一种基于对角切片高阶谱的故障识别方法

针对轴承故障信号中调制信号二次相位耦合的特点,提出了一种基于对角切片高阶谱的故障识别方法。该方法利用希尔伯特变换构造原始信号的解析信号,在高阶谱分析的基础上求其对角切片谱,可以有效地分析二次相位耦合引起的非线性信号。通过理论分析和轴承故障诊断实例,表明该方法可以有效地抑制噪声,提取振动信号的非线性特征,完成对轴承外圈故障和内圈故障特征的识别。     

多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别

针对不同工况下样本有限不平衡造成滚动轴承寿命阶段识别中少数类样本无法被有效识别的问题,提出了多分类器集成加权均衡分布适配的滚动轴承寿命阶段识别方法。首先,采用随机抽样的方式获得源域多样本训练集,为目标域预测伪标签的同时赋予样本不同的初始权重,充分训练少数类样本;然后,在再生核希尔伯特空间训练各源域样本集的分类器,并通过迭代的方式优化伪标签、更新权重矩阵;最后,通过多分类器集成策略将合适的基分类器集成为强分类器,以获得最终识别结果。结合F-score评价标准,使用宏平均与微平均评价指标对多分类任务进行评价避免了准确率对识别结果的误导。在两组滚动轴承寿命阶段数据集上进行实验验证,证明了所提方法的可行性和有效性。     

龙南稀土矿区周边水体污染特征及风险评价

为研究龙南稀土矿区地表水和地下水污染物迁移规律及污染成因机制,开展了矿区周边地表水、地下水水质现状监测工作,对研究区周边地表水、地下水中pH、硫酸盐、硝酸盐、亚硝酸盐、氨氮浓度进行分析测定,运用改进内梅罗综合污染指数法和健康风险评价模型对水体污染程度及不同年龄段人群健康风险进行评估。结果表明,地表水料坑处的综合污染指数最高,达到54.19,属于严重污染程度;关西翰岗桥处综合污染指数最低,仅为2.119,属于较清洁程度;料坑、黄沙河和临塘一处理站下游的综合污染指数均达到严重污染程度;地下水采样点综合污染指数均达标,水质清洁。健康风险评价结果表明,研究区地表水及地下水中的硝酸盐对人体造成的健康风险较大,亚硝酸盐与氨氮次之;经非致癌健康风险计算,饮用地下水和地表水对不同年龄人群的影响程度为幼儿＞青年＞成人,因此应对龙南稀土矿区周边0~6岁幼儿用水安全给予更多关注。     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法

针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

Hilbert-Huang变换分析仪及其在机械故障特征提取中的应用

为了提高应用希尔伯特-黄变换(Hilbert-Huang transform,HHT)进行机械故障特征提取的便携性和效率,在Visual C++6.0平台上开发了HHT分析仪。比较了HHT中不同插值方法、端点延拓方法及停止准则的效率和精度,得出了不同算法的优缺点和适用场合,提出了不同算法的选用策略。将开发的分析仪与美国DynaDx公司的DataDemon中的HHT算法结果进行比较,验证了分析仪算法的正确性。最后,将分析仪应用在滚动轴承外圈故障和转子横向裂纹的分析中,准确提取了故障特征。     

基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断

针对噪声和不同转速的复杂工况下滚动轴承故障诊断问题,提出一种基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断方法。在深度残差收缩网络中加入领域适配层构建出具备降噪与适配能力的深度残差收缩迁移网络,从而减小噪声带来的干扰及转速变化导致的分布差异。首先,利用注意力机制学习经卷积层后各特征通道的重要性自动设定一组阈值,借助软阈值化将阈值范围内的特征置为零,减少噪声带来的干扰;然后,通过边缘分布适配对齐两域特征分布,减小转速变化带来的分布差异;最后,在Softmax分类层下实现端到端的复杂工况下滚动轴承故障诊断。复杂工况下滚动轴承故障诊断试验验证了所提方法的可行性和有效性。     

自适应参数优化EEMD机械故障特征提取方法

针对应用集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)进行机械故障特征提取时两个重要参数k(白噪声幅值系数)和M(总体平均次数)的选取问题,分析了不同幅值系数的白噪声对信号极值点分布均匀性和EEMD分解精度的影响规律,提出了基于信号极值点分布均匀性的EEMD自适应参数优化方法。该方法根据信号本身特点,自适应选取使信号极值点分布最为均匀的白噪声幅值系数作为EEMD的k值,再通过设置期望分解误差计算得到M值。通过仿真分析和工程应用,验证了所提方法的可行性和有效性,与现有EEMD参数选取方法的对比结果表明了该方法的优势。     

PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断

为在非经验指导下获取多尺度一维卷积神经网络中卷积核数目和尺度最优参数,实现风机基础螺栓松动智能诊断,提出粒子群优化(particle swarm optimization, PSO)多尺度一维卷积神经网络的风机基础螺栓松动诊断方法。首先,获取风机一维原始振动信号,划分训练集与验证集;然后,将多尺度一维卷积神经网络中卷积核数目和尺度作为PSO的粒子,以验证精度作为适应度值,根据适应度值更新粒子速度和位置,经训练后获得最优卷积核数目和尺度参数下的多尺度一维卷积神经网络;最后,输入测试样本,得到风机基础螺栓松动诊断结果。在稳定转速和升降速下进行风机基础螺栓松动诊断试验,结果表明,PSO优化多尺度一维卷积神经网络的风机基础螺栓松动诊断方法可在非经验指导下获取最优参数,可从一维原始信号中提取出有效松动特征,具备良好的松动诊断效果。