疫遗传算法优化WNN诊断滚动轴承早期故障

针对滚动轴承早期故障特征与故障类别非线性难以有效辨识的问题,设计一种基于免疫遗传算法优化小波神经网络(wavelet neural network,WNN)的滚动轴承早期故障诊断模型。首先对滚动轴承的早期振动故障信号进行EEMD分解,提取分解后的IMF分量能量作为小波神经网络的输入特征向量,采用免疫遗传算法优化小波神经网络的初始权值向量和阈值向量,加快小波神经网络的收敛速度,提高其训练精度。实验结果表明,基于免疫遗传算法优化小波神经网络的早期故障诊断模型可以有效应用于滚动轴承的早期故障诊断中,通过与传统故障诊断方法对比分析,验证了该模型的有效性和优越性。     

基于遗传退火优化MSVM的齿轮箱故障诊断

为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。     

基于粒子群优化LS-WSVM的旋转机械故障诊断

为了更好地进行旋转机械故障诊断,提出一种粒子群优化(particle swarm optimization,PSO)最小二乘小波支持向量机(least square wavelet support vector machine,LS-WSVM)的故障诊断模型.先将故障信号经验模式分解(empirical mode decomposition,EMD)为多个内禀模态分量(intrinsic mode function,IMF)之和,再提取表征故障特征的IMF分量能量构造特征向量输入到PSO优化的LS-WSVM进行故障模式识别.EMD分解可自适应提取故障特征信号,PSO参数优化可快速准确得到LS-WSVM的全局最优参数,提高LS-WSVM的故障诊断精度和自适应诊断能力.通过滚动轴承的故障模拟实验验证了该方法的有效性.     

改进U_Net网络的钢结构表面锈蚀图像分割方法

为实现锈蚀图像分割网络模型轻量化,同时消除非单一特征背景和锈液等类似特征背景干扰,本文将U_Net网络模型的编码部分替换为MobilenetV3_Large网络,导入基于ImageNet数据集的MobilenetV3_Large网络预训练权重,将U_Net网络模型解码部分的普通卷积替换为深度可分离残差卷积,并在上采样的过程中添加注意力导向AG模块和Dropout机制。经实验验证表明,本文设计的改进U_Net网络模型在非单一特征背景和锈液等类似特征背景干扰下,具有明显的锈蚀图像分割优势,相比于原U_Net网络模型,模型大小减少了81.18%,浮点计算量减少了98.34%,检测效率提升了3.27倍,即从原来不足6 fps,提升至19 fps。网络模型实现轻量化的同时,网络模型的准确率达95.54%,相比于原U_Net网络模型提升了5.04%。     

在役大型水工弧形闸门结构静强度与模态分析

为保证在役大型弧形闸门安全稳定运行，以葛洲坝工程水工弧形闸门为例，利用有限元分析软件，按设计水头对其进行静力学强度和模态分析，得出闸门最大应力集中点及变形情况，并根据自振频率、振型和最大变形位移判断闸门振动强弱。结果表明，闸门设计总水压力与理论计算偏差为4.7%,在5.0%误差控制范围内，弧形闸门整体最大应力为373.86 MPa、变形为12.938 mm,强度和刚度均能满足现行规范设计要求，面板底部存在局部应力集中，闸门整体振动变形量小于0.508 mm,振动强度不大，只有低阶频率出现在水流脉动压力的高能区，其发生共振的可能性小。     

基于注意力机制与双线性池化的锈蚀等级评估

水工机械装备(如闸门、拦污栅等)长期服役于水域环境,不可避免地会在其结构表面产生锈蚀。对于重要的关键受力结构件,如果不能准确检测其锈蚀的严重程度,导致其维修加固不及时,则会直接威胁受损结构周围人员的生命安全。目前,对水工机械装备锈蚀特征识别主要以人工目视检测为主,容易产生视觉疲劳,主观性较强,锈蚀程度的检测准确率不高。为此,本文提出了以VGG-16网络为基础、融合注意力机制和双线性池化的锈蚀等级评估方法。首先,利用RGB和HSV两种颜色空间中不同分量包含锈蚀图像特征不同的特点,将不同颜色空间作为不同支路网络的输入,使其能够充分利用不同颜色空间的图像特征；其次,在两个支路网络中嵌入注意力机制,通过注意力机制的可训练权重对锈蚀图像的特征进行重标定,调整权重,聚焦于最相关的特征进行学习；再次,采用双线性池化融合不同支路提取的特征,使网络聚焦于最相关的细粒度图像特征,提高网络模型对锈蚀图像细微差异特征的利用；最后,通过设置盐雾锈蚀实验,在获取的锈蚀图像数据集上对本文方法进行消融和对比分析。实验结果表明,相较于原模型及其他主流算法,改进后模型的分类准确率达到了95.30%,精确率、召回率、F1系数等评价指标均有大幅提升,本文方法针对不规则锈蚀图像特征能够取得更好的评估效果,可以转化应用于工程实际。