RS理论的领域知识颗粒构造问题研究

对RoughSet理论的知识运算原理进行了研究,得出基于该工具的知识发现其本质,是关于论域的知识颗粒间存在着知识包含关系。该关系使得知识存在着可被细化、可被推广泛化性质,表明只有用真实有效的原始知识资源开展的知识发现问题研究,其成果才具有可推广应用于指导工程实践自动决策的价值。因此,如欲基于粗糙集理论解决特定工程领域的知识获取难题,要解决的最基础问题应当是对原始知识资源实施满足粗糙集理论工具要求的妥善保护新问题。     

等距映射和局部线性嵌入算法集成的转子故障数据集降维方法

经数据分析途径实现机器智能的故障决策引发出了关于故障数据集的降维问题。通过将等距映射算法(Isometric Mapping,ISOMAP)、局部线性嵌入(Locally Linear Embedding,LLE)算法的优缺点进行互补,提出一种适用于非线性数据集降维的核框架下等距映射与局部线性嵌入相结合的KISOMAPLLE算法。该算法能够同时满足全局距离保持性和局部结构保持能力的数据降维基本要求。用典型的人工数据集和转子故障数据集进行的降维验证结果表明,该算法能够继承ISOMAP、LLE两种算法的各自优良性能,具有能够显著提高典型非线性数据集分类精度的性能。     

高速铣削汽轮机叶片表面残余应力影响因素研究

针对实际应用中汽轮机末级动叶片表面残余应力导致的失效问题,文章通过对不锈钢叶片进行不同工艺参数下的切削试验,研究了工艺参数对叶片表面残余应力的影响规律.由于叶片的疲劳损坏是由其表面层所受的拉应力引起的,表面层的残余压应力可抵消一部分拉应力,从而使叶片的疲劳强度得到提高.通过对不同组间的试验数据进行对比分析表明,提高主轴转速有利于残余压应力的加大,而温度热应力对残余拉应力起着主导作用.研究结果对于在不同加工参数条件下提高叶片表面的残余压应力,提高抗疲劳性能有一定意义.     

多跨柔性转子系统现场动平衡试验

本文根据三圆法进行柔性转子系统试验过程经验的总结，对三圆法完善提出了作者的修正建议；同时根据实际转子的结构情况，引入了矢量分解法分配平衡质量。方法简单，但可有效地提高动平衡效率。     

故障特征选择与特征信息融合的加权KPCA方法研究

针对旋转机械振动故障特征与故障类别间不完全对应问题,以双跨转子系统12个通道的故障信息集合为研究对象,提出一种基于加权核主成分分析的故障敏感特征集合提取方法。通过对每个通道的振动信号进行时域、频域、时频域的特征提取,得到一种描述双跨转子系统的原始故障特征集合。采用多准则特征选择方法对这种原始故障特征集合进行特征属性筛选,得到一种利于故障分类的敏感特征集合。对这12个通道的敏感特征集合进行信息融合处理,可得到一种多通道信息的融合特征向量,利用加权核主成分分析方法提取出融合特征向量中的核主成分。结果表明,这种核主成分能够显示出故障类别间的较显著差异,和具有较好的敏感特征子集寻优能力。该研究为解决好双跨转子系统的故障数据集的类别划分问题,提供了一种新途径。     

IWO与BPNN混合智能算法在 转子故障诊断中的应用

在经典IWO杂草算法的基础上提出一种适用于神经网络优化的新算法。该算法将多种结构的神经网络权值阈值编码为不同维度的杂草种子,以神经网络均方误差作为种子适应度的统一评价标准,同时对多个维度的杂草种子进行排序筛选,实现了神经网络权值阈值与结构同时优化的目的。应用该方法于转子系统故障分类问题,实验结果表明该方法可以在结合BP算法优势的同时有效优化神经网络各参数,可以得到分类精度高、结构最简且泛化能力强的神经网络故障分类器。     

双跨转子轴承系统耦合实验研究

在多功能转子实验台上,对具有双跨度、三个圆柱滑动轴承支撑的多圆盘弹性转子轴承系统不同位置的振动信号进行分析。通过对位移信号的快速FFT变换,分析了系统振动信号的基本特征,研究了双侧转子对中间轴颈振动的影响;用信号能量和信号功率指标分析了转子弹性能的分布。结果表明：中间轴承相对于系统承受最大的振动模值,同时该轴颈的振动信号包容了系统振动的所有信息,反映了双跨间耦合对中间轴承的作用;振动信号的能量和功率指标验证了上述结论。     

基于SILPDA的旋转机械故障诊断方法EI北大核心CSCD

针对故障特征集因“维数灾难”导致的故障分类困难现状,提出了一种基于强化内蕴局部保持判别分析(strengthened intrinsic local preserving discriminant analysis, SILPDA)的故障特征集降维算法。该算法将强化的多流形内蕴模型与局部相似度矩阵融入目标函数的构建中,期间充分考虑了数据集的多流形结构特征并且保留了样本的局部结构信息,使降维后的低维特征子集易于实施分类运算,继而实现提高故障辨识精度的效果。利用转子试验台振动信号集合构建的原始故障特征集对算法性能进行了验证。结果表明,该算法能够从原始故障数据集中提取出利于实施分类运算的敏感特征子集,这些特征子集将会使不同故障类别之间的边界变得更加清晰,最终相较于局部保持投影(locality preserving projections, LPP)、线性判别分析(linear discriminant analysis, LDA)、局部边缘判别投影(locality margin discriminant projection, LMDP)等算法可实现更好的故障辨识效果。对于提高旋转机械大数据资源的价值密度,该算法提供了一种优化数据结构模型的理论依据。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义。针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN–1D)方法。通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接层,以降低模型参数和计算量,且防止过拟合现象。试验结果表明,该方法可以准确识别滚动轴承不同故障状态,具有一定的工程实际应用潜力。     

转子故障数据集降维的CKLPMDP算法研究

针对传统的数据降维方法难以兼顾局部流形结构和多流形判别结构学习的问题,提出一种相关熵测度核局部保持多流形判别投影算法(correntropy kernel locality preserving multi-manifold discriminant projection,CKLPMDP)的转子故障数据集降维方法.该方...