改进ILoG算子的故障检测方法

针对强背景噪声干扰下轮对轴承故障特征微弱、难以准确检测的问题,提出了一种自适应改进高斯拉普拉斯(improved Laplacian of Gaussian,简称ILoG)算子的微弱故障检测方法。ILoG算子滤波器具有优良的信号突变特征检测能力,将其用于轮对轴承故障信号的冲击特征检测,同时利用水循环算法(water cycle algorithm,简称WCA)的寻优特性,并行搜寻筛选最佳的ILoG算子影响参数,通过对参数优化后ILoG算子滤波后信号做进一步包络解调分析,提取出轮对轴承微弱的故障特征信息。对实际轮对轴承外圈和内圈故障信号分析的结果表明,该方法可以有效检测出轴承微弱故障特征频率,故障检测效果优于小波阈值和多尺度形态学差值滤波方法。     

声发射检测技术用于滚动轴承故障诊断的研究综述

声发射是材料受力变形产生弹性波的现象,故障滚动轴承在运转过程中会产生声发射.从几个方面综合阐述了国内外轴承故障声发射检测技术的研究和发展现状,即轴承故障声发射信号的产生机理,故障声发射信号的传播衰减特性,声发射信号的参数分析法和波形分析法对故障特征的描述,轴承故障声发射源的定位问题,根据信号特征进行故障模式识别以及声发射检测和振动检测的比较问题.通过分析总结出滚动轴承声发射检测技术下一步的研究方向,并指出滚动轴承故障的声发射检测是振动检测的有力补充工具,特别是在轴承低转速和故障早期的检测中更能发挥作用.     

相关熵和双谱分析齿轮故障诊断研究

相关熵为高斯、非高斯噪声处理的一种有效方法,针对强高斯噪声和非高斯噪声干扰下齿轮故障诊断问题,提出了一种基于相关熵和双谱的齿轮故障诊断方法。该方法综合利用高斯核函数和不完全 Cholesky 分解算法计算信号的相关熵,然后再计算相关熵的双谱,根据相关熵的双谱特征识别齿轮故障。通过不完全 Cholesky 分解算法计算信号的相关熵,不仅大大压缩了数据量,突出了齿轮故障特征,而且提高了计算效率。通过仿真和齿轮磨损故障振动信号分析结果表明：强背景噪声会造成传统双谱故障诊断方法失效,而基于相关熵和双谱分析的齿轮故障诊断方法,能在强噪声干扰背景中提取齿轮的故障特征准确识别齿轮故障,其性能优于传统双谱和小波变换域双谱,为一种有效的齿轮故障诊断方法。     

高聚物熔体松弛时间谱的计算

松弛时间谱是描述聚合物熔体粘弹性质的重要参数,它不能通过实验直接获得。基于聚合物熔体储能模量和耗能模量,给出了采用最小二乘线性回归得到熔体松弛时间 谱的计算方法。通过一个算例检验该算法的有效性,分析了松弛时间及松弛模态数的选取对计算结果的影响,并提出相应的改进的措施。     

塑料异型材挤出模头内流动的数值模拟

介绍了一种基于横截面法和流动路径法混合的异型材挤出成型中熔体在模头内流动的数值模拟方法 ,可用于预测截面复杂的异型材挤出模头压力降和具有多个分支流道的挤出模头出口处物料的平均流速 ,并通过两个例子说明了数值模拟结果的可靠性和用途     

基于柔性形态滤波和支持矢量机的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的强噪声背景以及现实中不易获取大量典型故障样本的特点,提出一种基于柔性形态滤波和支持矢量机(Support vector machine,SVM)的滚动轴承故障诊断方法.柔性形态滤波既可以有效地提取出信号的边缘轮廓和信号的形状特征,同时又具有稳健性;SVM具有良好的分类性能,特别在小样本、非线性及高维特征空间中具有较好的推广能力;SVM分类器的惩罚因子和核函数参数采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖.首先对振动信号进行柔性形态滤波,然后提取滤波后信号的故障特征频率的归一化能量为特征矢量作为SVM分类器的输入参数,用于区分滚动轴承的外圈、内圈和滚动体故障,SVM分类器的参数采用标准粒子群优化算法进行优化.试验结果表明了方法的有效性.     

机车齿轮传动系统多元信号时变盲分离研究

齿轮传动系统是保障机车安全稳定运行的最重要的关键装备之一,其运行状态具有时变性、不可预知性和动态联动性等特点,采用传统故障诊断方法进行故障特征获取仍然存在误诊、漏诊等现象。稀疏盲分离是一种能够在信号传输通道有限的情况下,依据正交基映射将多元非线性信号有效分离的软计算方法。但是在实际工况中,机车齿轮故障数据往往是微弱性和不确定性的,从而导致稀疏分离后的源信号特征无法准确诊断故障。因此,提出一种基于变尺度经验模态分解的自适应时变盲分离方法,利用稀疏化处理和迭代筛选进行分离获取故障源,通过调整时间跨度获取最优本征模态函数,删除冗余因素,有效提高故障特征识别准确率。通过仿真试验数据验证,进一步表明了该方法在低信噪比状态下快速准确获取故障特征的有效性,能够为铁路运输的状态检测和故障诊断提供关键技术。     

一种基于轻量级神经网络的高铁轮对轴承故障诊断方法

深度神经网络技术用于机械设备故障诊断展现出了巨大潜力,但繁重复杂的计算量对计算机硬件提出了严苛的要求,严重限制了其在实际工程中的应用。基于此提出一种新型的轻量级神经网络ShuffleNet,用于高速列车轮对轴承故障诊断研究。该网络模型基于模块化设计思想,包含多个高效率的ShuffleNet单元,通过运用分组卷积与深度可分离卷积技术极大改善了传统卷积操作的运算效率;同时使用通道混洗方法克服了通道分组带来的约束,改进了网络的损失精度。实验分析表明,所提网络模型可有效用于复杂工况下高速列车轮对轴承故障诊断,相比传统卷积神经网络、残差网络和Xception等当前深度神经网络模型,在保证诊断精度的同时,运行效率得到大幅提升。这为深度神经网络技术应用于工程实际,克服计算机硬件条件限制提供了一条新的途径。      

基于SK-CICA和Teager能量算子的滚动轴承故障诊断方法

针对滚动轴承早期微弱故障能量小,易受背景噪声干扰的问题,提出了基于谱峭度(SK)和约束独立分量分析(CICA)相结合的方法来提取故障特征。首先,对信号的快速谱峭度图分析得到带通滤波的优化参数,以实现降噪作用;然后,将滤波后的信号作为CICA的输入信号,依据滚动轴承故障特征频率建立参考信号,提取出目标振动信号;最后,利用Teager能量算子解调方法得到信号的能量谱,识别故障特征。     

基于自适应Morlet小波参数字典设计的微弱故障检测方法研究

针对强背景噪声干扰下微弱故障冲击特征难以准确检测的问题,提出了一种基于自适应Morlet小波参数字典设计的齿轮故障诊断法。该方法基于信号局部分割和全局分析的思想,采用相关系数(CF)与峭度指标综合评价小波函数与目标信号的局部匹配度与全局匹配度,利用鲸鱼优化算法(WOA)自适应确定小波字典参数,逐点时移构建原子参数字典后,结合正交匹配追踪(OMP)检测故障特征信息。对仿真故障信号和齿轮实际故障信号分析的结果表明,该方法可以有效提取齿轮微弱故障特征,诊断效果优于传统的相关滤波算法(CFA)、小波降噪法和K-SVD学习字典方法。