一种基于油液光谱分析和免疫原理的内燃机磨损故障诊断方法

人工免疫系统(AIS)具有分布性、自适应性和动平衡性等特点,通过在油液分析领域引入免疫原理,将油液光谱分析的正常数据和故障数据分别作为AIS的自己串和非己串,进化学习后生成典型故障条件下的成熟检测器,并依据该检测器对某型军用内燃机油液分析数据进行了故障诊断.应用结果表明:新的内燃机故障诊断方法能够有效分辨出故障数据,取得了很好的故障诊断效果.     

基于机器学习的人体步态检测智能识别算法研究

为实现快速步态状态判断,以更好地对下肢外骨骼进行高精度的步态识别和控制,进行了基于可穿戴惯性测量装置检测人体姿态变化的算法研究。通过对人体下肢的跌倒、转弯、蹲坐与起立等非周期性步态变化活动进行测算试验,获得了受试者实验过程中身体角度、下肢关节角速度和加速度变化等数据,随后应用随机森林等4种机器学习经典分类算法对受试者进行了活动识别对比分析,结果表明,决策树监督学习算法相对于其他算法,能够快速、准确地检测并判断出人体非周期性变化中的多种活动状态,历次识别精度均可达到99%以上,为可穿戴智能装备的开发与应用提供理论基础。     

基于物理模型和修正灰色模型的行星轮系疲劳裂纹故障预测方法

结合物理模型与灰色理论,提出行星轮系齿根疲劳裂纹故障预测的新思路.针对直升机主传动系统中的2k-H行星轮系,建立太阳轮齿根疲劳裂纹损伤的物理基模型,通过仿真获得不同损伤严重度的振动仿真信号.选择并计算仿真信号的故障特征矢量,并以此作为损伤特征的标准模式,对待检信号特征矢量与标准模式进行灰色关联度分析,根据关联度对裂纹进行定量检测.结合物理模型仿真信号对灰色预测模型进行修正,使之具有更好的疲劳裂纹故障预测能力.对试验中的疲劳裂纹进行定量检测和故障预测.试验数据验证了本方法对行星轮系太阳轮疲劳裂纹的定量检测和故障预测能力.     

基于AMESim的液压缸内泄漏仿真分析

液压缸内泄漏是影响工程机械性能和效率的主要故障现象之一。在深入分析液压缸内泄漏原因的基础上,运用液压机械系统建模仿真软件AMESim建立某机械化桥锁紧液压缸工作回路仿真模型,通过仿真所得液压缸内泄漏量与相同工况下用传统方法计算所得泄漏量基本吻合,进一步的仿真分析表明液压油动力黏度特别是液压缸活塞与缸壁间隙大小对液压缸内泄漏影响较显著。     

油液光谱分析比例模型的建立

针对油液光谱分析中数学分析模型的建立问题，分析了现有光谱数据数学分析模型的不足，提出了比例模型的概念，介绍了比例模型的建立过程，给出了比例模型界限值的制定方法，并应用比例模型对某型发动机进行实际磨损状态监测。     

基于D-S证据理论的发动机信息融合故障诊断模型

建立了基于D-S证据理论的发动机信息融合故障诊断模型.通过油液光谱分析得到监测元素的浓度值、梯度值和比例因子,采用模糊综合评判法将其组合在一起作为光谱各元素的综合评价指标,同理得到铁谱磨粒总数和各磨粒综合评价指标.最后,利用故障诊断模型对所得的16个光谱、铁谱综合评价指标进行融合,提高了故障诊断的准确率,实现了发动机故障的准确诊断.     

装备发动机运行状态识别

通过油液光谱分析得到发动机润滑油中各磨损元素的浓度值,以所得的浓度值为依据,对装备发动机运行状态进行识别研究.运用BP神经网络方法区分发动机运行"正常"和"异常"2类状态,针对该方法表现出的分类准确率不高的问题,运用支持向量机方法进行解决.实例表明,支持向量机方法在装备发动机运行状态识别中更为准确可靠.     

求解TSP问题的遗传算法实现

TSP问题是一个典型的优化组合问题，现在有很多解决的方法。本文针对遗传算法求解TSP问题进行了研究，对选择、交叉和变异算子进行了算法设计，最后在Matlab软件上进行编程实现。结果表明，遗传算法在求解TSP问题时具有结果准确、收敛速度快等特点。     

基于油液和振动信息融合的自行火炮齿轮箱故障诊断方法

油液分析和振动分析技术是用于自行火炮齿轮箱的两大有效状态监测技术，但在实际监测中，这两种技术是分别应用的，故障诊断结论受试验方法和诊断水平影响很大，容易带来漏报和误报。如果将这两种信息进行信息融合，将极大提高诊断的精度和可靠性。通过建立试验台架采集油液分析数据和振动信号，然后通过提取这两种信息的特征参数，采用D-S证据理论对上述两种信息进行融合，得到更为准确的状态信息。通过试验证实，该故障诊断方法能够有效检测自行火炮齿轮箱故障，有较强的工程应用价值。     

遗传算法和神经网络在铁谱图象识别中的应用

针对BP算法在神经网络学习中的一些缺点,将遗传算法应用于BP神经网络的网络学习中,提出了一种BP-GA算法。最后,应用神经网络对铁谱图象进行智能识别,实验结果证明它比单纯的BP算法有更佳的结果。