均值优化经验模态分解及其在转子故障诊断中的应用

经验模态分解（Empirical mode decomposition,EMD）作为一种自适应的信号分解方法已经被广泛应用于诸多工程领域。为了提高EMD的分解性能,分别考虑从不同权值均值曲线的迭代筛分结果中选择正交性最小以及从每层内禀模态函数迭代结果中选择最优以保证整体分解最优,发展了两种均值优化经验模态分解（Mean-optimized empirical mode decomposition,MOEMD）算法。通过仿真信号分析,将MOEMD方法与EMD等现有信号分解方法进行了对比,结果表明,MOEMD方法在分解性能和分解精度方面比EMD等方法有显著提高。最后,将MOEMD方法应用于转子碰摩故障信号分析,并与EMD进行了对比分析,结果表明,MOEMD方法不仅能够有效地识别转子碰摩故障,而且识别效果优于EMD方法。     

展望“互联网 ”将对地勘工作的变革

本文在分析地勘行业现有形势和存在问题的基础上,展望“互联网 ”对地勘工作方式与思维产生的变革。认为“互联网 地质”平台经济将改变地勘工作模式;地质信息化工作重点将是对结构化数据成果的深层次挖掘、集成、创新,并引导地质勘探向智慧勘探转变;地勘行业全流程工作将无限精细化分解,“分布式”进行;最后本文提出了未来地勘工作思维将具有“非线性”“生产者主导”“充分共享”等特征。     

用于电阻抗谱测量的脉冲式方法的研究

为了将电阻抗谱应用于复合材料构件的异常检测,针对被测对象电阻抗谱的测量,提出一种不同于传统扫频方式的脉冲式方法.采用软/硬件协同设计方法设计并实现基于现场可编程门阵列(Field programmable gate array,FPGA)的脉冲式检测系统.该系统能产生频率和脉宽可调的方波脉冲作为敏感电极的激励信号,基于FPGA芯片实现了一种能对瞬态响应电流曲线进行高速采集的步进采样方法,对采集到的电流曲线作进一步的处理以获得被测对象的电阻抗谱.为了验证脉冲式检测系统用于电阻抗谱测量的可行性和有效性,对Randles单元模型及双弛豫时间等效电路模型电阻抗谱的测量进行试验研究,并与理论计算得到的电阻抗谱进行了对比分析.初步的试验结果表明,脉冲式检测系统能有效地提取被测对象的电阻抗谱信息,所提出的方法用于测量被测对象的电阻抗谱是可行的和有效的.     

改进VPMCD方法在滚动轴承故障诊断中的应用

针对模式识别新方法VPMCD(variable predictive model based class discriminate)在参数估计过程中存在的缺陷,对VPMCD方法进行了改进,用主成分估计法代替原方法中的最小二乘法进行参数估计,消除了预测变量间存在多重线性相关性的影响,可以获得更加稳定的模型参数,从而提高模式识别的精度。采用局部特征尺度分解(LCD)方法对滚动轴承振动信号进行分解得到若干个单分量信号,提取各分量的近似熵组成故障特征向量作为改进VPMCD的输入,以改进VPMCD作为分类器对滚动轴承的工作状态和故障类型进行分类。对正常状态、外圈故障、内圈故障和滚动体故障四种不同工作状态和故障类型下的滚动轴承振动信号进行了分析,结果表明该方法有效。     

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型（VPMCD）模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型（SRVPMCD）模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。     

基于复数微分算子的最优化分解方法及其应用

针对机械故障振动信号的非线性与非平稳特征,提出了一种基于复数微分算子的最优化分解（Optimization Decomposition Based on Complex Differential Operators, 简称CDOOD）方法。该方法通过优化滤波器的参数将非线性信号分解,以得到非线性信号分解余量的能量最小为优化目标,然后在优化过程中运用复数微分算子约束得到多个内禀窄带分量（Intrinsic Narrow-Band Components,简称INBC）。将CDOOD方法应用于仿真信号和机械复合故障信号的分析,并与自适应最稀疏时频分析（Adaptive Sparsest Time Frequency Analysis,简称ASTFA）方法和经验模态分解（Empirical Mode Decomposition,简称EMD）方法进行对比。结果表明,CDOOD能够有效抑制端点效应和模态混淆,并且在提高分量的准确性和正交性等方面具有一定的优势,同时可以有效地应用于旋转机械复合故障的诊断。     

基于改进自适应经验傅里叶分解的滚动轴承故障诊断方法

自适应经验傅里叶分解(AEFD)是最近提出的非平稳信号分解方法,为了解决AEFD的分割边界集设置问题,提出了基于频谱包络检测的改进自适应经验傅里叶分解(EAEFD)方法,该方法以快速傅里叶变换为基础,以包络熵值最小选择最优的分解模态数目,采用极大值包络技术对傅里叶频谱分割,得到一个合理的分割边界,最后采用逆快速傅里叶变换对每个区间信号进行重构。EAEFD能够自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的单分量信号之和,通过仿真信号和滚动轴承信号分析,将EAEFD方法与经验小波变换(EWT),经验模态分解(EMD),局部特征尺度分解(LCD)和AEFD等方法进行了对比,结果表明EAEFD方法不仅仅能够有效地诊断出故障特征,而且诊断的精度更高。     

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解...     

活性炭滤嘴对卷烟主流烟气中香味成分截留规律的影响

以活性炭滤嘴卷烟、普通滤嘴卷烟为研究对象,采用单因素试验确定活性炭颗粒、丝束中香味成分的最优萃取条件,利用气相色谱-质谱技术(GC-MS)对两种卷烟抽吸后的烟蒂及主流烟气中的香味成分进行检测,比较两种卷烟香味成分的差异性,分析活性炭滤嘴对卷烟主流烟气中香味成分的截留规律。结果表明：1)活性炭颗粒最优萃取条件为以二氯甲烷作为萃取溶剂、萃取液体积25 mL、萃取时间为25 min、萃取温度为25℃;丝束最优萃取条件为以乙醇作为萃取溶剂、萃取液体积50 mL、萃取时间为35 min、萃取温度为30℃;2)活性炭颗粒截留的香味成分多为小分子物质;活性炭滤嘴卷烟丝束对香味成分的截留量均低于普通滤嘴卷烟丝束;整体上活性炭滤嘴对香味成分的截留量低于普通滤嘴,活性炭滤嘴卷烟主流烟气粒相物中香味成分的总含量高于普通滤嘴卷烟;3)活性炭滤嘴对主流烟气中大多数物质的截留率均低于普通滤嘴,其中大分子物质的截留率差异明显。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。