交互偏移支持矩阵机及其在滚动轴承故障诊断中的应用

针对滚动轴承微弱故障信息特征提取与分类的问题,提出一种交互偏移支持矩阵机（Interactive Deviation Support Matrix Machine,IDSMM）。在 IDSMM 建模过程中,将每个目标函数加入偏移参数,从几何上看,这使得每一类样本对应的超平面相对原位置进行偏移,构造出一对具有偏移量的交互超平面,且每一个超平面距离异类样本更远,提高了模型的泛化能力。此外,IDSMM 引入多秩左右投影矩阵构造目标函数,充分挖掘了矩阵中行列间的结构信息,并使模型具有更好的数据拟合能力。采用两个滚动轴承数据集进行实验验证,实验结果表明 IDSMM在滚动轴承故障诊断中具有优异的分类性能。     

自适应噪声加权优选经验模态分解及其在机械故障诊断中的应用

自适应噪声辅助集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决了集成经验模态分解在集成平均过程中的分解不完备问题,但噪声残留和虚假分量问题仍然存在.针对CEEMDAN的不足,提出了自适应噪声加权优...     

广义轮换测量矩阵及其在水下回波信号压缩感知中的应用

根据压缩感知中测量矩阵的性质及要求，在轮换确定性测量矩阵的基础上，通过调整测量矩阵每一列元素的系数，增强列与列之间的相关性，得到广义轮换测量矩阵，并将其应用于水下回波信号的压缩感知观测中。通过无噪声下不同测量矩阵匹配度和相对误差随压缩比的变化，以及4、0、-3 dB三种信输入噪比下不同测量矩阵的输出信噪比、匹配度随压缩比的变化，分别对水下回波信号进行处理，比较其性能。仿真结果表明，相比部分哈达玛等确定性测量矩阵和以高斯为代表的随机测量矩阵，广义轮换测量矩阵在输出信噪比、匹配度、相对误差等方面有很大提高。同时广义轮换矩阵为确定性测量矩阵，便于工程实现。     

振动监测技术在旋转机械故障诊断中的应用

随着旋转设备结构复杂程度的提高,其故障发生的几率也随之增加,对故障检测技术要求更高。通过对机械设备振动信号的分析判断故障特征及部位,是旋转机械故障诊断主要手段。文章首先对振动监测技术的原理及典型振动故障的表现形式进行介绍,并利用振动监测技术,举例说明振动监测技术在旋转机械故障诊断中的应用。     

神经网络技术及其在旋转机械故障诊断中的应用

人工神经元网络模型是由大量的简单计算单元广泛相互联接而成的一个非线性动力学网络系统,它以高度的并行分布式处理、联想记忆、自组织及自学习能力和极强的非线性映射能力,在众多的领域里显示了广阔的应用前景。本文从模式识别的角度,论述了神经元网络技术及其在旋转机械故障诊断中的应用,就神经元网络结构及其所能形成的模式分类决策区域作了较为详尽的阐述,并与传统的模式识别技术作了比较。最后在振动频谱波形特征的基础上,就旋转机械中五种典型故障模式,用感知器网络进行了试验研究和分析。结果表明,人工神经元网络技术对于高维空间模式识别及非线性模式识别问题,具有较强的分类表达能力。作为一种新的自适应模式识别方法,神经元网络技术能够有效地解决故障诊断中较为复杂的状态识别问题。     

优化遗传神经网络及其在机械故障诊断中的应用

提出了一种改进的遗传神经网络算法,该算法综合了遗传算法的全局性和神经网络的并行快速性等特点,有利于克服神经网络存在易陷入局部极小和收敛速度慢的问题,达到了优化网络的目的.此算法应用于磨机故障诊断,通过试验得出对故障模式的识别精度较高,具有较好的应用前景.     

局部均值分解在旋转机械复合故障诊断中的应用

针对旋转机械复合故障振动信号的非平稳特征,开展一种基于局部均值分解(local mean decomposition, LMD)的旋转机械复合故障诊断方法研究。该方法首先通过局部均值分解方法将振动信号分解为若干个PF分量(product function)和一个残余分量之和,然后通过计算各PF分量与原始复合故障信号的相关系数来确定包含故障特征信息的主要成分;最后针对主要成分中的低频分量进行频谱分析从而提取轴的故障特征。针对主要成分中的高频分量采用包络谱分析提取调制故障特征,即提取轴承故障特征。对齿轮箱的轴承、轴复合故障振动信号的分析结果表明了该方法的有效性和可行性。     

浅谈UG在机械优化设计中的应用

本文阐述了一种机械优化设计的可行方案,通过UG对机械零件进行初步建模,然后用结构分析模块对其进行优化设计,既可减少产品的设计周期,又节约了生产成本,提高了企业的竞争力.     

改进的基于压缩感知的鲁棒性水印算法

目的 为了提高水印算法的抗攻击能力,提出一种改进的基于压缩感知的鲁棒性水印算法。方法 为了确保嵌入的水印信息在载体中分布均匀,对彩色载体图像的R, G, B分量进行N×N不重复分块后得到Rij, Gij, Bij,按照下标值不同的原则,随机选择3个颜色分块构成嵌入块;为了提高水印的鲁棒性和检测的成功率,对水印信息采用循环嵌入的方式;详细论述水印的嵌入和提取流程,并通过仿真与其他3种算法进行实验结果对比。结果 水印提取不需要原始图像的参与,具有盲检测性,水印的循环嵌入策略极大地提高了水印鲁棒性和水印检测成功率。仿真实验结果表明,重建的水印图像具有较小的失真度,算法能够很好地抵抗一系列的几何攻击。结论 算法具有较好的鲁棒性和不可感知性,实现较简单,在版权保护及信息安全领域具有一定的参考价值。     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

机械故障诊断中征兆的粒度原理及应用

提出了一种基于知识粒度原理的故障诊断中征兆参数重要度评价方法.解决了目前故障诊断征兆参数约简和压缩过程中得到的是最小征兆集而不一定是最优最小征兆集的情况,通过对两个实例的计算,很好地求出了最优最小征兆集.     

关联维数快速算法及其在机械故障诊断中的应用

基于GP算法的关联维数计算方法简单,但计算量大,无标度区间识别困难,难以实现自动化。分析关联积分计算量基础上,运用组合参数法减小关联维数计算量,并由关联积分曲线的二阶局部斜率实现无标度区间的自动识别,进而实现关联维数的自动计算,Lorenz系统实例证明了该方法的有效性。运用该方法计算不同汽车主减速器振动信号的关联维数,结果显示不同状态主减速器振动信号的关联维数具有明显的可分性,关联维数可作为判别机械产品故障特性的有效量化指标。     

迭代时间重排同步压缩变换及其在机械故障诊断中的应用EI北大核心CSCD

机械设备常运行在复杂环境下,往往受到时变载荷、时变转速、瞬态冲击等非平稳工况的影响,导致故障时有发生。时频分析技术可以兼顾时间和频率两个变量,得到了广泛应用。然而传统时频分析方法在提高时频聚集性和减弱交叉项之间存在矛盾,为了实现复杂环境下机械设备的故障诊断,提出迭代时间重排同步压缩变换方法。在时间重排同步压缩变换的基础上构造新的群延时估计算子,然后只需进行一次重排操作即可获得更锐利的时频表示。通过仿真信号和滚动轴承加速寿命试验数据验证所提方法的有效性。     

Optimal inspection sequence in fault diagnosis

The average number of inspections in fault diagnosis to find the actual minimal cutsets (MCS) causing a system failure is found to be dependent on the inspection sequence adopted. However, this average number of inspections is proved to be lower-bounded by the entropy of cut set importances, which may be used to estimate how difficult it is to find the actual MCS. An inspection on a component whose Fussell-Vesely importance is nearest to 0·5 leads to the discovery of the actual MCS by a minimum number of inspections.     

LMD的LabVIEW实现及其在齿轮故障诊断中的应用

将局部均值分解(local mean decomposition,LMD)算法在LabVIEW平台上加以实现,开发出LabVIEW的LMD模块。为减小误差,采用三次样条插值法代替滑动平均法来获得局部均值函数和包络估计函数,用形态学滤波算法得到瞬时频率和瞬时幅值的平滑曲线,并通过仿真信号验证LMD算法对于多分量信号的分解能力。最后,利用开发的模块对实测齿轮磨损、断齿故障信号进行分析,成功提取出故障特征频率信息,结果表明开发的LMD模块可以有效应用于齿轮故障的诊断。     

改进的LMD方法及其在滚动轴承故障诊断中的应用研究

针对局部均值分解（local mean decomposition, LMD）方法存在的端点效应问题,提出一种基于梯度变化的端点效应抑制方法对局部均值分解进行改进,通过仿真对比不同端点抑制方法的效果,证明了该方法的准确性;针对滚动轴承故障振动信号为一系列调制信号的特点,将改进的局部均值分解方法应用于滚动轴承故障诊断中;利用奇异值分解降噪方法降低噪声污染对分解结果的影响;通过实验验证了该方法在滚动轴承故障诊断中的有效性和可行性。     

改进证据理论及其在电力系统故障诊断中的应用

 针对D-S证据理论中高度冲突的证据难以融合的问题,提出一种基于海明距离的证据合成规则.首先根据冲突系数的大小判断证据冲突程度,利用海明距离确定的相似度区分每条证据,并赋予权重,然后对原始基本信度分配函数进行重新分配,最终得到更加合理的合成结果.将该数据融合方法用于电力系统的故障诊断实例中,表明该方法合理有效,计算结果更符合实际.     

一种改进的DDTFA方法及其在齿轮箱故障诊断中的应用

针对数据驱动时频分析(DDTFA)方法的初始相位函数选取问题,提出一种可准确、快速且自适应优选初始相位函数的改进DDTFA方法。引入数学中函数求极值的思想,将信号的初始相位函数选取问题转换为初始解集的连续寻优问题,通过对DDTFA中的高斯牛顿迭代算法进行精简,以初始解集中的初始相位函数迭代一次斜率的变化量为导数获得初始解集的连续导数集,进而求得局部极大值,并以局部极大值对应信号分量的能量最强为准则优选信号的初始相位函数,进而完成信号分解。仿真分析与齿轮箱故障诊断实例表明,该方法可准确、快速且自适应地优选初始相位函数,并有效提取故障特征,且具有一定抗噪性。     

高阶局部投影算法及其在滚动轴承故障诊断中的应用

针对局部投影降噪算法中邻域相点的质心选取问题,分析了邻域质心的选取对降噪效果所产生的影响。提出了一种高阶邻域质心的选取方法,利用高阶多项式对邻域质心进行了更为精确地估计,更好地适应了吸引子的几何形状,进一步抑制了噪声,提升了局部投影算法的降噪效果。通过数值仿真信号进行了验证,并与同样基于相空间重构的非线性时间序列降噪方法做了对比,说明了高阶局部投影算法的优越性。最后将其运用于工业现场的风机轴承故障诊断中,从频域成功地提取出了滚动轴承的故障特征。