空间杆系结构的随机有限元分析

针对杆系结构分别或同时考虑了结构的物理参数、构件的几何参数及作用荷载等的随机性,提出了将确定性有限元随机化的方法,结合H-L（Hasofer-Lind）几何法,以结构的位移响应作为功能函数,得到结构中构件的可靠指标.通过算例表明随机变量的变异系数对构件可靠指标有较大影响,当同时考虑多个基本随机变量时,结构响应呈现出很强的随机性,基于随机有限元的可靠性分析方法具有一定普适性、可行性与实用性.     

混合CNN-HMM的人体动作识别方法

针对当前人体动作识别算法检测精度不佳和实验场景多样性的问题,提出了一种混合卷积神经网络?隐马尔可夫模型(CNN-HMM)的人体动作识别方法。建立了抬腿、深蹲和仰卧臀桥3组分别包含1个标准动作姿态和5个非标准动作姿态的人体康复训练动作模型库,结合可穿戴式惯性动作捕捉系统PN2.0获取实验数据。最后从准确率、灵敏度和特异性3个方面进行性能评估。实验结果表明,该方法能够以较高识别率将6种不同动作姿态区分开,其平均识别准确率为97.00%,相较于单一CNN方法提高了5.78%。     

简支梁振动实验台载荷识别的测试

简支梁可根据受力特点分别简化为单自由度系统和连续系统.本文首先由两种物理模型的振动方程推导出简谐激励力的识别公式,然后通过数据采集系统以及信号分析软件,得到系统的振动频率并应用识别公式,成功的对未知激励力进行了识别.     

基于属性层次模型的单工位状态监测异类传感器布置优化

为了获得足够有效的切削过程状态信息,确保产品质量/系统零部件的安全可靠运行,应采用可靠的监测策略并对传感器进行优化布置。针对单工位多工步切削过程状态监测,基于多工位误差流(Stream of variation,SOV)理论构建单工位多工步信息流模型,通过状态空间变换和主成分分析确定故障/监测量信息传递系数用来表征不同测点传感器的监测能力;考虑传感器以及故障/监测量之间的特性差异对于系统检测能力的影响,采用6Sigma的因果矩阵(Cause-effect matrix, CEM)和失效模式与影响分析(Failure mode and effect analysis, FMEA)工具分别对传感器以及故障/监测量特性进行量化表示;基于属性层次模型(Attribute hierarchical model, AHM)构建传感器,故障/检测量以及系统检测能力之间的因果关系,设定优化目标和约束条件,并采用元启发式算法-混合蛙跳算法(Shuffled frog leaping algorithm, SFLA)和遗传算法(Genetic algorithm, GA)用于优化计算。提出基于单工位状态监测的六步传感器优化布置策略。实例分析表明,在一定约束条件下,就优化目标而言, SFLA显示比GA更高的优化效率,为单工位状态监测的传感器布置优化提供实践参考。     

基于改进的二进制蚁狮算法的特征选择模型及应用

为了降低滚动轴承故障数据集的特征维度,选取最有效的数据特征,首先提出一种改进的二进制蚁狮算法,该算法通过引入种群保护集机制,对具有寻优潜力的部分蚂蚁进行保留,并将保护集内群体与主群并行迭代,以加强算法的全局寻优能力,然后通过0-1背包问题验证了该算法的有效性;最后将上述改进融入混合式特征选择模型中,在UCI标准测试数据集与凯斯西储大学滚动轴承故障数据集上分别应用该模型进行特征选择.实验结果表明,融合改进二进制蚁狮算法的混合式特征选择模型的识别精度与特征约简能力均得到明显的提升.     

简支梁振动实验台载荷识别的测试

简支梁可根据受力特点分别简化为单自由度系统和连续系统。本文首先由两种物理模型的振动方程推导出简谐激励力的识别公式,然后通过数据采集系统以及信号分析软件,得到系统的振动频率并应用识别公式,成功的对未知激励力进行了识别。     

铁路货车轴承故障声发射信号的小波分析处理

将声发射技术用于铁路货车轴承故障信号的采集，用小波分析进行带通滤波，从而减少了背景噪声和其他工况的干扰，成功地将正常轴承与故障轴承区分出来。     

面向机械加工过程的状态监测技术研究现状分析

机械加工过程状态监测对于提高工件加工质量,确保系统可靠性以及减少机床停机时间具有重要的实践意义。但是当前的研究对于机械加工过程状态监测技术的相关理论和方法缺乏总体性概括、分析和比较,从而难以为机械加工过程状态监测技术的后续研究提供可以参考的整体理论框架。为此,本文以当前表面粗糙度和刀具状态监测两大研究热点为研究对象,基于以下三点视角:(1)基于人工智能的状态监测策略;(2)基于统计学习的状态监测策略;(3)基于多传感器信息融合的状态监测策略,较为全面地介绍和论述了用于机械加工过程状态监测的相关理论和方法,并对其优缺点进行了对比分析,最后给出机械加工过程状态监测技术研究未来所面临的挑战。