基于小波与Retinex原理的锈蚀图像特征增强北大核心

为更好地判断金属材料的锈蚀程度,针对低照度金属锈蚀图像存在的亮度不高和细节信息不明显的问题,提出了基于小波变换和Retinex原理的图像特征增强算法。首先,将原始锈蚀图像的色彩空间转换HSI空间,保持饱和度分量和色调分量不变,对亮度分量I进行小波分解;其次,对分解后的高频分量和低频分量进行自适应增强,重构后的图像经Retinex原理进行多尺度增强改善图像亮度。实验结果表明,对锈蚀低照度图像的增强效果明显,能较好地改善图像的整体亮度,对细节信息的保留和增强效果明显。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

基于正交邻域保持嵌入与多核相关向量机的滚动轴承早期故障诊断

针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。     

大模数齿轮齿条起升机构模拟试验台动力学研究

大模数齿轮齿条驱动式起升工作平台属于典型低速重载装备,其模数往往超过了模数系列中所规定的标准值,这不仅对现有的设计理论、制造工艺及安装方法提出了新挑战,而且对其安全高效运行和可靠性保障提出了新要求.为了研究齿轮齿条传动副在复杂工况条件下的失效机理和动力学响应特性,揭示设备服役性能退化和可靠性演化规律,以三峡升船机为对象,搭建了一个立式齿轮齿条起升机构传动系统工况模拟试验台,利用三维软件对齿轮齿条传动副进行实体建模,利用有限元方法对其进行静力学强度分析,研究齿轮和齿条应力应变分布规律.以齿轮齿条起升机构的三维建模为基础,对不同工况下的齿轮齿条起升机构的啮合运动进行动力学响应特性分析,得到齿轮齿条啮合传动过程中的速度、加速度和接触力相互耦合作用及运动规律,采用以小推大的思想,为大模数齿轮齿条起升的故障诊断和运行健康评估提供必要的理论和实验依据.     

大模数齿轮齿条起升机构模拟试验台动力学研究

大模数齿轮齿条驱动式起升工作平台属于典型低速重载装备,其模数往往超过了模数系列中所规定的标准值,这不仅对现有的设计理论、制造工艺及安装方法提出了新挑战,而且对其安全高效运行和可靠性保障提出了新要求.为了研究齿轮齿条传动副在复杂工况条件下的失效机理和动力学响应特性,揭示设备服役性能退化和可靠性演化规律,以三峡升船机为对象,搭建了一个立式齿轮齿条起升机构传动系统工况模拟试验台,利用三维软件对齿轮齿条传动副进行实体建模,利用有限元方法对其进行静力学强度分析,研究齿轮和齿条应力应变分布规律.以齿轮齿条起升机构的三维建模为基础,对不同工况下的齿轮齿条起升机构的啮合运动进行动力学响应特性分析,得到齿轮齿条啮合传动过程中的速度、加速度和接触力相互耦合作用及运动规律,采用以小推大的思想,为大模数齿轮齿条起升的故障诊断和运行健康评估提供必要的理论和实验依据.     

支持向量空间方法在刀具运行可靠性评估中的应用

针对单台或小样本数控机床刀具可靠性评估时,传统的基于大样本统计的可靠性评估方法因缺乏时间、动态、个性化的精确性描述而难以发挥作用。为了提高单台或小样本条件下的机床刀具运行可靠性评估精度和可信性,作者提出了一种基于奇异值分解(SVD)和支持向量空间的运行可靠性评估方法。首先通过实验对机床切削加工过程中的刀架振动信号进行获取,采用小波包分解、能量分布和时频域统计量分析,提取出与刀具磨损量密切相关的显著特征指标。为了降低计算复杂程度和减小冗余成分,进一步利用SVD对所提取的刀具正常磨损条件的振动信号时频域高维特征数据集进行降维处理。然后将降维数据作为测试样本代入支持向量空间模型构造支持向量空间超球体,以该超球体所定义的圆心和半径为计算依据,将待检样本相对于超球体的相对距离作为描述刀具的性能退化指标,并引入降半型隶属度函数,将相对距离指标映射到[0,1]区间,将其定义为刀具的运行可靠性。分别以两把磨损状态为失效与正常的刀具作为评估案例,通过对其降维前后数据进行支持向量超球体空间构造以及可靠性评估,结果表明维数据约简可有效减小数据分散性过大所导致的超球体形状变形问题。最后以多把刀具统一失效阈值下的通用数据对刀具1进行可靠性评估,结果表明在训练数据条件足够大的情况下,刀具的相对距离和运行可靠度趋势性更加明显,波动性减少,特别是在磨损后期,这种变化有利于刀具服役性能的精准评估。所提出的运行可靠性评估方法摆脱了传统可靠性评估对大样本统计数据的依赖,为丰富和发展小样本数据的可靠性评估提供了新的理论支持和技术手段。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。