基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

孔径对铆接连接件疲劳寿命影响的试验

基于疲劳试验研究了孔径对铆接连接件疲劳寿命的影响.分析试验件破坏形式发现,疲劳破坏存在多个疲劳源,最先发生疲劳裂纹的铆钉位置可通过比较裂纹长度和宽度判定.比较该铆钉孔孔径对应的试验件的疲劳寿命试验结果表明:在较高应力水平作用下,不同孔径对应的疲劳寿命差异较小;在较低的应力水平作用下,对于凸头铆钉铆接件,孔径在4.07 ~4.08mm范围内的试验件疲劳寿命较优;对于沉头铆钉铆接件,孔径在4.07-4.10mm范围内的试验件疲劳寿命较优.为此,建议将5/32in的铆钉对应的孔径控制在4.07-4.10mm范围内,通过控制孔径的方法可以达到提高铆接连接件疲劳寿命的目的.     

火焰图像识别中常用算法综述

针对火焰图像识别问题,结合大量参考文献,总结了火焰图像识别中常用的算法,包括火焰图像区域的提取算法,火焰特征的提取算法以及火焰图像综合提取算法。根据参考文献的实验结果,归纳分析了各个算法的优点和不足之处,对于开展火灾图像报警工作有重要的指导意义。     

基于改进稀疏编码的微弱振动信号特征提取算法

针对强噪声环境下难以有效提取微弱振动信号特征的问题,提出了基于改进字典学习和移不变分量过滤(IDL-SICF)的稀疏编码振动信号特征提取算法。首先,将振动信号进行分段和平滑预处理以降低数据处理复杂度,接着利用改进的字典学习和高效系数求解算法构建基于移不变稀疏编码的自适应滤波器,然后过滤字典原子重构的移不变分量以获得表征信号本质特征的最优基函数,取最优基函数对应的移不变分量的特征频率强度作为评价信号特征提取效果的优劣。仿真和实测数据的试验结果表明,相比于现有微弱振动信号提取算法,提出的算法具有更强的特征提取能力,在实际应用中具有较高的可行性。     

电磁式助力转向系统模型分析及仿真

电磁式助力转向系统是一种拥有独立知识产权的新型助力转向系统。利用Matlab对其进行了建模和仿真,并通过对控制系数的合理选择,优化了系统的助力特性。     

ADAMS在汽车操纵稳定性仿真分析中的运用

利用ADAMS软件建立了某轿车的操纵动力学多体仿真模型,详细考虑了前后悬架系统、转向系统、轮胎以及各种连接件中的弹性衬套的影响,分析了汽车在方向盘转角阶跃输入时的转向特性.通过对不同车速、不同载荷下的仿真计算,得出汽车转向特性在这些条件下的不同表现,揭示了汽车转向特性与车速、载荷和轮胎的内在关系,为汽车操纵稳定性分析提供了参考.     

基于Gabor小波变换的ICA火灾图像纹理识别算法

针对火灾图像纹理识别问题,提出了基于Gabor小波变换的ICA火灾图像纹理识别算法,并根据火灾图像纹理识别特点进行了优化;首先用不同尺度和方向的Gabor滤波器对待识别图像滤波,得到其特征图像,然后将特征图像转化成特征向量作为ICA的输入,得到基矢量子空间,再将测试图像经过Gabor滤波器的特征向量投影到ICA子空间中得到系数向量作为目标识别特征,最后用支持向量机进行识别;通过与Gabor滤波器法和ICA方法的对比实验,表明该算法可以在火灾纹理图像的识别率上比传统方法提高5％以上,为火灾图像识别提供了一种新思路.     

基于一维卷积神经网络的滚动轴承自适应故障诊断算法

现有的滚动轴承故障诊断算法依赖于人工特征提取和专家知识,然而滚动轴承复杂多变的工作环境使得传统的智能故障诊断算法缺乏自适应性。针对此问题,提出了基于"端到端"的自适应一维卷积神经网络(ACNN-FD)故障诊断算法。首先,将各类故障状态的原始振动信号进行有重叠分段预处理用于构建训练样本和测试样本;然后,将每个训练样本以某一尺度的"时间步"进行划分作为所建立的一维卷积神经网络模型的输入,利用深度网络结构实现对原始振动信号特征的自适应层级化提取;最后在输出端利用Softmax分类器输出诊断结果。通过轴承数据库实验表明算法能够实现高达99%以上的故障识别准确率,同时在不同负载下良好的泛化性能,具备实际应用的可行性。     

基于卷积神经网络的层级化智能故障诊断算法

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.     

基于Workbench的铆接连接件疲劳寿命的仿真分析

基于Workbench计算机仿真软件,开展了铆接连接件疲劳寿命的仿真分析.研究结果表明:疲劳破坏发生在铆钉孔两侧应力集中处,破坏发生位置的Mises等效应力值最大,仿真结果与疲劳试验结果吻合；在较高应力水平下,仿真分析的疲劳寿命与疲劳试验的寿命结果差异较小；在较低的应力水平下,仿真分析的疲劳寿命和疲劳试验的寿命结果差异...