基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

基于改进多路径匹配追踪的芯片超声信号去噪方法

针对高频超声检测倒装焊芯片微缺陷的回波信号受噪声影响的问题,提出了一种基于改进多路径匹配追踪算法(MMP)的高频超声信号稀疏去噪方法。利用MMP算法获取全局最优的原子,针对MMP计算量过大的问题,在迭代过程中设置阈值和引入剪枝操作,筛选误差较大的路径,减少迭代路径,降低算法复杂度。为了避免字典维度上升导致的计算量过大,通过构建连续原子库对重构信号参数进行调整,最终实现芯片超声检测信号噪声的抑制。通过仿真和实验证明,提出的方法能够有效的去除倒装芯片高频超声检测信号中的噪音,与其他去噪算法相比,所提方法通过增加少量的计算,实现信号重构精度的提高,提升了B扫图的清晰度。     

基于声纹的GIS断路器机械故障诊断

针对气体绝缘开关设备（gas insulated switchgear,简称GIS）断路器声信号易受强背景噪声干扰且特征提取困难的问题,提出一种可以有效诊断其机械故障的方法。首先,使用多通道声传感器阵列采集断路器原始观测信号,利用独立成分分析（independent component analysis,简称ICA）方法将观测信号分离为多维源信号,并选取源信号中模糊熵最小的分量作为特征信号;其次,计算特征信号的多尺度模糊熵（multi-scale fuzzy entropy,简称MFE）生成断路器的声纹特征;最后,利用极限学习机（extreme learning machine,简称ELM）算法识别断路器的故障。实验结果表明,基于声信号的检测方法为GIS断路器的机械故障诊断提供了一种新的解决方案,所提出的算法能够有效提取声纹特征,故障诊断准确率较传统方法有明显提高。     

参数优化VMD的滚动轴承故障诊断方法

由于滚动轴承早期故障信号特征微弱,变分模态分解（Variational Mode Decomposition,VMD）的性能易受模态数和惩罚因子设置的影响,提出了一种自适应优化VMD参数的方法。基于中心频率判断本征模态函数（Band Limited Intrinsic Mode Functions,BIMF）是否混叠的思想提出中心频率混叠商算法,利用最小中心频率差与次小中心频率差的比值确定模态数。利用模糊熵原理,提出求和模糊熵算法优化惩罚因子。利用相关系数筛选模态分量,重构信号提取故障信息。通过对强噪声下外圈故障信号、内圈故障信号的分析,表明该方法能自适应确定模态数和惩罚因子,抑制模态混叠,能够从强噪声下有效地提取出故障信号特征,实现滚动轴承故障诊断。     

基于训练局部字典的倒装芯片高频超声检测信号稀疏去噪方法

针对高频超声检测倒装芯片缺陷的精度易受噪声影响以及高频超声信号维度高的问题,提出一种基于K-奇异值分解(K-Singular value decomposition, K-SVD)训练局部字典的高频超声信号稀疏去噪方法。采用K-SVD训练字典来减小信号与字典中原子之间的误差,并针对K-SVD不能训练高维度字典的问题,将高频超声信号分段,在低维度字典上对局部信号进行稀疏分解,从而降低训练字典和稀疏分解的计算复杂度;利用信号的全局最大后验概率(Maximum a posteriori probability, MAP)估计重构信号,消除因局部处理带来的信号跳变,实现高频超声信号的去噪。仿真和试验结果证明,提出的方法能够有效的去除高频超声信号中的噪声,与在全局字典上进行高频超声信号的稀疏分解相比,采用局部训练字典对信号进行稀疏分解在保证去噪性能的同时降低了计算复杂度。     

基于非线性预测滤波算法的疲劳裂纹扩展预测

针对传统Paris疲劳裂纹扩展模型预测精度低、无法考虑裂纹扩展过程中各种不确定因素影响的问题,提出一种基于非线性预测滤波算法的疲劳裂纹扩展预测方法.使用基于Paris公式的状态空间方程表征裂纹扩展过程,采用基于Lamb波的监测技术构建观测空间方程,利用实时观测信息修正模型预测值.最后通过Q235钢试件的单边疲劳裂纹扩展...     

基于进化算法优化GAN的轴承故障诊断

针对滚动轴承故障诊断故障样本类别不平衡的问题,提出一种基于进化算法优化的条件生成对抗网络（evolutionary conditional generative adversarial nets, 简称ECGAN）故障诊断方法。首先,利用进化算法优化条件生成对抗网络中的生成器,使其在不同的损失函数下生成与原始样本分布相似的新样本,扩充数据集;其次,将生成的样本和原始样本输入判别器,提取出样本中有效的数据特征,判断输入样本的真假和类别;最后,通过对抗学习机制优化生成器和判别器,提高网络的故障识别能力。实验结果表明,在轴承故障样本数据类别不平衡的情况下,ECGAN模型具有较好的故障诊断性能。     

基于IADSA深度迁移网络的金属表面缺陷检测

针对领域偏移环境下金属表面缺陷检测精度不高的问题,提出一种基于改进对抗性域分离与自适应(Improved adversarial domain separation and adaptation,IADSA)深度迁移网络的金属表面缺陷检测方法。首先,建立基于分类损失的IADSA模型性能评价机制,感知模型训练状态,利用空间线性插值方法自适应挖掘迁移空间隐藏的样本信息,以提升网络的特征提取能力;然后,将挖掘的新样本的分类结果作为衡量其对网络贡献性能的主要度量指标,并将贡献性能作为权重应用在分类损失上,旨在消除噪声样本对模型造成的影响;在对抗训练过程中,通过添加动态权重优化对抗损失、平滑网络参数,提高模型的判别性能;最后,融合原始样本与新样本的任务分类器、域分离鉴别器以及域适应鉴别器的损失,利用动态训练实现金属表面缺陷检测。试验结果表明,与其他无监督域自适应方法相比,所提方法实现了更高的金属表面缺陷检测精度。     

变刚度复合材料结构的设计、制造与分析

综述了变刚度复合材料结构的设计、制造与分析的研究进展。与常规复合材料结构相比,变刚度复合材料结构有其特殊之处。首先介绍了变刚度复合材料结构的概念,解释了制造变刚度结构的自动铺丝技术的基本原理,接着描述了丝束路径的定义方式并归纳了设计和制造过程中需要重点考虑的问题,然后概述了变刚度结构的建模和分析方法,从优化方法、刚度和屈曲、失效、振动等方面报道了变刚度复合材料结构力学性能的研究现状,最后对该领域的研究进行了总结和展望。     

考虑制造因素的变刚度层合板的抗屈曲铺层优化设计

与常规层合板相比,变刚度层合板的制造、有限元建模分析和铺层设计有其特殊之处。首先对设计时需考虑的制造因素进行了归纳,提出了变刚度层合板的铺层设计要求。然后给出了变刚度层合板的理想模型和考虑丝束宽度模型的建模方法。基于理想模型对ABAQUS的前处理模块进行二次开发,利用编制的参数化建模程序分析了不同铺放角的变刚度层合板的屈曲性能,并讨论了最小曲率半径对铺层的限制和变刚度设计提高屈曲载荷的机制。基于变刚度层合板的抗屈曲机制建立了一种铺层优化设计方法,使用遗传算法经两步优化得到最优铺层。对最优铺层建立考虑丝束宽度的模型以研究丝束宽度和铺层偏移对变刚度层合板抗屈曲铺层优化结果的影响。研究表明,在变刚度层合板的抗屈曲铺层优化中使用简化的理想模型通常来说是可行的。在考虑制造因素的情况下,优化后的变刚度层合板较常规层合板屈曲载荷有显著提高。