具有益生特性植物乳杆菌的筛选及其发酵特性的研究

通过体外益生特性和安全性评价试验,从4株植物乳杆菌中筛选出益生特性较好的益生菌菌株B14,并对B14的发酵特性进行研究。结果表明,植物乳杆菌B14与其它菌株相比,其对二甲苯和十六烷的疏水率达到80%以上,自聚集能力超过85%,共聚集能力超过75%,表现出更好的益生特性,同时,B14对Caco-2细胞的黏附能力达到30.756%,且初步判定为安全菌株。将植物乳杆菌B14作为辅助发酵剂添加在发酵乳中,24 h内发酵乳的黏度、滴定酸均得到了一定的提高。表明植物乳杆菌B14具有作为发酵乳益生菌辅助发酵剂的潜在应用前景。     

转子系统参数对全矢谱参数影响的研究

根据转子系统轴承刚度和阻尼系数呈各向异性及圆盘具有偏心量的特点,建立全矢谱各参数、刚度、阻尼系数和偏心量之间的关系。应用ANSYS建立转子-支承系统的有限元模型,分析刚度、阻尼系数以及偏心量对全矢谱各参数的影响。研究结果表明,在恒定转速下,刚度和阻尼系数对主副振矢、偏心率及方位角均有影响,偏心量仅影响主副振矢的大小,对轴心运动轨迹的形状和位置没有影响。根据上述参数之间的关系,提出了根据偏心率和主副振矢故障判别的方法,并给出传感器的安装原则,研究结果对于应用全矢谱技术进行旋转机械动力学特性分析及故障诊断具有一定的参考价值。     

全矢小波包-包络分析方法及其在齿轮故障诊断中的应用

在旋转机械故障诊断中，针对传统单源信息采集的不全面性，提出了一种基于全矢谱技术的小波包-包络分析方法。首先对同源双通道信息分别采用小波包分解，根据需要选择频段的信息，并对提取的信号进行重构。然后采用全矢Hilbert解调分析方法对重构信号实现包络解调，并与两单源信息的包络解调相比较，说明了仅以单源信息为诊断依据的不足。利用全矢谱技术进行融合的全矢小波包-包络解调技术，不仅继承了小波包-包络分析方法的优势，而且更加全面地反映出了信号的真实性。最后通过仿真信号对其算法的可行性进行了验证，同时又以齿轮的故障振动信号为例，进一步表明了该方法在故障诊断中的有效性。     

全矢动平衡方法及其实验研究

将全矢谱技术应用于转子动平衡领域,提出1种新的转子动平衡方法——全矢动平衡方法(FVDB),给出了该方法的实现途径和核心算法.与传统影响系数法相比,该方法具有精度高、评价方法客观的优点.实验表明:该平衡方法效果好,操作简单,经该方法平衡过的转子,测得的振截面各个方向的振动都能控制到较低的水平,弥补了传统平衡方法单方向振动降低而其他方向振动仍处于超标状态的严重缺陷.     

全矢RNN的轴承故障诊断研究

本文提出了一种基于全矢谱的RNN故障诊断方法.RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类.全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征.经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型.     

ARIMA模型在旋转机械振动预测中的应用

分析了旋转机械振动的特点和 ARIMA 模型的建立及其他相关问题,阐述了利用 ARIMA 模型对旋转机械振动趋势序列进行预测的步骤和方法,并利用VC 6.0编程实现了自动建模和预测等功能.实例表明:时于满足该模型适用条件的非平稳序列,利用ARIMA 能够准确将其通过差分变成平稳序列,因而能够对该序列进行精确的多步预测.     

基于自动编码器和SVM的轴承故障诊断方法

支持向量机(support vector machine,SVM)应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络(deep neural network,DNN)的应用与推广,自动编码器(auto-encoder,AE)在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器(denoising autoencoder,DAE),进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解(empirical mode decomposition,EMD)能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.     

旋转机械故障可视化方法的研究

将高维的各种故障样本数据经降维和聚类后，在二维的平面上显示出来，使每种类别的故障占据平面的不同区域，从而达到故障可视的目的。据此能很好地对新的样本进行故障识别，还可以对故障的发展趋势进行预测。采用Ko—honen的自组织神经网络方法可以对故障样本数据进行降维和聚类。实例说明了该方法的正确性。     

SPME-GC-MS结合组学技术分析发酵椰奶特征风味与风味物质相关性

为了分析发酵椰奶特征风味与风味物质相关性,利用固相微萃取—气相色谱—质谱联用技术(Solid-Phase Micro Extraction-Gas Chromatography-Mass Spectrometry,SPME-GC-MS)分别对发酵椰奶、原味椰奶和酸牛奶中的风味成分进行测定,同时进行感官评价;并且结合组学技术从感官和风味物质方面分析了发酵椰奶的特征风味。研究结果表明,发酵椰奶感官风味特征在甜味、酸味、椰子味、奶香味、乳脂味以及醇香味感官评分较高,对发酵椰奶的喜好感主要受甜味、酸味、椰子味以及香草味的影响;而相比原味椰奶甜味过高,且伴随有较浓蒸煮味。从发酵椰奶中共检测出23种风味成分,比原味椰奶和酸牛奶分别多5种和2种;相比原味椰奶,发酵椰奶中酸类和酯类物质相对含量分别减少了11.005%和11.670%,而醇类、酮类和醛类物质相对含量分别增加了6.015%,10.295%,1.975%;酸牛奶中酸类物质是其主要风味成分,比发酵椰奶相对含量高31.79%。发酵椰奶中2,3-戊二酮、3-羟基-2-丁酮等风味成分主要贡献了果香味、奶香味和焦糖气味,酯类物质主要贡献了香草味、甜味、椰子味和蒸煮味。     

具有多核结构的稀疏化DNN在轴承诊断中的应用

为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。