噪声环境下滚动轴承故障特征提取

滚动轴承故障振动信号采集中往往含有大量的噪声信号。为了从含噪信号中提取故障特征,首先对采集的信号进行小波降噪,然后利用经验模态分解(empirical mode decomposition,EMD)得到若干个内禀模态函数(intrinsic mode function,IMF),并考虑分解的各模态函数的能量特征,将分解后的IMF分量与分解前信号的能量比作为判断标准,剔除附加低频成分,最后选取有效的IMF集进行包络谱分析,提取故障特征。通过仿真分析和以真实滚动轴承为研究对象的故障诊断实验,表明该方法有效地去除了混杂在故障信号中的噪声,有效地提取旋转机械中的故障特征信息。     

基于改进EMD和谱峭度法滚动轴承故障特征提取

针对滚动轴承故障信号的强背景噪声特点,提出一种基于改进经验模态分解(empirical mode decomposition,简称EMD)与谱峭度法的滚动轴承故障特征提取方法.首先,利用EMD方法对原故障信号进行分解,得到若干平稳固有模态分量(intrinsic mode function,简称IMF);然后,采用灰色关联度与互信息相结合方法剔除传统EMD分解结果中存在的虚假分量;最后,运用谱峭度法和包络解调方法对真实IMF分量进行分析,提取故障特征频率.通过对实际滚动轴承故障信号的应用表明,该方法可有效地提取滚动轴承故障特征,且能够取得比传统包络解调分析更好的效果.     

变工况下滚动轴承的故障特征提取

滚动轴承常被用于风力涡轮机、发动机等旋转机械中,由于负载、电流变化等因素将导致旋转设备中的滚动轴承在变速条件下运行。在变转速的工况下,现有时频分析、共振解调等故障诊断方法并不能有效提取故障特征,且考虑到强大背景噪声下存在故障特征提取困难的问题,本文提出了一种基于广义变分模态分解(Generalized variational mode decomposition, GVMD)和分数阶傅里叶变换(Fractional fourier transform, FRFT)的变工况故障特征提取方法。首先将在变工况下故障特征频率呈非线性分布的原始振动信号广义解调为近似线性分布,其次对解调后的信号进行变分模态分解(Variational mode decomposition, VMD)得到本征模态函数分量(Intrinsic mode functions, IMF),根据相关系数准则选取最优的分量进行分数阶域的滤波,最后通过分析滤波后信号的1.5维包络谱提取故障特征频率。通过滚动轴承仿真数据和实验数据的验证表明本文所提方法能够有效提取变工况下滚动轴承的故障特征频率。     

基于EMD和ANFIS的自适应噪声消除研究

对于混入色噪声的混合信号,如果可以通过测量得到产生色噪声的白噪声,对白噪声进行非线性训练即可逼近色噪声,达到非线性滤波的目的.自适应模糊推理系统(adaptive neuro-fuzzy unference system,ANFIS)可以实现上述非线性逼近.文中在上述算法的基础上,提出一种EMD(empirical mode decomposition)-ANFIS的自适应色噪声消除方法,首先对混合信号进行EMD分解,得到各个内禀模态函数分量(intrinsic mode function, IMF),然后对分解得到的内禀模态分量进行ANFIS模糊消噪,最后对消噪后的各个分量信号进行叠加.由于所得内禀模态函数为近似平稳信号,且图形越来越趋于平缓,减小了ANFIS方法的逼近难度.在混合信号信噪比为2.840 7 dB时,经过EMD-ANFIS消噪后的估计误差比只经过ANFIS消噪后的估计误差减少11.74 dB,证明EMD-ANFIS方法的有效性.     

改进小波去噪Teager算子的齿轮微弱故障提取方法

针对齿轮箱在强噪声背景下齿轮微弱故障振动信号的特征不易被提取的问题,提出将改进小波去噪和Teager能量算子相结合的微弱故障特征提取方法。采用改进小波阈值函数对振动信号进行去噪处理,与形态学滤波和传统小波阈值函数相比能够有效地提高信号的信噪比。对去噪后的信号进行集合经验模态分解(ensemble empirical mode decomposition,简称EEMD)得到若干本征模式函数(intrinsic mode function,简称IMF),计算各IMF分量与原信号的相关系数并结合各IMF分量的频谱剔除虚假分量。对有效的IMF分量计算其Teager能量算子,并重构得到Teager能量谱,对重构信号进行时频分析并将其结果与原信号的希尔伯特黄变换(HilbertHuang transform,简称HHT)得到的边际谱进行对比。实验研究结果表明,本研究方法相比HHT能够对齿轮微弱故障特征进行更为有效地提取,验证了本研究方法在齿轮箱微弱故障诊断中的可行性。     

基于本征模态函数包络谱的滚动轴承故障诊断

针对滚动轴承故障振动信号非平稳的特征,以及传统傅里叶变换不能反映信号细节的缺陷,引入了一种基于本征模态函数包络谱的方法。首先,采用经验模态分解（empirical mode decomposition,EMD）将滚动轴承故障振动信号分解成若干个本征模态函数（intrinsic mode function,IMF）之和;然后,求出包含主要信息成分的IMF分量的Hilbert包络谱;最后,对照滚动轴承故障特征频率,进而判定故障类型。通过对滚动轴承内圈、外圈故障振动信号的分析处理,表明该方法能有效地提取滚动轴承的故障特征。     

基于自适应CEEMD的非平稳信号分析方法

由于标准的互补集总经验模态分解(complementary ensemble empirical mode decomposition,简称CEEMD)在处理模态混叠问题时缺乏自适应性,其本质是分解信号获得的本征模态函数(intrinsic mode function,简称IMF)之间产生了一定的信息耦合现象,使IMF分量不能正确地反映信号的真实成分。因此,提出了在使用CEEMD分解信号的过程中嵌入网格搜索算法(grid search algorithm,简称GSA),以最小二乘互信息(least squares mutual information,简称LSMI)为网格搜索算法的适应度函数,构造一个自适应CEEMD方法。该算法通过自适应地搜索最佳的白噪声幅值,修正信号分解过程中产生的少量的耦合频率成分,确保每个IMF分量之间信息的正交性,以进一步抑制模态混叠问题。最后,通过仿真实验验证了该方法的有效性,并将该方法用于提取滚动轴承微故障的特征频率。实验结果表明,该算法在滚动轴承的微故障特征提取应用中具有更少的迭代数、IMF分量以及相对更小的计算量。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于EMD与GA-SVM的轴承故障诊断

特征提取与特征选择是实现轴承故障诊断的关键.针对特征提取,首先将轴承振动加速度信号进行经验模态(empirical mode decomposition,简称EMD),得到一组固有模态函数(intrinsic mode function,简称IMF),计算各IMF的能量和IMF矩阵的奇异值分布,采用Shannon熵、Rrnyi熵度量能量和奇异值分布,同时提取原信号的部分统计特征共同构成原始特征子集;针对特征选择,采用遗传算法(genetic algorithm,简称GA)和最小二乘支持向量机(least square support vector machine,简称LS-SVM)的Wrapper方法选择最优特征子集.在实际轴承故障诊断中的应用,表明文中所提方法的有效性.     

经典模态分解方法中内禀模态函数判据问题研究

针对经典模态分解方法的内禀模态函数判据问题，根据内禀模态函数完备且正交的特点，提出了在内禀模态函数“筛选”过程中采用能量差跟踪法来确定内禀模态函数分量。通过仿真和实际信号的分析，验证了采用这种方法确定的内禀模态函数分量满足正交性要求，表现了信号内含的真实物理信息，从而实现了对信号正确的分解。     

制造特征到夹具特征的映射研究

介绍了夹具规划研究中各种特征模型的应用，分析了进行特征转换的必要性，并着重探讨了零件制造特征与夹具特征间的映射问题。给出了该范畴中的特征映射的基本思路和算法，从而实现了不同特征模型之间的转换。     

基于设计特征的特征转换技术研究

分析特征和特征转换技术,并建立一个基于产品设计特征模型的特征转换系统,实现产品特征模型由设计域到加工域的转变.同时,对实现系统通用性的关键技术--设计特征信息的获取进行了研究.     

A feature recognition system with interactive feature inspection and deletion capabilities

A recognition process of the features in a part model uses the knowledge of an application engineer. The knowledge is encoded as rules of the recognition procedure that are applied to the part model during the recognition process. Such a human interaction is difficult to control in extracting the moulding features because the features moulding of the application engineer may change from one engineer to the other and external conditions may change. Instead, we treat the result of the recognition process as a first approximation of the user's intention and let the user interactively modify the result. In this paper, we present a feature recognition system where the user can inspect the result of the recognition and delete the recognised features interactively.     

要素的一般概念及实录中心要素的认定 --一评ISO 1101:2004

ISO 1101：2004《几何特征规范几何公差形状、方向、位置公差和跳动》已由ISO／TC213于2004年12月15日发布，现撰写一组文章加以评论。     

A method for recognising feature interactions and feature components within the interactions

Handling feature interaction is an outstanding issue in the feature recognition approach. This paper presents a method for recognising the presence of feature interactions and for determining the feature components within the interactions. First, two general feature types, namely depression and protrusion features, are identified from B-rep models based on a modified convex hull concept. Secondly, the identified features are represented by a modified AAG (Attributes Adjacency Graph) for facilitating their classification into low-level feature components, such as slots, pockets and bosses. Any unrecognisable features that remain after this second step are regarded as interacting features and they are finally recognised as low-level features via a process of virtual face building and volume adding.     

JW—CAD特征造型系统

从CAD／CAPP／CAM集成角度出发,详细阐述了JW－CAD特征造型系统的设计思想,描述了JW－CAD的总体结构。该系统以STEP标准作为零件信息表达,利用Pro/Toolkit开发工具进行开发,完成特征造型、特征识别与信息匹配,最终实现了CAD／CAPP／CAM集成。     

Automatic generation of in-process models based on feature working step and feature cutter volume

A 3D in-process model shows the intermediate shape of workpiece intuitively in different machining stages. Automatic generation of in-process models is one of the most important key technologies in 3D computer aided process planning (CAPP) system, which shortens modeling time and improves the accuracy of model expression. This paper describes implementation of an automatic generation of in-process models based on feature working steps (FWSs) and feature cutter volumes (FCVs). The principle is proposed to demonstrate the relationship between machining process information and in-process models. The expression and analysis of process route based on FWS is completed. And then two kinds of FCV constructions and instantiations are studied. One is parameterization for stable feature and the other is layering and reverse reconstruction for semi-stable feature. Two examples are presented to illustrate the approach.     

基于波形特征和小波的脉搏波特征点识别研究*

脉搏波是人体心脏有节律的收缩射血,血液流经弹性血管所产生的波动。不同的人在不同的生理状态下的脉搏波波形是不同的,因此脉搏波的特征点识别对于分析人体的生理病理状况、预防诊断心血管疾病是非常有帮助的。本文结合小波分析和脉搏波时域特征,提出了一种从脉搏波预处理到特征点准确识别的综合算法,实验表明该算法能够有效识别处于不同运动状态的脉搏波特征点,为后续相关人体生理病理信息的有效提取创造了条件。     

钛制阀门的设计特点

介绍阀门用铁的耐蚀性能和选用原则，简述铁制阀门的结构特点，阐释给出的壁厚计算式及设计参数，提出制订铁制阀门技术标准的建议。     

利用曲率多特征融合改进人体三维脊椎模型特征点的标注方法

由于脊椎生理结构的精准坐标描述和准确匹配尚未达到医学精度的要求,本文对如何精确描述脊柱腰骶段特征点的物理坐标进行研究。介绍了人体脊椎采样特征点的定义和传统标记方法。针对手动标注特征点精确度不够,易产生较大误差等问题提出了一种基于曲率多特征融合的自适应标注特征点的方法。该方法首先找出某个特征点的高斯曲率和平均曲率流的定义值,得到该特征点的法曲率相对极大值,并计算在指定极小半径r范围内的所有模型点的法曲率相对极大值。由于极大值曲率越大,三维模型表面在该点处的弯曲程度越大,该点就越能表现三维模型的大致轮廓,故以r范围内极大值最大的点作为特征点的曲率描述来替换手动拾取的点,从而准确反映该点的特征变化情况。最后,对改进结果进行偏差验证分析。结果表明:改进方法的准确度比现有手动标注特征点方法的准确度提高了约37%,验证了本文方法的有效性。