基于SVDD的机械设备状态监测方法研究

提出基于支持向量数据描述(SVDD)的机械设备状态监测方法。该方法首先依据正常运行状态下的数据样本建立数据描述模板,然后通过本文提出的距离变化率参数完成机械设备故障的识别和分类,通过实验验证该方法的可行性。而且实验结果表明,该方法可以根据设备使用状态的变化自动调整故障判断模型并减少模型重新学习次数。     

设备载荷识别与激励源特性的研究现状

概括国内外动载荷识别技术的主要研究方法与应用。针对普遍使用的频域法和时域法的研究现状及优缺点进行评述, 并对载荷识别领域的研究方向作展望, 指出与工程实际模型相结合、 提高载荷估算精度、 简化测试和估算过程将是今后研究的主要方向。     

基于可拓学和SVDD的轴箱轴承故障监测

为监测轴箱轴承的故障状态,提出了一种基于可拓学和支持向量数据描述(SVDD)的轴承故障监测方法。该方法充分利用了可拓学的定性定量描述特性和SVDD的单值分类特性:通过特征提取构建轴箱轴承的运行状态物元;训练SVDD的单值分类器,通过求取最小超球体的支持向量来获取物元模型的特征参数经典域;利用关联函数对轴箱轴承的故障状态进行定性定量评估。通过分析轴箱轴承的实际振动信号,证明了该方法的可行性及有效性。     

基于SVDD的压力容器气密性诊断模型应用探究

为了探索一种自动化压力容器气密性故障诊断方法,本文基于支持向量数据描述算法建立相关诊断模型和系统的构建策略,介绍了算法的实现原理、核函数以及参数优化路径,进而提出气密性诊断算法模型的2种训练方式,包括离线训练模式和在线实时检测训练模式。待模型成熟后,将其迁移至泄漏检测仪表的微型处理器中,使仪表具备泄漏特征识别和泄漏量计算功能。通过试验检验诊断模型和仪表系统的有效性、最小可检测泄漏量、实时性以及泄漏定源能力。结果显示,泄漏诊断有效性为85%～100%,最小可检测泄漏量为0.235L/min,泄漏定源误差不超过4mm。     

基于SVDD与信息融合技术的设备性能退化评估

为了能够准确地对大型设备的性能退化过程进行描述,提出了一种基于支持向量数据描述(SVDD)和信息融合技术的评估方法。通过SVDD算法分别评估来自单个传感器的数据,然后运用D-S证据理论对来自多传感器的局部评估结果进行信息融合,最终给出设备的整体性能评估结果。实验分析表明,SVDD算法能够真实地反映设备局部性能退化状态的变化,而利用D-S证据理论得出的整体设备状态评估结果符合实际情况,同时有效得消除了局部信息之间的矛盾,提高了设备整体评估的可靠性。     

基于边缘识别的虹膜定位算法

为了提高虹膜定位算法的抗干扰能力,本文提出了一种基于虹膜边缘识别的虹膜定位算法.该算法应用图像几何矩函数提取虹膜内外边缘的特征,通过由支持向量机(SVM)训练的分类器进行虹膜边缘点的识别.最后由Hough变换对识别的结果进行参数求解并实现虹膜的定位.本算法经过了CASIA虹膜图形库的实验验证,仿真实验数据表明所提算法不仅具有较快的定位速度和较高的定位成功率,而且性能稳定.     

基于参数识别的航空发动机转子故障诊断与定位方法

航空发动机结构复杂,转子的故障诊断与定位是一个难点。考虑航空发动机实际测量条件,提出一种基于扩展卡尔曼滤波器的转子故障诊断方法,其核心是通过识别典型故障特征参数对转子的多种故障进行诊断和定位。针对实际航空发动机整机结构,用有限元法建立一种耦合的转子-支承-机匣动力学模型。该方法针对实际采集观测信号不完备的问题,采取加权整体迭代的方法来加快参数的稳定与收敛。针对所建立的航空发动机典型故障模型和实际模型存在误差的问题,采取衰减记忆滤波的方法来补偿误差。最后对含典型故障转子的航空发动机整机模型进行仿真计算得到数值解,作为未知故障的观测信号,结合加权整体迭代和衰减记忆滤波的扩展卡尔曼滤波方法,分析得到未知的故障特征参数,依此故障特征参数,实现对故障的识别和诊断,结果证明了该方法对航空发动机转子进行故障诊断和定位的有效性。     

基于模糊神经网络的设备故障预测研究

对模糊神经网络技术进行了研究，提出了预测分析的模糊神经网络模型；建立了故障指标评定方法，利用预测算法运用参数历史故障指标对参数指标进行趋势预测，预测得到的参数指标可以根据专家诊断系统判据进行诊断，对未来设备的健康状况进行可信度较高的评估。经仿真结果验证，该算法预测精度较高，预测结果可信.     

基于EMD模糊熵和SVM的转子系统故障诊断

提出一种经验模态分解、模糊熵和支持向量机相结合的转子系统故障诊断方法。该方法首先对转子系统故障信号进行经验模态分解,得到若干阶表征故障信息的固有模态函数,并运用基于能量原理的虚假模态消除方法剔除虚假模态分量;再利用模糊熵能够表示信号复杂程度且具有相对稳定性等特点,选取前4阶固有模态函数的模糊熵值作为各故障信号的特征向量;最后将该特征向量输入到支持向量机中进行转子系统的故障分类。试验结果表明,该方法能够有效的提取转子系统故障特征和对转子系统进行故障诊断。     

一种基于层次熵和SVM的轴承故障诊断方法

针对样本熵在分析时间序列复杂度上的局限,在样本熵和多尺度熵的基础上提出一种新的基于层次熵（Hierarchical Entropy）的滚动轴承故障特征提取方法。首先用层次分解方法对实验数据进行分解,然后采用分解节点上的样本熵值作为特征向量,利用支持向量机（support vector machine,简称SVM）对故障进行识别。实验数据分析结果验证该方法的有效性。     

基于ICS-LSSVM的包装机械动力机轴承的故障识别

目的针对包装机械设备中动力机轴承的故障诊断识别率低的问题,提出一种基于参数寻优的故障识别方法。方法首先通过主元分析算法对包装设备动力机的振动数据进行主成分特征提取,减少各数据间的相关性,然后采用LSSVM对各类数据样本进行故障识别。为了克服LSSVM惩罚因子和核函数参数易出现局部最优、收敛精度差等问题,提出一种ICS算法优化LSSVM的状态参数,提高包装机械动力机轴承故障诊断的识别率,以实测糖果厂包装机械振动数据为例验证所提方法的有效性。结果实验结果表明,在包装机械动力机轴承故障类别确定的情况下,算法能够高精度地识别各类动力机故障。结论该算法实现了分类器参数的自适应选择,为提高包装机械动力机轴承故障诊断的识别率提供了可靠的方法。     

基于 ResU-Net 的三维断层识别方法及应用

断层刻画了地层的边界位置,地震成像数据中反射层的不连续性可作为断层解释的主要依据。深度神经网络的强非线性性质可作为地震数据中断层不连续特征表达的有力工具,断层识别问题可视作一个像素级别的二分类问题,并使用深度学习方法对此问题进行建模求解。据此可给出一种端到端的基于深度学习网络的三维断层自动识别方法。首先利用地震子波与反射系数卷积合成多组三维地震数据,建立用于深度网络学习断层特征的样本数据,随后搭建网络进行训练,网络训练完成后应用于实际地震数据。鉴于残差模块可很好地提升网络泛化性能,所提出的将残差网络中的残差块结构引入U-Net中的方法,可用于提升通过合成数据样本训练得到的网络模型在训练数据之外,即实际地震数据上的断层识别性能。所建立网络用于断层解释时,输入为叠后三维地震数据,输出为相同维度的三维数据体,其中每一输出值代表输入三维地震数据相同位置处断层的概率。实际算例对比测试表明,此方法可对三维地震数据中的断层进行有效识别,在合成数据集上训练精度相差不大的前提下,引入残差模块的ResU-Net在实际地震数据上的断层识别泛化性能得到提升。     

基于扭振分析方法的齿轮传动系统故障辨识

通过分析齿轮啮合过程的数学模型及典型故障,论证了扭振分析方法在齿轮系统故障诊断上的优越性,并提出一种测量齿轮轴上扭振信息的新方法。在此基础上搭建了齿轮传动系统,通过采用永磁旋转(角)加速度传感器检测齿轮系统各个运行状态下不同轴上的扭振信号;然后,分别对齿轮传动系统轴上的扭振信号和平台的振动信号采用小波包分解,提取各个节点的能量作为特征向量;最后,结合以径向基函数(RBF)为核函数的支持向量机(SVM)分别进行故障的辨识。实验结果表明:轴上的扭振信号在齿轮系统故障诊断上的效果要优于平台振动信号的诊断效果。     

基于Hilbert谱奇异值的滚动轴承故障诊断

提出一种基于Hilbert谱奇异值的故障特征提取方法,将其与支持向量机结合应用于轴承故障诊断。利用小波阈值降噪的方法对拾取的轴承故障振动信号进行滤波降噪,然后利用经验模式分解将降噪信号分解为若干个IMF分量之和,对每个IMF分量进行Hilbert变换得到振动信号的Hilbert谱,对Hilbert谱进行奇异值分解得到反映轴承状态特征的奇异值序列,再利用奇异值作为特征向量,应用支持向量机进行轴承故障诊断,并对不同核函数的诊断结果进行了分析比较。对正常轴承、内圈故障、外圈故障、滚动体故障的实际信号的诊断验证了该方法可的有效性。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于RBF-NN近似模型的地铁钢轨探伤车转向架悬挂参数多目标优化#br#

以某地铁钢轨探伤车为研究对象,利用多体动力学软件UM建立车辆-轨道耦合动力学模型,分析探伤车在直线、曲线两种工况下的运行平稳性、安全性和曲线通过能力,为后续悬挂参数多目标优化提供原始数据支撑。基于MATLAB编程建立UM-ISight 联合仿真平台,在ISight 中以转向架一、二系悬挂刚度、阻尼等为目标参数,通过最优拉丁超立方法进行参数组合样本设计,并在此基础上构建符合精度要求的径向基函数神经网络(RBF-NN)近似模型,最后通过多目标优化算法NSGA-Ⅱ对近似模型进行寻优计算,得到最优的转向架悬挂参数组合。结果表明,所建近似模型具有较高的拟合精度,优化后车辆平稳性指标都得到明显改善,最多可降低35.39 %,且车辆的脱轨系数、轮轨横向力、轮轴横向力、轮重减载率等曲线通过性能指标也有不同程度好转。     

一种基于遗传算法的高频载荷识别方法

针对结构在高频载荷作用下模态密集,分析求解比较复杂的特点,提出一种基于遗传算法进行高频载荷识别的方法。运用统计能量法建立了高频载荷识别正模型并进行响应的求解。通过遗传算法反复调用统计能量模型,迭代运算实现高频载荷的反演。数值算例结果表明该方法收敛较快,反求精度高,可以用于高频载荷的快速准确识别。