基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于NB分类器重访概率预测的Web缓存替换策略

Web缓存是用来解决网络访问延迟和网络拥塞问题，缓存替换策略直接影响缓存的命中率。为此，提出一种朴素贝叶斯（NB）分类器重访概率预测的Web缓存替换策略；根据用户之前访问日志，通过分区操作提取多项特征来表示每次访问的对象，并构建特征数据集；训练NB分类器，用来确定缓存中对象被再次访问的概率，为对象分配权重；结合LRU策略来合理删除一些对象。仿真结果表明，提出的策略在保证较高命中率的同时有效降低了执行时间。     

基于贝叶斯推理的直升机自动倾斜器轴承动态阈值计算方法

针对加权平均方法计算得到动态阈值准确度不高的问题,利用正常数据概率密度和不同故障类型数据概率密度的特点,提出一种基于贝叶斯推理的直升机自动倾斜器轴承动态阈值计算方法。首先,采用奇异值分解对振动信号进行预处理,滤除噪声对动态阈值计算结果的影响;其次,采用故障频率能量特征提取方法,分别提取正常数据和内圈、外圈、滚珠故障数据的特征;最后,采用贝叶斯推理方法分别计算正常数据与内圈、外圈、滚珠故障数据的动态阈值。利用故障植入的方法获取数据,开展动态阈值计算试验,结果表明,方法能够正确找到正常数据和不同故障类型数据概率密度曲线的分界点,具有较高的正确率,较低的漏报率,方法提高了动态阈值的计算准确度。     

基于机器视觉的玻璃缺陷检测

随着科学技术的进步,高端显示屏产品对平板玻璃的质量要求越来越高,玻璃的表面缺陷检测技术也因此备受关注。传统的人眼检测方法工作量大且准确率低,已经无法满足生产实际要求。研究了一种基于机器视觉的玻璃质量检测系统,采用先进的CCD成像技术和背光式照明获取图像,用MATLAB图像处理工具箱对采集到的图像进行灰度值化、滤波降噪和阈值分割处理,实现对缺陷区域的特征提取和识别。最后用BP神经网络对玻璃表面的三种缺陷进行分类,该神经网络识别的平均误差率为9.84%,表明此检测方法具有一定的应用价值。     

张量鲁棒主成分分析及其在故障诊断中的应用

通常采集到的机械设备振动信号具有典型的非线性、非平稳特性,并且含有强背景噪声。一种新的张量鲁棒主成分分析方法被提出,该方法假设张量数据能被分解为代表信号特征的低秩成分和代表噪声的稀疏成分的叠加。首先将采集的一维信号重构到三维张量空间,然后通过求解一个凸优化问题来提取张量数据的低秩特征成分,从而实现信号的特征提取。该问题实质是由Tucker分解模型相关的Tucker秩凸包络的核范数和稀疏成分范数的联合最小化问题。分别通过仿真实验和实测的轴承外圈故障信号进行分析,结果表明提出的方法能成功的提取故障特征信息。