基于粒子群优化LS-WSVM的旋转机械故障诊断

为了更好地进行旋转机械故障诊断,提出一种粒子群优化(particle swarm optimization,PSO)最小二乘小波支持向量机(least square wavelet support vector machine,LS-WSVM)的故障诊断模型.先将故障信号经验模式分解(empirical mode decomposition,EMD)为多个内禀模态分量(intrinsic mode function,IMF)之和,再提取表征故障特征的IMF分量能量构造特征向量输入到PSO优化的LS-WSVM进行故障模式识别.EMD分解可自适应提取故障特征信号,PSO参数优化可快速准确得到LS-WSVM的全局最优参数,提高LS-WSVM的故障诊断精度和自适应诊断能力.通过滚动轴承的故障模拟实验验证了该方法的有效性.     

基于遗传退火优化MSVM的齿轮箱故障诊断

为了实现齿轮箱典型故障的自适应准确辨识,提出一种遗传退火算法优化多核支持向量机的齿轮箱故障诊断模型。首先,将齿轮箱故障振动信号经验模式分解为多个内禀模态分量并提取其幅值能量特征;然后,再基于高斯核和多项式核构建多核支持向量机;最后,将表征齿轮箱故障特征的内禀模态分量能量输入到遗传退火算法优化的多核支持向量机进行故障模式辨识。理论分析表明,多核支持向量机能够逼近任意多元连续函数,遗传退火参数优化可快速准确得到多核支持向量机的全局最优参数向量。通过齿轮箱的故障模拟实验验证了该方法的有效性,结果表明,相比于传统的故障诊断模型,该方法显著提高了齿轮箱典型故障的诊断精度和泛化推广能力。     

空气耦合超声换能器的频域声场研究

考虑介质的衰减及其引起的频散对频域声场的影响,提出幂函数衰减介质中圆形换能器声场的解析公式。基于该公式研究空气耦合超声换能器的轴向声压与径向声压分布特征。结果表明:空气中的衰减是引起声场变化的主要因素;相对于零衰减介质,空气中的声压幅度随着传播距离的增加而明显降低,近场长度明显减小,近场内轴向声压的零点、极大值点无偏移,径向声压分布和声束扩散角无变化。研究结果对于空气耦合换能器的设计、空气耦合声场的测量、校准具有重要参考价值,并可以作为ASTM E1065/E1065-14和IEC 62127标准的补充。     

运用免疫遗传算法优化WNN诊断滚动轴承早期故障

针对滚动轴承早期故障特征与故障类别非线性难以有效辨识的问题,设计一种基于免疫遗传算法优化小波神经网络(wavelet neural network,WNN)的滚动轴承早期故障诊断模型。首先对滚动轴承的早期振动故障信号进行EEMD分解,提取分解后的IMF分量能量作为小波神经网络的输入特征向量,采用免疫遗传算法优化小波神经网络的初始权值向量和阈值向量,加快小波神经网络的收敛速度,提高其训练精度。实验结果表明,基于免疫遗传算法优化小波神经网络的早期故障诊断模型可以有效应用于滚动轴承的早期故障诊断中,通过与传统故障诊断方法对比分析,验证了该模型的有效性和优越性。     

基于深度支持证据统计的轴承运行可靠性评估EI北大核心CSCD

某台具体设备的运行可靠性评估是"个性"问题。基于设备运行数据大而丰富的特点,从证据论的观点出发,结合深度卷积自编码器,提出了一种深度支持证据统计方法,以实现无失效样本信息或缺乏分布函数等相关先验知识时的轴承运行可靠性评估。在传统的证据或特征获取过程中需要大量的人工干预或先验知识,利用深度卷积稀疏自编码器以实现证据的自动获取,借助支持向量数据描述的思想,通过统计比较标定与过程证据间的动态变化过程,最终完成某台具体设备的运行可靠性评估。随后通过航空轴承试验对提出的方法进行了验证,结果表明运用该方法得到的可靠度,能较好的反映轴承运行可靠性的"个性"。     

改进U_Net网络的钢结构表面锈蚀图像分割方法

为实现锈蚀图像分割网络模型轻量化,同时消除非单一特征背景和锈液等类似特征背景干扰,本文将U_Net网络模型的编码部分替换为MobilenetV3_Large网络,导入基于ImageNet数据集的MobilenetV3_Large网络预训练权重,将U_Net网络模型解码部分的普通卷积替换为深度可分离残差卷积,并在上采样的过程中添加注意力导向AG模块和Dropout机制。经实验验证表明,本文设计的改进U_Net网络模型在非单一特征背景和锈液等类似特征背景干扰下,具有明显的锈蚀图像分割优势,相比于原U_Net网络模型,模型大小减少了81.18%,浮点计算量减少了98.34%,检测效率提升了3.27倍,即从原来不足6 fps,提升至19 fps。网络模型实现轻量化的同时,网络模型的准确率达95.54%,相比于原U_Net网络模型提升了5.04%。     

基于注意力机制与双线性池化的锈蚀等级评估

水工机械装备(如闸门、拦污栅等)长期服役于水域环境,不可避免地会在其结构表面产生锈蚀。对于重要的关键受力结构件,如果不能准确检测其锈蚀的严重程度,导致其维修加固不及时,则会直接威胁受损结构周围人员的生命安全。目前,对水工机械装备锈蚀特征识别主要以人工目视检测为主,容易产生视觉疲劳,主观性较强,锈蚀程度的检测准确率不高。为此,本文提出了以VGG-16网络为基础、融合注意力机制和双线性池化的锈蚀等级评估方法。首先,利用RGB和HSV两种颜色空间中不同分量包含锈蚀图像特征不同的特点,将不同颜色空间作为不同支路网络的输入,使其能够充分利用不同颜色空间的图像特征;其次,在两个支路网络中嵌入注意力机制,通过注意力机制的可训练权重对锈蚀图像的特征进行重标定,调整权重,聚焦于最相关的特征进行学习;再次,采用双线性池化融合不同支路提取的特征,使网络聚焦于最相关的细粒度图像特征,提高网络模型对锈蚀图像细微差异特征的利用;最后,通过设置盐雾锈蚀实验,在获取的锈蚀图像数据集上对本文方法进行消融和对比分析。实验结果表明,相较于原模型及其他主流算法,改进后模型的分类准确率达到了95.30%,精确率、召回率、F1系数等评价指标均有大幅提升,本文方法针对不规则锈蚀图像特征能够取得更好的评估效果,可以转化应用于工程实际。