秦氏模型智能控件化虚拟仪器系统及其本质特征

智能控件化虚拟仪器是最近几年才出现的一种全新的虚拟仪器开发模式,与目前流行的图形式虚拟仪器环境有着本质的区别,它采用了完全不同的技术路线,提供了不同的产品.通过简单图形化平台的开发,基于LabVIEW的仪器组建,以及智能控件化虚拟仪器集成开发环境VMIDS的介绍,详细剖析了主流的图形化工作环境和全新模式的智能虚拟控件两者的工作原理、本质特征和使用方法等,通过比较使读者更好地理解国产的秦氏模型智能虚拟控件和智能控件化虚拟仪器.     

基于Elman神经网络的旋转机械故障诊断

提出了一种基于Elman神经网络的旋转机械故障诊断模型.该诊断模型综合了经验模态分解在故障特征提取和Elman网络在故障模式识别方面的优势,对故障信号进行经验模态分解,再对表征故障调制特征的本征模态函数计算瞬时幅值欧式范数构成特征矢量,将特征矢量输入到训练好的Elman神经网络中进行故障诊断.通过深沟球轴承故障诊断实例验证了所提故障诊断模型的有效性.     

基于EEMD的振动信号自适应降噪方法

摘 要：应用集合经验模式分解（Ensemble empirical mode decomposition ,EEMD）能有效抑制模态混叠的特性,根据白噪声经经验模式分解（Empirical mode decomposition, EMD）后其固有模式函数（intrinsic mode functions ,IMF）分量的能量密度与其平均周期的乘积为一常量这一特点设计了自动选择IMF分量重构信号的算法,提出了基于EEMD的振动信号自适应降噪方法。对仿真信号和滚动轴承振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

面向机械参量的通用数据采集仪的设计

针对机械参量信号的多样性和复杂性,该文设计了一种面向机械参量的通用数据采集仪,经简单配置后能够采集多种常见机械参量信号.文章首先用面向对象的设计思想对设计方案进行了模块划分,然后在介绍各个模块详细设计的过程中分析了实现通用性的难点并给出了相应解决方法,最后以常见的振动信号为采集对象,介绍了方案的具体实现过程.此采集仪可进行大多常见机械参量的测试,人机界面友好,有很好的应用前景.     

基于相关系数的EEMD转子信号降噪方法

针对转子振动信号周期性强的特点,应用集合经验模式分解(ensemble empirical mode decomposition,简称EEMD)对转子振动信号降噪过程中固有模式函数(intrinsic mode functions,简称IMF)分量的选取问题,提出了基于相关系数的EEMD降噪方法。首先,对原始信号进行EEMD分解得到IMF分量,并计算各IMF分量自相关函数与原信号自相关函数的相关系数;然后,根据相关系数选择相应的IMF分量重构信号最终达到对原信号降噪的目的;最后,对比了EEMD过程中不同加噪次数对降噪效率和效果的影响,给出了加噪次数的设置方法。仿真信号和转子振动信号的降噪结果表明了该降噪方法的可行性和有效性。     

设备管理数据库与预测维修系统的开发

介绍了如何利用计算机硬、软件组成设备管理中的预测维修、状态监测、故障诊断等系统,并结合实例探讨了设备数据库与预测维修系统的开发研制。     

傅里叶变换与小波变换的统一数学模型

提出了建立信号变换统一数学模型的设想,阐述了这一设想的意义;提出了域参变量、域参函数等概念;探索并建立了傅里叶变换(短时傅里叶变换)与小波变换统一数学模型的普通形式和广义形式,绘出了统一数学模型的流程图,给出了统一数学模型的物理意义;给出了傅里叶变换、短时傅里叶变换与小波变换在统一数学模型中的各参量和参变函数的取值。     

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。