基于模糊理论的机械加工误差源智能诊断方法研究

利用模糊理论解决了机械加工中，零件误差特征等质量信息和人类专家进行加工误差源诊断时使用的实例、经验等启发性知识的形式转换问题，详细介绍了模糊信息处理方法和系统诊断知识的具体内容，最后通过实例证明了该方法在机械加工误差源诊断中应用的可行性。     

基于细化谱和隐马尔科夫模型的齿轮故障分类方法

为了快速准确地对齿轮故障作出分类,结合隐马尔科夫模型（HMM）高效的模式分类能力,提出了基于细化谱（ZOOMFFT）和隐马尔科夫模型的故障分类方法。采用时域同步平均法从复杂信号中提取目标齿轮的啮合信号作为分析对象,对其进行细化谱分析,提取基频、倍频及其边频带幅值作为特征量输入到HMM中训练和识别,再通过对比对数似然概率值来确定齿轮故障类型。试验结果表明该方法可以有效地对齿轮故障进行分类。     

基于深度循环神经网络的大规模风力发电功率预测

本文针对目前风力发电功率预测存在超短期、精度差等问题,通过分析大规模风力发电功率特性和风电预测时间序列特性,提出以深度循环神经网络进行预测,结合小波系数多尺度分析的隐马尔可夫预测方法,将深度学习引入到循环神经网络中来,构建基于多尺度隐马尔可夫模型?深度循环神经网络模型的大规模风力发电功率预测模型(MHMM?DRNN)....     

基于矢谱-HMM的旋转机械故障诊断方法研究

针对传统旋转机械单通道故障诊断的不足,结合隐马尔可夫模型(HMM)的特点,提出矢谱-HMM故障诊断方法.利用矢谱技术融合截面双通道的信息,然后提取主振矢特征训练HMM模型,利用训练好的HMM模型进行故障诊断.实验表明,该方法是比较有效的.     

基于遗传算法的级进模试冲缺陷及调整方法智能诊断

总结了级进模试冲时的缺陷及调整方法，建立关系表，应用遗传算法对级进模试冲时的缺陷及调整方法进行智能诊断，探讨了提高级进模试冲时的缺陷及调整方法诊断准确率的优化方法，描述了遗传算法的诊断过程。     

基于蒸馏学习的滚动轴承异常诊断方法

针对航空发动机滚动轴承异常难以诊断的问题,提出了一种基于蒸馏学习的轴承智能诊断方法。首先,为提高计算效率,采用经过压缩后的vision transformer (ViT)作为蒸馏学习的主干特征提取网络;其次,采用滚动轴承振动试验台数据完成蒸馏学习中教师网络的预训练;在蒸馏学习模型的训练过程中,为充分利用教师网络的知识,采用了特征知识约束的损失函数,且利用了频谱变换的数据预处理方法,用于提高模型的诊断精度;最后,在某型多台航空发动机滚动轴承数据上对所提模型进行了充分的对比验证。结果表明,所提方法能够准确地实现滚动轴承运行状态的诊断,且诊断精度能够达到96%以上,充分表明了所提方法具有很高的实用价值。     

数字化加工环境下智能质量分析和诊断的理论与方法

阐述了数字制造和数字化加工在现代制造业中的重要地位，根据数字化加工环境下制造质量的新特点，提出多源、多工序质量信息综合评估的观点。针对数字化加工过程质量诊断问题，提出了加工过程误差源诊断的分析方法，给出了加工过程工序质量控制和诊断的集成框架，结合国内外在加工质量诊断研究和应用的示例指出，采用多源智能信息融合、人工智能处理和综合决策等方法是实现数字化加工过程建模以及集成质量诊断的有效途径和发展趋势。     

基于信息融合与多图像特征获取的焊道自动识别

研究了焊接过程中焊道的自动识别,针对单一的图像特征提取方法难以适应复杂和多变工况的现状,采用基于信息融合与多图像特征获取的焊道自动识别方法,抽象出焊缝边沿形貌和灰度特征的概率密度和置信度,利用信息融合算法,构造了多图像特征信息融合识别结果的决策函数,在灰度和焊缝形貌特征变化时实现了焊缝的精确定位。实验表明,基于信息融合与多图像特征获取的焊道自动识别的算法提高了焊道识别的稳定性和准确度,有效解决了单一特征图像处理过程中由于系统某一特征的变化而带来的识别出错和失效难题,为实现焊道的自动识别提供了一种行之有效的方法。     

基于级联森林模型的液压泵信息融合状态诊断

为了提高对液压泵复杂条件下的故障诊断能力,综合运用传感器数据融合与级联森林模型来实现液压泵的健康评价。运用特征级与决策级融合技术来实现对柱塞泵各传感器信息的快速融合,以随机森林模型对初步特征重要性实施评价并从中选择具备高重要度的初始特征参数,通过级联森林模型对液压泵健康检测结果实施分类。结果表明：以多传感器信息融合方法构建的级联森林模型进行预测时可以实现对液压泵健康状态的准确诊断,只设置5%训练集时,液压泵健康诊断结果达到99.5%精确率;当采用单一温度特征无法同时满足精确率与召回率条件时,组合模式的各类预测精确率与召回率相对其他模式达到了更高的预测精度与召回率,其中,温度融合流量组合形式具备更大优势。     

基于多特征融合的零件分类与姿态识别

由于待装配的小型断路器零件存在种类繁多且外形复杂多样等特点,给零件的分类和姿态识别等工作带来极大的困难.针对上述问题,在分析了零件自身及其成像特征的基础上,提出了一种融合零件颜色、面积、轮廓及成像等多种特征的分类、姿态识别与抓取点定位方法.该方法首先通过对不同特征参数与其给定阈值进行比较和对同种零件不同姿态下的成像差异...     

基于人工免疫系统的网络化智能故障诊断展望

研究了智能故障诊断网络化的必要性和智能故障诊断方法,如人工神经网络系统、模糊逻辑系统、专家系统、人工免疫系统,发现把人工免疫方法应用到故障诊断中去是近年来研究的热点,然后重点阐述了几种人工免疫算法在智能故障诊断中的应用,最后指出了网络化智能故障诊断的几个研究方向,并对把人工免疫方法与远程智能故障诊断结合的研究做了进一步展望.     

基于网络的远程智能故障诊断系统开发

为保证加工中心在加工过程中的安全,避免重大事故,提高生产率和机床利用率,开发远程智能故障诊断系统加强机床的运行管理。针对加工中心的实际情况,通过提取加工中心的报警信息,利用VB开发远程故障诊断系统对加工中心运行状态进行监测。将提取的数控系统参数和报警信息进行分类,便于在机床发生故障时,能够快速、及时地对数控系统的信息进行查找咨询,方便用户识别设备在运行过程中的有关状态,从而达到故障诊断的目的。     

基于FIR分解的轴承故障快速诊断方法研究

为实现轴承故障的快速准确诊断,以互相关和互信息为基础构造一种针对轴承的快速故障诊断方法。该方法首先运用有限长单位冲激响应（Finite Impulse Response,简称FIR）滤波器对各单一故障（包括内圈、外圈、滚珠、保持架）振动信号进行分解,降低信号分解过程中因模态混叠造成的干扰,以力学分析建立的各故障振动模型为参考,对分解后的子信号采用互相关分析法,选出表征故障特征的子信号,计算子信号透露的信息量——互信息,用于构造故障特征矩阵,最后由K最近邻分类算法（K-Nearest Neighbor,简称KNN算法）的识别结果验证该算法对实现轴承故障快速识别具有优势。     

基于无限因子隐Markov模型的旋转机械故障识别方法

在机械故障识别方面,因子隐Markov模型是目前常用的识别工具。无限因子隐Markov模型(IFHMM)是因子隐Markov模型(FHMM)的一种扩展形式,克服了因子隐Markov模型链条数往往事先假定的缺点。本研究将无限因子隐Markov模型(IFHMM)运用到旋转机械的升降速过程故障的诊断当中,提出了使用IFHMM作为诊断工具的旋转机械故障诊断方法,并与基于因子隐Markov模型的旋转机械故障诊断方法进行了对比,最后将提出的方法成功地应用到旋转机械的故障中。实验结果表明,提出的方法明显优于FHMM识别方法。     

变负载下的特征提取与基于CHMM算法的齿轮故障诊断

为了对变负载工况下齿轮故障特征进行有效的提取,提出了基于ARX模型的特征提取方法,并用利用连续隐Markov模型（CHMM）对齿轮的故障进行了识别。实例分析中,对正弦性变化负载的齿轮箱进行了全寿命实验,采用基于ARX模型的方法提取特征,输入到CHMM对故障进行了准确的识别,验证了该方法的有效性。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于特征选择支持向量机的柱塞泵智能诊断

柱塞泵是工程机械的关键部件,其性能好坏将直接影响整个设备的正常工作。针对柱塞泵提出基于特征选择支持向量机的智能诊断方法。对采集的振动信号基于小波包分解提取能量特征,然后利用Fisher准则函数选择对智能诊断最有利的特征,利用支持向量机进行训练,并将每个二类支持向量机按二叉树的组织形式构成系统的诊断模型。以汽车起重机柱塞泵为研究对象,其6种故障形式,包括正常、轴承内圈故障、滚动体故障、柱塞故障、配流盘故障、斜盘故障,用于检验所提算法的诊断能力,并与传统的BP神经网络和最近的蚁群神经网络方法进行对比。诊断结果表明：所提出的算法优于另外两种方法,具有较好的诊断效果。     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解（EMD）进行信号处理和基于隐马尔科夫模型（HMM）进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数（IMF）,计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。     

基于EMD-HMM的机床刀具磨损故障诊断

针对机床刀具磨损故障诊断,提出基于经验模态分解(EMD)进行信号处理和基于隐马尔科夫模型(HMM)进行模式识别的刀具故障诊断方法。在信号处理阶段,对机加工过程中的振动信号进行经验模态分解,得到若干固有模态函数(IMF),计算IMF的能量值并选用前几阶高能量的IMF作为识别参数。在模式识别阶段,先将训练样本使用HMM的基本方法进行模型训练获得HMMs,再使用测试样本进行模型准确性验证。完成验证的模型就可以表示该机床刀具磨损和机加工刀具信号的对应关系,可以应用到刀具磨损的监测识别中。