基于量子加权长短时记忆神经网络的状态退化趋势预测

提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。     

基于强化学习单元匹配循环神经网络的滚动轴承状态趋势预测

为了解决当前人工智能预测方法在滚动轴承状态趋势预测中预测精度较差、计算效率较低的问题,提出基于强化学习单元匹配循环神经网络(RLUMRNN)的滚动轴承状态趋势预测新方法。先采用滑动平均奇异谱熵作为滚动轴承状态退化特征,再将该特征作为RLUMRNN的输入完成滚动轴承状态趋势预测。在RLUMRNN中,利用最小二乘线性回归法构造单调趋势识别器,将轴承整体的状态退化趋势分为上升、下降、平稳3种单调趋势单元,并通过强化学习为每一种单调趋势单元选择一个隐层数和隐层节点数与其相适应的循环神经网络,从而改善了RLUMRNN的非线性逼近能力和泛化性能;用3种单调趋势单元和不同隐层数、隐层节点数分别表示Q值表的状态和动作,并构造关于循环神经网络输出误差的新型奖励函数,以明确强化学习的目标,从而减小循环神经网络的输出误差,避免在Q值表更新过程中使Agent(即决策函数)盲目搜索,提高了RLUMRNN的收敛速度。通过双列滚子轴承状态趋势预测实例验证了该方法具有较高的预测精度和计算效率。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于FAHP的机械振动WSN均衡拓扑构建方法

针对机械振动无线传感器网络因拓扑不均衡导致传输时延和网络传输能耗增加的问题,提出了一种基于模糊层次分析(fuzzy analytic hierarchy process,简称FAHP)的均衡拓扑构建方法,该方法由构建模糊判断矩阵和计算权重向量组成。首先,传感器节点进行簇内通信获取信标广播信息,将信标节点网络决策因子统一量纲化,利用网络决策因子构建模糊判断矩阵;其次,检验模糊判断矩阵一致性,采用行和归一化处理或拉格朗日最小二乘法计算权重向量;最后,传感器节点通过权重向量计算出各个信标节点综合权值,关联最优信标节点为父节点加入网络,将提出的模糊层次分析拓扑构建方法与基于链路质量单准则构建网络拓扑机制进行对比。实验结果表明,该方法能有效改善传输时延和机械振动无线传感器节点网络寿命。     

基于阶次分析和EWT的轴承故障诊断研究

针对非平稳工况下,轴承故障信号表现出来的非平稳性、故障特征难以提取等特点,提出将阶次分析与经验小波变换(EWT)相结合的故障特征提取方法,使用Lab VIEW软件开发平台对上述方法进行编程实现。利用机械故障仿真实验台(MFS)得到非平稳工况下轴承内圈故障信号并以其进行分析,分析结果表明:基于阶次分析与EWT相结合的方法能准确识别非平稳工况下轴承故障特征,解决了传统阶次分析方法无法有效识别故障特征的问题。     

机械振动 WSN 比例补偿跨层同步采集触发方法

针对机械振动无线传感网络同步采集中的同步触发精度低问题,提出了一种比例补偿跨层同步采集触发方法。首先,基于跨层同步架构设计超宽带机械振动无线传感器网络节点,分析采集节点实际采集时钟构成;然后,使用单一硬件定时器作为采集控制时钟,跨层获取同步信息并进行同步触发延时控制;最后,根据周期性同步信息建立节点间的时间比例模型,根据采集节点上行链路时间比例对同步触发延时进行比例补偿,减小同步采集触发误差。实验结果表明,所提方法在单跳网络中同步采集触发误差均值为20 ns,最大值为50 ns,在两跳网络中同步采集触发误差均值为37 ns,最大值为76 ns,有效提高了机械振动无线传感器网络同步采集触发精度。     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。     

无转速计的旋转机械Vold-Kalman阶比跟踪研究

结合旋转机械升降速阶段振动信号的特点,提出了一种无转速计的旋转机械Vold-Kalman阶比跟踪方法。该方法利用能量重心法对振动信号进行频谱校正,估计瞬时频率,获得参考轴转速信号,再对振动信号进行Vold-Kalman阶比跟踪,提取阶比分量。与需要转速计的经典Vold-Kalman阶比跟踪方法相比,该方法无需鉴相装置,完全用软件方式实现,算法精度高。仿真和应用实例分析结果表明此方法能够在时域中准确地提取幅值和频率变化的阶比分量。     

基于多分辨分析的时频分析

短时傅里叶变换由于采用固定宽度的时域窗，在缓变与瞬变信号共存的宽频带信号分析中，其时间与频率分辨力矛盾突出。采用Mallat算法的小波变换能够将信号正交分解成多尺度的信号分量，然而所提供的时频信息不很直观，难以识别其时频谱。通过对短时傅里叶变换和小波变换在时频分析中的优缺点分析，发现两者具有互补性。因此本文提出基于多分辨分析的短时傅里叶变换（取名为WAVSTFT），即采用Mallat算法将信号分解成多个尺度信号分量，再对各分量分别做与其尺度相适应的短时傅里叶变换，最后把得到的各时频谱在同一个不相平面上叠加，从而得到信号的总体时频构造。经理论分析与实例验证，该方法有效可行，为工程测试中的时频分析提供了一种有效的手段。     

基于构件的时频分析仪的研究

介绍了一种基于构件的软件体系结构,针对非平稳信号的特点,结合现有的时频分析方法和理论,提出了构件化时频分析仪的总体设计框架和开发模型,其仪器设计的主要内容是功能构件设计和仪器面板构件的设计.本文以按钮构件为例介绍仪器面板构件库的设计过程,以谱图(SPEC)功能构件为例介绍仪器功能构件库的设计过程.结合工程实际,采用构件化软件开发方法,成功开发了实用的构件化时频分析仪,并通过实例验证了仪器的正确性和实用性.