裂纹故障对轮齿时变啮合刚度的影响分析

针对裂纹引起齿轮时变啮合刚度(TVMS)减小这一现象,研究了裂纹故障对TVMS的影响规律。首先,构建了完整的轮齿齿廓曲线,基于传统势能法分析了相邻齿耦合效应对TVMS的影响,对TVMS计算公式进行修正。其次,采用有限元法确定了裂纹萌生点所在位置,提出了一种沿深度拓展的裂纹曲线,分析了裂纹深度对TVMS和负载分担比的影响,研究了裂纹同时沿深度与长度方向拓展的中早期故障模型。最后,构建了不同故障齿轮副模型,采用有限元法对裂纹沿深度结果进行验证,结果表明势能法与有限元法相吻合。     

自适应分块前向后向分段正交匹配追踪在重构滚动轴承故障信号中应用

针对滚动轴承故障信号分块压缩感知过程中,因分块之间的稀疏度差异较大以及重构支撑集构造不合理,致使信号重构精度较低,影响信号整体重构效果的问题,提出基于自适应分块前向后向分段正交匹配追踪算法(Adaptive block forward and backward stagewise orthogonal matching pursuit,Adaptive Block-FBStOMP)。首先,依据短时自相关算法确定滚动轴承故障信号自适应分块长度,并根据此长度对信号进行自适应分块;其次,利用K奇异值分解(K-singular value decomposition, K-SVD算法训练稀疏字典;最后,提出FBSt OMP算法,在重构过程中增加原子回溯和二次筛选过程,提高有效支撑集原子被全部选入支撑集中的可能性,改善重构效果。通过仿真信号和故障信号试验分析可知,与传统压缩感知重构算法相比,该算法能够有效提升滚动轴承故障信号的重构精度。     

G-KSVD字典及其在滚动轴承故障信号稀疏表示中的应用

针对传统学习字典中缺少原子相干性分析的问题和最优原子选择问题，提出了一种基于有效奇异分量的G-K奇异值分解（G-KSVD）字典学习方法。基于信号相干性提出自相关函数脉冲能量比（ACFPER），并以此为指标对奇异分量进行筛选，实现信号的降噪，利用包含故障信息较多的分量对字典原子进行更新和系数求解，从而达到增强信号中冲击成分的目的，并通过减少反馈层来降低时间成本。利用仿真信号和实际轴承信号对所提方法进行有效性及重复性的验证，结果表明，G-KSVD算法在有效区间内具有良好的去噪效果和较低的时间成本。     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。     

RI地震预测模型的分析及其验证

地壳运动是一个极其复杂的无秩序现象，通过对地壳运动的研究很难对地震作出预测。为了准确地预测未来地震次数，利用统计学原理是一个很好的选择。RI(relative-intensity)方法是从统计学角度构造地震预测模型，对历史发生地震数据进行学习，预测未来将要发生的给定震级范围内的地震次数。RI方法基于这样一个假设：相同区域未来将要发生地震的相对强度和过去发生的地震相近。它将地震模型分为若干个等大的网格，并以网格为基本单位进行统计、计算，最后得到每个网格的地震预测值，对目标区域内所有网格的预测值进行累加就可以得到目标区域的预测值。RI方法在中国华北地区回顾性预测中表现出较好的性能和准确性。     

基于压缩信息特征提取的滚动轴承故障诊断方法

压缩感知作为一种新型压缩采样方法,利用信号稀疏特性以远低于奈奎斯特采样定理的采样速率压缩采集信号,减小数据采集、传输、存储的硬件压力。基于压缩感知框架下压缩采集的信号,提出了一种滚动轴承故障诊断新方法。该方法选择部分hadamard矩阵作为测量矩阵,将峭度因子、方差、波形因子作为敏感特征参量,不重构压缩测量量,直接利用压缩采集信息,提取敏感特征,然后通过PSO-SVM算法进行模式识别从而实现故障诊断。研究结果表明,在一定压缩比范围内,利用该方法能够在降低平均采样速率的同时用更少的数据量表现故障特征,实现滚动轴承故障诊断。     

RI地震预测模型的分析及其验证

地壳运动是一个极其复杂的无秩序现象，通过对地壳运动的研究很难对地震作出预测。为了准确地预测未来地震次数，利用统计学原理是一个很好的选择。RI(Relative-Intensity)方法是从统计学角度构造地震预测模型，对历史发生地震数据进行学习，预测未来将要发生的给定震级范围内的地震次数。RI方法基于这样一个假设：相同区域未来将要发生地震的相对强度和过去发生的地震相近。它将地震模型分为若干个等大的网格，并以网格为基本单位进行统计、计算，最后得到每个网格的地震预测值，对目标区域内所有网格的预测值进行累加就可以得到目标区域的预测值。RI方法在中国华北地区回顾性预测中表现出较好的性能和准确性。     

基于相对波动的自适应信号融合算法

针对传统随机加权算法在目标信号为变量时,总均方误差远大于信号为常量时的情况,提出了一种改进的自适应随机加权算法.该算法利用所采信号的相对波动值自适应地调整当前采集信号与历史采集信号间的比例关系,得到更加接近真值的估计值.由于相对波动值可以根据信号变化情况自主调整,因此可以和传统的随机加权算法进行良好的结合.数值模拟证明...