基于广义S变换与双向2DPCA的轴承故障诊断

将轴承故障诊断问题转化为故障信号时频图像的识别问题,提出一种采用双向二维主成分分析(two-directional,two-dimensional,principal component analysis,简称TD-2DPCA)的时频图像矩阵特征提取方法。首先,利用广义S变换将轴承故障信号变换为时频域图像,采用一种双向压缩的二维PCA方法对图像信息进行特征提取;然后,进行了轴承故障试验,分别采集了轴承在正常、内圈故障及外圈故障状态下的振动信号,采用所述方法对轴承3种状态下的时频分布图像进行特征提取,并根据集成矩阵距离(assembled matrix distance,简称AMD)实现图像的分类识别。试验结果表明,结合广义S变换的双向2DPCA特征提取算法可有效提高计算效率,同时具有良好的诊断性能。     

基于自组织映射的齿轮箱状态监测可视化研究

提出了一种自组织映射网络训练结果的可视化方法——距离映射祛,该方法通过计算出竞争层神经元权矢量与输入模式的相似度,并综合考虑神经元的网格分布,把输入矢量降维映射到二维平面。结合该方法研究了自组织映射网络在齿轮箱故障识别和状态监测中的应用。与U—矩阵法相比,该方法能更加清楚地将齿轮正常、裂纹和断齿状态的特征数据映射到二维平面的不同区域,将齿轮箱状态聚类分开,特征数据在平面上的映像点轨迹变化趋势直观反映了齿轮箱工作状态的变化,便于及时监测识别出齿轮的早期故障及其变化趋势。     

ZFFT与Chirp-Z变换细化选带的频谱分析对比

在细化选带频谱分析中，复调制细化方法（ZFFT）和线性调频Z变换方法（Chirp—Z变换）是常用的两种方法。通过理论分析和仿真计算，对两者在算法、特点和误差方面进行对比分析表明：对于单频率和谱线干涉不严重的多频率谐波成分，使用FFT后进行校正，或者使用CZT细化分析，均能得到高精度的频率、幅值和相位，不必使用ZFFT；对于发生严重干涉现象的密集多频率谐波成分，ZFFT通过增大细化倍数后重采样，把干涉的各频率成分分离后进行校正可获得高精度的信号参数，但CZT只是把细化分析频带局部放大，无法消除干涉影响，提高频率分辨率也无法分离出信号的真实频率成分。通过增大采样点数，减少干涉产生的误差，CZT可以获得较高精度的信号参数，但却大大增加了运算时间。     

基于非线性判别分析的齿轮故障分类方法研究

针对复杂机械故障的模式分类问题,提出一种基于非线性判别的多故障分类方法.与线性判别分析相比,基于核的判别分析更适于处理线性不可分的分类问题.将此方法用于齿轮齿面点蚀、剥落以及磨损等故障的分类识别,取得了很好的分类效果.研究表明,基于核的判别分析适于在积累历史故障征兆基础上对多种机械故障进行分类识别.     

基于非线性判别分析的故障分类方法研究

针对复杂机械故障的模式分类问题,提出一种基于非线性判别的多故障分类方法。与线性判别分析相比,基于核的判别分析更适于处理线性不可分的分类问题。分析了基于核的判别分析方法与核函数主元分析方法之间的联系与差异,指出了两者不同的应用背景,核函数主元分析适于检测机械设备异常状态的出现,而基于核的判别分析则适于在积累历史故障征兆基础上对多种机械故障进行分类识别。将上述方法应用于风机工作状态的分类识别与齿轮故障模式分类,结果表明该方法对于多种复杂的故障模式分类具有出色表现。     

FFT+FT离散频谱校正法参数估计精度

研究用FFT谱连续细化傅里叶变换分析法进行离散频谱校正时的参数估计误差。分析无噪声情况下频率﹑相位﹑幅值的估计误差随细化倍数的变化规律,估计精度随细化倍数的增大而提高,当细化倍数大于40时,最大估计误差几乎可忽略不计。在高斯白噪声的影响下,细化后频谱序列最大值找错的概率随细化倍数的增加而增加,综合考虑频率分辨率对频率估计精度的影响及频谱序列最大值找错的概率,提出用归一化频率估计综合误差和归一化频率估计最大可能误差两个指标评价此校正法对频率的估计精度,并基于此给出不同信噪比条件下的最优细化倍数。采用非线性最小二乘拟合法对噪声影响下的FFT谱连续细化傅里叶变换分析校正法进行改进,通过仿真模拟验证改进后该校正方法具备更高的校正精度和抗噪能力。     

基于改进堆叠降噪自编码的滚动轴承故障分类

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用。其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加"损伤噪声",然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类。然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN)。     

基于图论和直推式支持矢量机的齿轮早期故障诊断

针对机械故障诊断中缺乏大量故障样本进行训练的问题,提出基于图论和直推式支持矢量机(Graph theory and transductive support vector machine,GTSVM)的故障诊断方法.通过建立数据矩阵的完全图,定义一种基于密度敏感的距离描述图中各个节点即样本之间的相异性,有效地利用数据空间结构信息,并以Iris数据进行仿真分析.对齿轮箱在三种运行模式(正常、齿面轻微剥落、齿面严重剥落)下的振动信号进行分析,提取11个时域特征指标,用主元分析对11个特征进行选择,采用图论方法对选择后的特征数据进行处理,然后用梯度下降法训练直推式支持矢量机,实现故障检测和分类.将GTSVM法与支持矢量机法、直推式支持矢量机法进行对比,结果表明,GTSVM法的分类正确率最高.此外,经过主元方法进行特征选择后,故障检测性能也得到较大提高,表明该方法能应用于齿轮早期故障诊断.     

一种萤火虫神经网络及在轴承故障诊断中的应用

萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。     

基于非均匀翅片液冷板的电池热管理性能研究

为有效降低动力电池组最高温度和减小温差,减少液冷板质量和泵的功耗,提出非均匀翅片液冷板设计.Fluent软件建立了非均匀翅片液冷板与动力电池的流动传热耦合模型,通过实验获得电池在5 C放电条件下的产热率,研究该工况下固定几何翅片、X方向非均匀翅片和Y方向非均匀翅片对热管理系统性能的影响,结果表明翅片直径沿Y方向递增可显著改善温度均匀性、降低压力损失和质量.与传统并行微通道设计相比,非均匀翅片液冷板设计使液冷板质量、水泵功耗、温度标准偏差分别降低30.39％、11.2％和3.24％,最高温度降低1.33℃.