预拉伸对Al-Cu-Mg-Ag合金析出相与力学性能的影响

研究时效前预拉伸对Al-Cu-Mg-Ag合金析出相和力学性能的影响。结果表明:165℃时效前的预拉伸可提高合金的峰值硬度及强度,延长峰值时效的时间;合金的主要强化相是Ω相和θ′相,预拉伸引入的位错抑制了Ω相的析出与长大,细化Ω相的尺寸,同时促进θ′相的析出;时效前未经变形时,合金出现峰值的时间是10h,对应的σb为492MPa;时效前经4%预拉伸变形后,合金出现峰值的时间是18h,对应的σb为508MPa。     

Al-5.2Cu-0.4Mg-1.02Ag合金的时效析出行为研究

研究了Al-5.2Cu-0.4Mg-1.02Ag合金在不同时效制度下的力学性能和显微组织,并详细分析了合金的主要析出相Ω的形核与粗化,同时提出了浓度台阶粗化机制.结果表明:合金的主要强化相是Ω相和θ'相.欠时效时出现了大量细小的Ω相和少量的θ'相;峰时效时Ω相和θ'相的体积分数大大增加,且Ω相与基体呈半共格关系;过时效时出现了球状的平衡θ相,Ω相略为长大,而θ'相的长度和厚度明显增大.Mg/Ag原子簇是时效初期Ω相的形核核心;Mg,Ag和Cu的浓度差异引起的台阶迁移是Ω相粗化的驱动力.由于Mg和Ag原子在Ω相与基体界面存在时降低了晶格的畸变能,使得Cu原子向Ω相迁移的速率受到限制,因此Ω相能够在长时间下保持片状而不发生共格失稳.     

支撑刚度对全矢谱参数影响的研究

转子各向同性的理论无法解释许多不平衡相关的振动现象,基于转子系统中刚度和阻尼各向异性的特点,建立了具有非线性刚度和阻尼的转子系统动力学模型,并用四阶龙格－库塔方法求解系统的不平衡响应。研究了在不同的非线性刚度系数下,两个垂直方向上刚度的变化对全矢谱参数的影响。结果表明：在恒定转速下,刚度变化对振矢、振矢比、矢相位有较强的规律性影响。该结论为全矢谱技术在非线性因素下的应用提供了理论参考。     

基于矢双谱分析的旋转机械故障诊断研究

基于数据融合思想,将矢谱分析方法延拓到非平稳信号领域,与高阶谱分析结合,提出了矢双谱分析方法,给出了其定义、算法和性质。仿真和试验结果均表明,矢双谱能有效消除机械系统的高斯噪声,与单通道分析相比,能更全面、准确地反映系统的非线性特征,为故障诊断提供有力依据,并可应用于工业现场的在线诊断,具有实用价值。     

GA-CFS结合案例推理的轴承故障诊断

针对轴承故障诊断中知识难以获取的问题，提出了一种GA-CFS(Genetic Algorithm and Correlation-Based Feature Selection,GA-CFS)结合案例推理的轴承故障诊断方法。利用案例推理技术（Case-Based Reasoning,CBR）建立轴承故障案例库进行故障诊断。又针对案例推理技术中案例检索时遇到的属性冗余问题，以及难以人工确定关键属性及其权重的问题，采取GA-CFS方法对属性集合进行筛选，初步确定特征子集，再根据遗传算法确定各个子集中的特征的权重，最后根据特征子集及其权重选取符合要求的最佳特征子集，再用该特征子集构建轴承故障案例库，并通过实验验证了该方法的可行性。     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。     

基于深度动态域适应的轴承故障诊断研究EI北大核心CSCD

针对迁移学习中源域,目标域数据分布差异大,传统学习中边缘分布与条件分布贡献动态变化难以适应的问题,提出了一种基于深度动态域适应的轴承故障诊断方法。在域适应层引入动态分布自适应方法,通过域分类器分别进行边缘分布对齐和条件分布对齐,在根据平衡因子动态衡量条件分布和边缘分布对域的贡献度,进行动态域适应。通过对凯斯西储大学和江南大学轴承数据集变工况下的迁移诊断试验及对比分析,有效地提高了跨域诊断的精度,验证了所提方法的有效性与卓越性。