基于多尺度信号调节自编码器的永磁电机故障诊断研究EI北大核心CSCD

永磁电机在工业自动化及新能源汽车等领域具有重要的应用,电机故障诊断对于保障运动控制精度和避免停机损失具有十分重要的意义。现代信号处理方法和人工智能技术被广泛应用于电机故障诊断,然而在强噪声干扰情况下如何精确识别电机故障类型仍是一个挑战。该研究设计一种新的多尺度信号调节自编码器,首先采集电机的振动信号并通过小波变换分解得到信号的多尺度特征,研究各个尺度特征对自编码器分类精度的影响,随后根据多尺度特征对应的精度进行原信号的调节和重构,再将调节信号输入自编码器中,最终提升电机故障类型识别的精度。试验结果表明,该方法相比于传统方法,在强背景噪声干扰情况下能够有效识别电机的8种健康或故障状态,并且具有良好的抗噪性和稳定性。     

基于循环谱相关的编码器信号滚动轴承故障检测EI北大核心CSCD

针对振动传感器安装受限的场合,结合编码器信号的优势,以编码器瞬时角速度(instantaneous angular speed, IAS)为信号,提出一种基于编码器IAS信号诊断特征(diagnostic feature, DF)指标的循环谱相关(cyclic spectral correlation, CSC)优化解调频带选取算法。首先利用向前差分法估计编码器信号获得轴承的IAS信号,并利用CSC得到IAS信号的双变量谱;然后按照初始子频带带宽为循环频率积分区间得到子频带改进包络谱(improved envelope spectrum, IES),并计算子频带IES的DF数值获得DF曲线;再通过评判DF数值合并子频带得到优化解调频带;最后利用包络分析提取滚动轴承故障特征阶次。通过仿真和轴承实测数据验证了所提方法的有效性。     

基于内积矩阵及卷积自编码器的螺栓松动状态监测EI北大核心CSCD

螺栓连接结构中的螺栓松动容易导致结构失效,如何对结构中的螺栓松动状态进行监测是当前研究的一个热点。该文利用环境激励下结构振动响应的相关性分析,结合深度学习技术,研究了一种联合使用内积矩阵(inner product matrix,IPM)和卷积自编码器(convolutional autoencoder,CAE)的神经网络模型,即基于内积矩阵及卷积自编码器(inner product matrix and convolutional autoencoder,IPM-CAE)的深度学习模型。通过对螺栓连接搭接板的螺栓松动状态监测的试验研究,验证了该方法的可行性及有效性,并与使用IPM的卷积神经网络(convolutional neural network,CNN)、堆栈自动编码器(stack autoencoder,SAE)及胶囊网络(capsule network,CapsNet)相比,IPM-CAE方法具有较快的网络训练收敛速度和较高的识别精度。     

一种基于流固耦合问题的低频散射声场预报方法EI北大核心CSCD

提出了一种流固耦合作用下的低频散射声场预报方法。从边界积分方程出发,推导弹性散射中流固耦合方程,通过引入附加质量、附加阻尼、附加压力概念实现解耦。将弹性散射表述为纯刚性散射项与二次辐射项的叠加,建立了刚性散射与弹性散射的联系。与辐射问题不同,散射中流体对结构的作用不仅表现为附加质量和附加阻尼,还存在一个与结构响应无关的压力项,且该压力项是二次辐射项的激励源。采用Fortran编写了边界元算法程序,用DMAP语言实现与Nastran的对接,形成了完整的散射声场预报方法,通过与理论结果对比,验证了预报方法的正确性。圆柱壳散射的计算结果表明:低频散射时弹性不可忽略;圆柱壳厚度对弹性散射强度和指向性有明显影响;肋骨对柱壳散射的影响与振动形式有关,环肋骨对以弯曲模态为主的弹性散射影响很小。     

基于数据融合及残差卷积自编码器的结构损伤识别方法EI北大核心CSCD

深海混输立管作业期间持续遭受外部风浪流耦合荷载及内部矿液两相流体磨蚀作用,长期作用下结构损伤逐渐积累。立管结构呈高长细比、柔性状态,传统结构损伤识别过程中存在模态参数识别困难、单测点响应损伤敏感度低等诸多问题。针对上述问题,该研究提出了基于数据融合及一维残差卷积自编码器(one dimension residual convolution autoencoder, 1D-RCAE)的深海混输立管结构损伤识别方法,以结构损伤敏感的应变动态响应为输入,使用主成分分析(principal component analysis, PCA)进行多测点应变响应特征融合,进一步利用1D-RCAE自动提取损伤敏感特征,以结构损伤前后敏感特征间的马氏距离构建结构损伤判定指标,实现混输立管结构健康状态监测。通过500 m深海混输立管结构数值模拟和立管物理缩尺模型试验对该研究提出的方法进行验证,结果表明,有限测量信息下能够有效实现深海混输立管结构损伤识别,其中数值模拟验证损伤识别准确率高于99%,物理模型验证损伤识别准确率高于98%。同时探究了噪声污染、海洋环境因素变化对该研究提出方法损伤识别性能的影响规律。     

基于旋转编码器信号的滚动轴承故障特征增强提取EI北大核心CSCD

针对滚动轴承故障特征较弱且振动传感器安装受限的场合下故障特征不易提取的问题。结合旋转编码器信号传递路径短、干扰少等优势,提出一种基于旋转编码器瞬时角速度(instantaneous angular speed,IAS)信号的滚动轴承故障特征增强提取法。首先,使用去相位算法(de-phasing algorithm,DPA)抑制转频及其谐波等严格周期性分量;其次,通过多点优化最小熵反褶积(multi-point optimization minimum entropy deconvolution adjusted,MOMEDA)增强滚动轴承故障冲击分量;最后,对增强后的信号进行频谱分析,提取轴承故障冲击特征。通过仿真和轴承外圈实测数据验证所提方法的有效性。     

基于振动信号的柴油发动机转速测量EI北大核心CSCD

利用振动信号测量发动机转速是一种不解体检测的重要方法,但其对发动机振动频率要求较高,因此转速急剧变化时,对测量精度影响较大。提出了基于希尔波特包络和自相关的新方法;利用小波变换消除基线漂移,再通过短时时间窗进行类稳态分析,并采用希尔伯特包络和三次自相关对信号进行时域分析,计算短时窗内的发动机转速,通过移窗法得到连续的发动机转速。通过在发动机台上进行变工况试验,同步采集振动信号和转速传感器信号进行对比分析,在急加速条件下转速测量最大误差小于1.4%,能够有效的满足柴油发动机转速的实时性和精确性要求,在车辆不解体检测和无负荷测功方面有很大应用前景。     

FSWT-SVD模型在岩体微震信号特征提取中的应用EI北大核心CSCD

针对岩体破裂信号与爆破振动信号难以识别的问题,采用傅里叶变换(FT)得到其频谱分布,并确定划分为6个频带提取信号特征。借助频率切片小波变换(FSWT)将信号按上述频带切片并重构,再利用奇异值分解(SVD)得到上述频带重构信号所组成矩阵的奇异值σi(i=1,2,…,6),实现岩体微震信号的特征提取。进而对用沙坝矿120个岩体破裂和120个爆破振动信号展开FSWT-SVD分析,最后利用BP神经网络对奇异值矩阵进行分类训练和预测。结果表明:(1)岩体破裂信号与爆破振动信号的奇异值σ1相差最大,σ2、σ4、σ5和σ6相差较大,而σ3差异不明显,且当σ1=8作为单一奇异值法识别分界值时效果最优,准确率达到了86.67%;(2)BP神经网络法分类识别结果较LR法、Bayes法和Fisher法优,SVD提取特征识别效果较能量比和相关系数优,FSWT重构矩阵提取的特征信息优于DWT重构矩阵提取的特征信息,且基于FSWT-SVD的BP法分类识别准确率达到了91%。综上知,基于FSWT-SVD的BP神经网络模型为岩体破裂与爆破信号特征提取和模式识别提供了一种新方法。     

基于卷积自编码器和时间卷积网络的轴承性能退化趋势预测EI北大核心CSCD

针对现有的退化预测研究在构建健康指标时面临信息损失,在建立预测模型时并行计算性能差、感受野不大等不足,结合监测对象性能退化的时序特性,提出基于卷积自编码器(convolutional auto-encoder,CAE)和时间卷积网络(temporal convolutional network,TCN)的性能退化趋势预测方法。构建振动信号多域高维特征集,并采用综合评价指标初步筛选敏感性好、趋势性强的性能退化指标;采用核主成分分析(kernel principal component analysis,KPCA)方法消除多域特征之间的冗余信息,并实现基于CAE网络的健康指标构建;在此基础上,构建基于TCN的性能退化预测模型,采用直接多步预测实现退化趋势预测,并利用轴承公用数据集验证方法的有效性。结果表明:采用KPCA可以将特征集从14维降至4维,且保留了原优选特征集97.63%的信息;基于CAE网络构建健康指标的方法是有效的,所构建的健康指标随时间的变化历程能真实反映轴承性能的退化过程,且该方法相较于自编码网络(auto-encoding,AE)和高斯混合模型(Gaussian mixure model,GMM)两种常用的健康指标构建方法具有明显优势;基于TCN算法构建的模型能准确预测轴承的性能退化,该模型相较于基于长短时记忆(long short-term memory,LSTM)网络和基于门控循环单元(gated recurrent unit,GRU)等构建的预测模型性能更好,预测精度更高,预测步长为3时的均方根误差和平均绝对误差分别为0.0257和0.0187;该方法具有普遍意义,可推广应用于其它机械装备/零部件的性能退化趋势预测。     

纳米颗粒的自组装及其在锂离子电池中的应用EI北大核心CSCD

在简要介绍纳米颗粒的基本物理-化学性能及其制备现状的基础上,着重论述了纳米颗粒自组装的类型及原理,总结了纳米颗粒自组装在锂离子电池上的应用研究进展,并指出该应用中存在制备效率低、污染较大等问题,提出今后工作将集中在开发合适组装单元、揭示自组装基本原理、简化制备程序等方面,认为纳米材料合成过程中实现多层次/功能电池结构调控是未来发展的重要方向之一。     

对陶瓷器件超声识别的算法设计及虚拟仪器实现EI北大核心CSCD

防止重要物品被伪造替换,提出了超声指纹识别算法并编制了识别程序。在此基础上,利用超声检测卡研制了一个对陶瓷器件进行超声防伪识别的虚拟仪器—工控机。该工控机可以多通道检测且检波方式多样,增益调节灵活,可同时完成信号的发射和接收。以工控机进行了多组试验测试,测试结果表明,该工控机对外形一致的陶瓷器件可以准确识别区分。随后,研究了对探头旋转、偏移、对探头施加不同压力和改变底衬等因素对识别结果的影响。通过对样品在不同形状、材料、压力和边界等条件下的测试,结果表明,该技术可以实现外表一致的陶瓷器件的有效识别。研制的工控机为实现超声防伪识别系统的智能化、自动化、一体化、小型化奠定了良好的基础。     

非线性自回归模型辨识及其在结构损伤识别中的应用EI北大核心CSCD

分析了带有外部输入的线性/非线性自回归模型一般表达式(GNARX)与Volterra级数模型的相似之处,以及GNARX模型与带外部输入的自回归模型(ARX)之间的内在联系。根据GNARX模型结构特点,提出了一种基于参数离差率的结构剪枝算法,并用于模型结构辨识,通过数据仿真,验证了方法的可行性和有效性。最后,将GNARX模型结合提出的结构辨识方法,应用于钢板的损伤识别。结果显示,基于参数离差率的结构剪枝算法辨识GNARX模型结构,其损伤识别精度最高,体现了GNARX模型及其结构剪枝算法应用于结构损伤识别的优越性。     

基于对比学习的滚动轴承早期故障在线检测方法EI北大核心CSCD

早期故障检测不仅是故障诊断与设备健康管理的难点,也是工业生产实践中亟待攻坚的技术重点。该研究在工业大数据驱动视域下,提出了一种基于对比学习的滚动轴承异常及早期故障在线检测方法。首先,建立一个基于深度可分离卷积及残差连接的深度编码器,在能有效提取信号特征的同时进一步降低模型参数量和计算量;其次,设置特定代理任务以实现基于对比学习方法的无监督编码器训练,使编码器胜任不同采样点信号之间差异的学习任务;最后,通过训练后的编码器对信号进行特征提取,并设计一种在线检测算法,该算法能够识别并区分滚动轴承的异常及早期故障。该研究引入XJTU-SY数据集对上述方法进行验证,结果表明,与现有无监督故障检测方法相比,该方法准确性高,时效性强,丰富了不同工况下轴承全生命周期的健康管理方法。     

动态光散射在颗粒检测中的应用

动态光散射是常用的一种用于检测颗粒粒径分布的方法。本文详细介绍了该技术在测量颗粒粒径、介电常数、传导率、旋转扩散系数、环境的影响以及结晶条件等方面的研究进展,并对该技术的发展及应用做出了进一步的讨论,提出了动态光散射方法存在的问题,以及克服动态光散射的背景噪声、提高光源质量以及建立更智能化的算法等研究方向。     

动态光散射在颗粒检测中的应用

动态光散射(DLS)是常用的一种用于检测颗粒粒径分布的方法.本文中详细介绍了该技术在测量颗粒粒径、介电常数、传导率、旋转扩散系数、环境的影响以及结晶条件等方面的研究进展,并对该技术的发展及应用做出了进一步的讨论.     

含外部输入的非线性自回归模型及其在实时混合模拟中的应用EI北大核心CSCD

传统实时混合模拟对数值子结构多采用有限元计算,对于较复杂或自由度较多的结构,容易导致计算机在指定积分步长内无法完成结构下一步响应的计算。为了提高计算效率,该文提出一种基于代理模型的实时混合模拟方法,采用含外部输入的非线性自回归模型代替有限元计算。以非线性数值子结构和自复位阻尼器试验子结构组成的单自由度体系为对象,使用数值模拟的数据来训练代理模型,并对该模型进行实时混合模拟试验验证。试验结果表明,基于代理模型的实时混合模拟与传统实时混合模拟结果十分接近,具有替代后者的潜力。     

一种物体前向散射声场异常的增强方法

0引言当物体穿过双基地声纳收发连线时,散射信号与直达信号时频空域上均发生重叠,此时双基地声纳传统的检测方法失效。但是,由于物体的前向散射作用,散射信号与直达信号产生干涉,使得接收声场会产生异常变化,该现象可作为物体入侵的标识。前向散射探测面临的问题是,随着接收距离的增大,直达波的干扰变强,前向散射引起接收声场     

超声波在线检测高分子材料在流变仪中的挤出行为(I)EI北大核心CSCD

把超声波检测系统和流变仪操作系统相结合,使用狭缝口模,同时采用温度和压力传感器等,考察在线加工条件下超声波信号与高分子材料结构之间的对应关系。研究发现,超声波参数(速度和衰减)随着聚合物熔体在平板流变仪中受到的剪切力的变化而变化,这种变化能应用于在线检测聚合物熔体粘度和松弛结构的变化。通过改变加工条件,发现超声波与聚合物熔体以及加工条件有一一对应的指纹关系,超声波的这一特点可以用于在线检测聚合物在加工过程中结构的变化,而压力和温度传感器则不能。     

Hilbert-Huang变换在瞬态信号检测中的应用

空投物体入水时产生具有时域冲击特性的信号,一般称之为瞬态信号。Hilbert-Huang变换可通过经验模态分解和Hilbert谱分析两种方法,从时频角度对瞬态信号进行分析。介绍了Hilbert-Huang变换的基本原理,建立了瞬态信号的数学模型,提出了基于Hilbert-Huang变换的信号重构瞬态信号检测方法,并与传统能量检测器的性能进行了对比分析,最后通过软件仿真和湖试数据处理验证了该方法的可行性和有效性。     

自平衡试桩法在基桩检测中的应用

近年来随着建筑业技术的不断更新,越来越多的建筑体量朝着超大规模发展,作为基础的桩基也向着高承载力、超长桩方向不断迈进,试验吨位的加载难度己使得基桩的静载试验根本无法进行。作为一种新兴的单桩承载力测试技术-自平衡试桩法,在测试技术上凸显出的优越性,已使其在一定程度上得到了检测行业的认可和推广。