多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

基于滤波对角化方法提升傅里叶变换质谱数据质量

傅里叶变换质谱仪能够达到很高的分辨率,在分子生物研究中得到广泛应用。数据处理方法,特别是底层信号的处理,对于提升数据质量至关重要。滤波对角化(filter diagonalization method,FDM)相比传统的快速傅里叶变换算法(fast Fourier transform method,FFT),能进一步提高图谱分辨率、降低信号强度测量误差。本工作通过仿真以及实际质谱数据分析,证明了相对FFT而言,FDM可将图谱的分辨率提高1个数量级左右,并且可以有效降低信号强度测量误差。另外,还研究了算法参数优化问题,为算法应用推广提供了参考。     

基于神经网络的结构振动主动控制方法

以矩形简支薄板为研究对象,设计了一种基于神经网络的结构振动主动控制系统,通过对薄板表面施加激振力,来控制其振动噪声的辐射特性,采用有辨识器和无辨识器两种反馈控制算法实施频域控制.控制系统中的控制器和辨识器的拓扑结构均采用神经网络,分别称为神经网络控制器(neural network nontroller,简称NNC)和神经网络辨识器(neural network identifier,简称NNI).仿真结果表明,两种控制策略均可实现多频点控制,前者精度高,后者易实现.构建了简支薄板振动主动控制实验系统,针对易实现的无辨识器控制算法进行实验验证.实验控制效果良好,验证了该算法的正确性和可行性.     

基于频域参数识别的混凝土泵车臂架减振实验

针对混凝土泵车臂架末端的振动问题,考虑实际施工过程中多关节臂架姿态多变导致臂架系统动态特性随之变化的特点,采用基于频域参数识别的主动控制策略进行泵车臂架振动控制的实验研究。以臂架末端振动作为反馈变量,优选提供主动控制力的作动油缸,建立混凝土泵车臂架系统主动控制的全局模型。采用双归一化方法进行臂架系统参数的频域在线识别,推导了最优控制变量表达式,并给出了显式收敛条件。基于美国国家仪器公司软硬件搭建了混凝土泵车臂架振动主动控制实验装置,对该算法的效果进行了实验验证。实验结果表明,采用该主动控制算法,臂架末端的振动加速度幅值衰减了约59%,取得了较明显的减振实验效果,验证了该算法的可行性与实用性。     

轨道交通扣件系统时频特性测试与分析

为了得到安装在不同扣件系统下钢轨的振动特性,室内以WJ 7型扣件为样品,采用力锤激振法对其进行动力测试。基于MATLAB软件信号分析处理平台,利用线性短时傅里叶变换,非线性Page变换和Zhao Atlas Marks变换对振动信号的时频特性进行对比分析。研究结果表明：钢轨轨脚振动主要集中在中高频,其中在2 250 Hz振动能量最大,且持续时间最长;短时傅里叶变换(Short-time Fourier transform,简称STFT)具有较高的时间和频率分辨率,可以将轨脚的时域、频域和时频域的固有属性一一对应起来;非线性Page时频分析在能量较高的高频段具有较好的分辨率,而在低频段显得无能为力;非线性Zhao-Atlas-Marks分布时频分析在低频段效果较好,在高频段不是很理想。该分析结果可为轨道结构的振动噪声控制提供依据。     

主动控制在简支梁结构振动中的应用

主动控制方法是目前研究振动的主要方法,为研究结构振动的主动控制,提出以简支梁结构为模型,由振动理论推导出简支梁的横向弯曲振动的运动方程。利用独立模态的频域最优控制算法计算在挠度最小时的控制力幅值的大小,将压电元件粘贴结构表面去感知结构的变形,向结构施加相应的主动作用力,通过Matlab工具作图比较控制前后简支梁扰度的大小。通过对比可以看出主动控制后与进行主动控制前,无论是低频、中频或者高频,控制后的挠度都非常小,证明基于独立模态的频域最优控制算法的可行性。     

基于精确信息重构的故障转子系统振动加速度信号积分方法

在分析总结加速度信号时域积分法与频域积分法优缺点基础上,提出一种基于精确信息重构的故障转子系统振动加速度信号积分方法。该方法利用故障转子系统振动信号由转频、倍频及分倍频分量构成为主的特点对加速度信号进行快速傅里叶变换(Fast Fourier transform,FFT),通过特征频率分量提取并将所提取的分量的幅值与预设的阈值进行比较;幅值低于阈值的分量认为是噪声分量,予以剔除,高于阈值的分量保留并进行精确频谱校正;根据校正后各个频率分量的频率、幅值和相位积分重构出相应的速度信号和位移信号。精确信息重构方法在去除宽频噪声和保留有用特征信息方面有明显的优势。最后通过仿真分析和试验验证,结果表明该方法相对于传统的时域和频域积分具有更高的精度和优越性。     

基于短时傅里叶变换检测非平稳信号的频域内插优化抗混叠算法

非平稳信号的分析越来越受到人们的重视.短时傅里叶变换(STFT)是一种线性变换,避免了其他高次型非平稳信号分析方法中出现的交叉项的干扰,是分析非平稳信号的有力工具.短时傅里叶变换的基本思想是利用一个固定大小的滑动的窗口函数对信号进行分析,并假定信号在窗口内是平稳的,因此加窗变换所同有的混叠现象在短时傅里叶变换中依然存在.本文基于频域插值的思想,提出了基于频域内插抗混叠短时傅里叶变换的算法,首先分析了混叠产生的物理本质,然后以汉明窗为基础构造了频域内插的方法,并利用牛顿插值法得出插值的迭代求解方法,最后给出内插优化算法步骤.仿真实例验证了算法的可行性.     

基于AE与STFT的变桨轴承裂纹诊断研究

由于变桨轴承不完全转动的工作特殊性,基于振动或应变等常规监测手段难以奏效,为此提出一种基于声发射(acoustic emission,简称AE)技术监测方法获取信号,并采用短时傅里叶方法(short time Fourier transform,简称STFT)进行分析诊断的方法.首先,研究了AE技术的信号采集方法,推导...     

基于稀疏表示以及图谱理论的故障诊断方法

针对图傅里叶变换（graph Fourier transform,简称GFT）方法在提取轮对轴承故障特征信号的过程中,将信号中包含的部分噪声成分提取出来,从而对故障诊断结果产生影响这一问题,提出了一种基于稀疏表示以及图谱理论相结合的轮对轴承故障诊断方法。首先,根据具有局部损伤的滚动轴承振动信号特点构造合适的过完备字典库;其次,采用正交匹配追踪法求解系数实现对振动信号的稀疏表示;最后,通过图傅里叶变换方法将信号中含有的冲击分量集中到图谱域的高阶区域,从而对轮对轴承故障进行诊断。通过仿真数据以及试验数据处理结果,对提出方法的有效性进行了验证。     

基于深度学习的传感器优化布置方法

针对传感器优化布置(optimal sensor placement,简称OSP)问题,提出了一种新的使用深度神经网络的解决方案,并以简化的桥梁形状的桁架结构中的振动测试传感器优化为例进行了验证。首先,选择一种传统的传感器优化布置方法,对自动化生成的大量不同的桁架结构分别进行传感器优化布置计算,将所得优化布置结果在进行数据预处理后构建出深度学习方法所需要的训练集与验证集;其次,使用Python语言和深度学习框架TensorFlow设计实现与本研究问题适配的深度神经网络模型并训练;然后,随机生成了新的桁架结构参数;最后,将深度神经网络输出的传感器布置结果和传统方法的计算结果进行了比较,验证了本研究方法的有效性以及在速度上、可移植性与可扩展性方面的性能优势。     

基于最近邻均匀设计神经网络逆模型的电磁标准振动台谐波控制方法研究

针对低频电磁标准振动台输出振动受刚度非线性影响而产生严重谐波失真问题,首先基于非线性特性幂级数等效原理,分析了输出振动的加速度失真特性。然后,为克服振动台逆模型辨识样本传统均匀采样法存在的效率低及精度差等问题,提出了最近邻均匀设计输入输出样本提取方法,由均匀设计法在传统采样点中选择小样本数据集,再依据近邻法将不能准确辨识的其他样本点加入数据集,构成最优训练样本集。进一步,辨识得到待控制振动台的神经网络逆模型,将其与原振动台模型串联后构建了谐波失真开环控制系统。最后,仿真及实验分析表明,神经网络控制可将整个工作频段内不同位移幅值振动加速度失真控制在标准要求的2%以内,而提出的最近邻均匀设计样本优化神经网络控制具有更优的谐波失真抑制效果。     

基于神经网络的机翼振动主动控制

根据DARMA模型提出了简单易用的神经网络控制方案，该方法采用线性人工神经网络对系统动态特性进行在线辨识，并利用辨识得到的信息，采用BP神经网络对系统进行控制，将该算法应用于飞机机翼振动主动控制数值仿真。仿真结果表明，该方法能减少算法的计算量，压缩计算时间，便于提高系统采样频率，使得自由振动和调频振动的抑制成为可能。     

小型光电编码器长周期误差的修正

针对小型光电编码器长周期误差成因及分布规律复杂的特点,提出了一种光电编码器长周期误差修正方法。建立了基于正交三角函数基的傅里叶神经网路误差修正模型,将光电编码器输入输出间的非线性优化问题转化为线性优化问题。误差修正模型以高精度基准编码器输出值作为学习目标;引进模拟退火策略的差分进化算法对网络进行训练,保证了在训练的初始阶段具有较强的全局寻优能力和在训练后期具有较快的收敛速度和较高的精度。运用设计的方法对16位小型光电编码器进行了长周期误差修正处理,实际测试显示：编码器的峰值误差由45"~-17.5"减小到10"~-8.75",长周期标准偏差由修正前20.3"减小到修正后4"以下。结果表明提出的长周期误差修正方法提高了光电编码器的精度。     

汽车车架结构多目标拓扑优化方法研究

为了研究以静态多工况下刚度和动态振动频率为目标函数的车架拓扑结构,提出了一种结构的多目标拓扑优化研究方法。基于实体各向同性材料惩罚函数的拓扑优化方法,采用折衷规划法定义多目标拓扑优化和多刚度拓扑优化的目标函数,而振动固有频率拓扑优化的目标函数则采用平均频率法定义。通过优化得到了同时满足静态刚度和振动低阶频率要求的汽车车架结构拓扑。该方法避免了单目标拓扑优化无法考虑其他因素的缺点,适合连续体结构的多目标拓扑优化。     

基于多属性决策的气动隐身多目标优化

针对多目标优化结果排序与选择的多属性决策(Multi-attribute decision making,MADM)问题,将多目标优化与MADM相结合,提出基于MADM的多目标优化方法,并将该方法应用于跨声速前掠翼(Forward-swept wing,FSW)气动隐身多目标优化中,优化结果提高了跨声速FSW的气动和隐身性能。采用类别形状函数变换法(Class-shape function transformation,CST)方法对翼型几何外形进行描述,实现FSW气动和隐身多学科优化设计模型的参数化描述。建立基于N-S方程的计算流体力学方法的FSW气动分析模型和基于矩量法的计算电磁学方法的FSW隐身分析模型。将Pareto多目标遗传算法得到的Pareto非劣解集构成MADM矩阵,采用基于模糊熵权的改进的逼近理想解的排序法(Modified technique for order preference by similarity to ideal solution,M-TOPSIS)方案评价方法进行Pareto非劣解排序,最终确定最佳的Pareto非劣解。研究结果验证了所提出方法的有效性,为多目标优化问题提供了一种新的解决途径。     

基于深度强化学习的锂电池快速充电控制策略

安全高效的锂电池充电控制策略对于电动汽车的发展具有重要推动作用。针对锂电池的快速充电问题,提出一种综合考虑锂电池充电速度、能量损耗、安全约束多目标优化充电控制策略。基于动作-评价网络框架,利用基于近端策略优化的深度强化学习算法,训练出使得充电目标对应的奖励函数最大的充电策略神经网络和策略评估神经网络。然后,利用训练完成的充电策略神经网络根据当前电价和电池SOC智能决策出最优的充电电流。该充电控制策略的优势在于能够在保证快速充电的同时,实现充电花费最小化。同时,充电策略神经网络在线运算量较小,与基于模型的在线优化算法相比更能满足充电控制的实时性要求。最后,仿真结果表明,该充电控制策略与传统恒流-恒压法相比,具有兼顾充电速度与电费支出的优势,满足快速充电任务需求的同时,最高可降低25%的充电成本。     

一种基于神经网络的磨粒混叠误差修正方法

电感式磨粒检测方法采用电磁感应原理,能够实时地检测机械设备所产生的金属磨粒,是目前具有潜力的在线磨损监测方法;然而,多个磨粒同时通过传感器引起的信号混叠是造成检测误差的一个重要原因。提出一种基于神经网络的混叠误差修正方法,通过采用单个磨粒的实际信号构造混叠样本,对神经网络进行训练,从而获得磨粒信号的混叠模型,并且能够解决传感器差异所造成的方法适应性问题。最后,采用正弦波模拟磨粒信号验证了方法的有效性。     

发动机异常检测多目标优化方法

针对柴油发动机异常检测中的特征选择和分类器参数与检测精度之间的耦合关系,提出了一种基于非支配排序粒子群优化的柴油发动机异常检测封装式多目标同步优化方法.利用双树复小波包的分解与重构,对发动机振动信号进行时域、频域和时频域多角度特征提取,构建了较完备的特征参数集,分析了故障诊断中特征选择与分类器参数优化对检测精度的影响,运用非支配排序粒子群优化算法对多个优化目标进行协调和折衷处理,同时追求特征参数子集维数最小化和分类正确率最大化.实验数据分析表明,该方法能够寻找出最优的特征子集和分类器参数,提高柴油发动机异常检测的精度和效率.     

基于GABP和改进NSGA-Ⅱ的高速干切滚齿工艺参数多目标优化决策#br#

针对高速干切滚齿过程中的工艺参数优化决策问题,提出一种基于加工工艺样本预测和多目标遗传优化算法的工艺参数优化决策方法。基于实际加工工艺样本集,以改进的多目标遗传算法（improved NSGA-Ⅱ）为主体模型,以最大刀具寿命、最小加工能耗为优化目标,以加工质量、加工时间为约束条件,利用遗传反向传播算法（GABP）神经网络建立关于加工优化目标的预测模型,将其作为多目标优化模型的适应度函数;通过DBSCAN算法获取待优化滚齿工艺问题的相似样本集,建立多目标优化问题输入区间;构建面向待优化滚齿工艺问题的多目标优化模型,迭代搜索最优工艺参数集。