多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

基于云理论和Relief⁃F的滚动轴承故障识别方法

为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法。首先,对多传感器振动信号分别进行特征提取,将获得特征向量作为一维特征面构造多传感器特征面集合,将该集合作为深度卷积神经网络的输入;其次,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后,由softmax回归分类器输出诊断结果。实验结果表明,该方法具有更高的故障分类与辨识能力,良好的鲁棒性和自适应性。本方法可为解决复杂机械系统故障诊断的多传感器信息融合问题,提供理论参考依据。     

强差异性神经网络集成的转子故障识别方法

针对误差反向传播（back propagation,简称BP）神经网络在作为传统Bagging集成学习机中的基分类器时,存在相互之间差异性偏低的问题,引入一种特征扰动法对集成学习机的分类性能进行改进。首先,将Relief?F特征评估算法和改进轮盘赌选择法进行结合,并设置基分类器的数目为30个,从转子故障特征集中选择出30个特征子集,每个特征子集的故障特征维数为30;其次,将训练集和测试集分别投影在对应的30个故障特征子集上,得到对应于30个基分类器的系列训练子集和测试子集,通过此方式实现了特征扰动环节;最后,利用Bagging集成学习机中自带的自助采样法对各训练子集进行处理,使其在最终输入至各基分类器时在特征空间和样本集合上都具有一定的差异性,间接使训练后的基分类器之间显示出更高的差异性,让最终的分类结果可信度更高。用一种低维双跨转子故障数据集对该集成学习方法进行类别辨识的结果表明,本方法能够显著提高BP网络的辨识准确率,并且具有良好的抗干扰性能。     

高炉喷吹煤配加供料系统除尘灰可行性分析

除尘灰的合理利用一直是钢铁厂面临的问题之一,近年来国内重点钢铁企业都在将干熄焦除尘灰配入喷吹煤中进行高炉喷吹,实现了除尘灰的资源化利用。为了明悉不同除尘灰进行高炉喷吹时工艺性能的区别,提升高炉消纳除尘灰的能力,对首钢京唐公司所产干熄焦除尘灰CC9、供料系统除尘灰C8和CCJ1及其与煤粉混合喷吹的可行性进行分析,并根据研究结果在首钢京唐3号高炉进行工业试验。研究结果表明,3种除尘灰均具有高固定碳含量和低的挥发分,燃烧性能比高炉喷吹煤粉差,在配加比例不超过5%情况下,干熄焦除尘灰CC9混煤与供料系统除尘灰C8以及CCJ1混煤燃烧曲线接近,供料系统除尘灰可以配加到煤粉中进行高炉喷吹。从工业试验结果来看,配加5%供料系统除尘灰对高炉喷吹煤粒度、除尘灰成分以及高炉炉况和燃料消耗均不会造成较大影响,可以替代干熄焦除尘灰,弥补除尘灰高炉喷吹资源缺口。     

基于ADAMS/AMESim/Simulink油气悬架动态性能影响因素分析

油气悬架以其良好的非线性特性而被广泛应用。以单气室油气悬架系统为研究对象,考虑气体在油液中的溶解和掺混、油液可压缩性及内部密封摩擦等的影响,基于气体状态方程、油液孔口出流方程,建立其非线性数学模型,通过数学模型找出影响油气悬架输出特性的主要结构参数和工作参数;设计并搭建油气悬架试验台,在ADAMS中搭建试验台虚拟样机模型,在AEMSim中搭建油气悬架系统的液压模型,在Simulink中设计频率加权函数滤波器,通过ADAMS/AMESim/Simulink三者联合搭建分析模型;通过试验与仿真结果对比验证了模型的准确性;分析主要参数对其动态特性的影响规律,为实际设计提供了参考。     

集成 KPCA 与 t‑SNE 的滚动轴承故障特征提取方法

针对滚动轴承原始数据集包含高维非敏感特征的问题,提出一种集成核主成分分析（Kernel Principal Component Analysis,KPCA）与 t?分布随机邻域嵌入（t?distributed Stochastic Neighbor Embedding,t?SNE）的滚动轴承故障低维敏感特征提取方法。该方法先计算滚动轴承原始振动信号的时域、频域以及时频域特征,构建初始高维特征数据集。利用 KPCA 降低高维数据集的相关性,在最大化高维数据全局特征方差的目标下,提取出非线性特征子集。通过 t?SNE 充分挖掘故障特征数据集的局部结构信息,进一步获取具有高判别性的低维敏感特征子集。将低维特征子集输入到 k?近邻分类器（k?nearest Neighbor Classifier,KNNC）进行分类,以分类准确率和聚类结果作为度量指标,对特征提取结果的优劣予以评价。上述过程综合考虑了数据集的全局和局部结构特征,充分利用了数据自身的结构信息,从而可准确提取其低维敏感特征。将该方法用于滚动轴承故障诊断实验中,通过与其他典型特征提取方法进行对比,及其对含噪情况下轴承故障特征的准确提取,验证了方法的有效性。     

关于上肢康复机器人机构参数的研究

本文在对上肢康复机器人的使用要求分析基础上,对其训练动作、机构自由度、运动参数和设计方案进行了研究,为上肢康复机器人的产品设计打下了基础。     

面向数据不平衡的卷积神经网络故障辨识方法

针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称M...     

基于A3936的无刷直流电机控制系统的设计

以A3936芯片作为电机控制器,实现了无刷直流电机电流与速度的双闭环控制系统方案。由于A3936是功率DMOS器件栅极驱动型集成电路,因此在硬件上简化电路设计,软件上采用了双闭环控制,提高了系统的可靠性;此外还具有欠压、过流保护功能,且成本低,实用价值高。