超声振动对聚合物挤出过程及制品性能的影响

描述了超声振动技术在聚合物挤出成型过程中的典型应用方式及其研究结果,重点阐述了挤出模头中引入超声振动后,超声振动对聚合物熔体挤出过程及制品结构性能的影响。     

基于信息融合的柴油机缸套磨损故障诊断研究

针对柴油机缸套磨损故障进行模拟实验,获取了柴油机机体表面振动、铁谱分析故障信息,并对多源多维故障信息进行预处理,解决了模糊神经网络的输入矢量的模糊特性化、输出矢量的隶属函数、学习样本的选择及网络的学习训练等问题;在上述工作的基础上,建立了柴油机缸套磨损故障诊断的模糊神经网络模型.为验证诊断模型的有效性,选取了四组分别来自不同故障类别的数据作为检验样本,运用模糊神经网络模型进行诊断,其诊断结果与实际情况十分吻合.研究表明,基于多信息的模糊神经网络模型能较有效地对柴油机缸套磨损故障进行诊断,此方法能减小故障诊断的不确定性,提高诊断精度.     

一种基于CNN-BiGRU孪生网络的轴承故障诊断方法

针对轴承故障样本稀缺，传统深度神经网络模型在小样本情况下容易出现过拟合现象，泛化性能不好的问题，提出一种基于CNN-BiGRU孪生网络的轴承故障诊断方法。孪生网络采用两个结构相同、权值共享的卷积神经网络和双向门控循环单元组成，构造相同类别和不同类别的轴承样本对输入孪生网络，通过计算轴承样本对之间的L1距离进行相似性度量，实现轴承故障诊断。与传统深度神经网络相比，孪生网络采用样本对训练的方法，在相同样本数量情况下，增加对网络模型的有效训练次数，从而提高轴承故障诊断性能。设计卷积神经网络和双向门控循环单元共同组成孪生网络结构，可以从振动信号中同时提取空间特征与时序特征，提高特征提取的准确性。利用实测轴承故障信号进行故障诊断试验，并与其他深度神经网络模型进行对比，试验结果表明，CNN-BiGRU孪生网络方法在少量训练样本情况下，取得了较优的故障诊断性能，有一定的工程应用价值。     

毛细管动态挤出LDPE的结构性能研究

通过对毛细管动态挤出时LDPE的结构进行测试分析，探讨了振动力场对聚合物毛细管挤出物结构性能的影响。在LDPE熔体流动过程中叠加适当的振动场后，LDPE未产生力学降解，振动力场对LDPE的熔融始态有重要影响，挤出物的热稳定性提高，挤出物晶粒大小降低。振动力场对聚合物内部结构产生的影响，有利于改善聚合物的流变性能和力学性能等。这对聚合物动态成型加工技术的深入理论研究具有十分重要的意义。     

聚合物微挤出成型过程流动的均匀性

微挤出模具内聚合物熔体流动的均匀性直接决定着制品的成型质量,是挤出模具设计的基础。根据聚合物流变测试理论,基于Kelvin-Voigt本构方程,建立了相对微尺度黏度模型;基于Navier滑移定律,建立了壁面滑移模型;以双腔微管的挤出流动为例,研究了模具流道主要结构参数对挤出流动均匀性的影响,结果表明,各参数对流动均匀性影响的显著程度由强到弱的顺序依次是分流角、内筋定型段长度、压缩角和压缩比。根据确定的最佳流道结构参数,设计制造了双腔微管挤出模具,挤出实验结果验证了该方法的正确性和有效性。     

基于模糊神经网络的液体火箭发动机振动检测

液体火箭发动机振动检测涉及部件振动数据的收集、振动特征的抽取与度量以及度量结果的决策。基于模糊神经网络提出了一种发动机振动故障检测的基本系统。这种技术的吸引力在于：神经网络采用可变模糊集代表发动机工作模式，自然地提供了反映故障程度的有用信息；神经网络的离线学习算法可以从训练样本中提取振动知识；神经网络的监测算法不仅能正确预报故障，同时也能对新的振动信息进行在线学习。实验研究结果表明：模糊神经网络可以成功地用于泵压式液体火箭发动机热试车的振动故障检测。     

聚合物气体辅助挤出成型研究进展

挤出成型是聚合物加工领域出现得较早且应用最广泛的技术之一，聚合物传统挤出成型过程中存在的挤出胀大、扭曲变形等问题严重阻碍了该技术的进一步发展及推广应用。聚合物气辅挤出是本世纪初发展起来的一种新型成型工艺，通过在口模内壁与熔体表面间形成稳定的气垫膜层，使熔体以完全滑移非粘着方式挤出成型，改善了口模内熔体的流场分布，从而有效减小甚至消除了传统挤出过程中存在的影响制品质量的固有问题。该技术因具有节能、环保、改善制品质量等优良特性，自问世以来即受到聚合物加工领域诸多学者的广泛关注，相关研究成果对丰富和发展聚合物成型理论及其加工技术的进一步推广应用均具有重要的科学意义和工程价值。文中综述了聚合物气辅挤出成型问世以来国内外研究进展，主要介绍了该技术的成型机理和成型装置，气体辅助单层挤出、双层共挤、微管挤出及气垫膜层等方面的研究方法与研究成果，并在综述现有的研究基础上展望了气辅挤出成型的研究趋势。     

3UCVD SiGe工艺的神经网络模型

介绍了用于生长SiGe材料的3UCVD设备的简要情况。对3UCVD工艺系统构建了神经网络模型；基于误差反向传播（BP）学习算法设计了一种自动调整网络结构和训练精度的网络训练方法；利用3UCVD工艺实验的数据样本编制程序，对数据样本进行了训练拟合；并利用训练后的网络进行了工艺预测，网络预测的结果和实验结果符合良好。     

聚合物熔体振动挤出成型技术的研究进展

介绍了各种聚合物熔体振动挤出成型技术,包括机械振动、电磁振动和超声振动,对实现振动的装置或口模进行了简要介绍,利用这些振动设备对聚合物熔体振动挤出技术进行研究,发现振动挤出可使聚合物熔体加工流变性能和力学性能都得到一定程度的改善,凝聚态结构也发生了一些变化。     

多传感器信息融合的算法比较

神经网络技术已经越来越多的应用于传感器的信息融合,但是由于传统的神经网络结构对于计算大学习样本,需要的隐结点数很大,导致训练的时间很长,性能下降。本文提出了一种阵列神经网络的结构模型,通过将传统神经网络中的中间隐层用子网络代替,不同的信息分配到不同的子网络中,然后再进入融合层进行融合,从而克服了传统神经网络计算大容量样本的缺点。本文还结合测量压力的多传感器系统,通过比较阵列神经网络和传统神经网络对信息融合的效果和速率来研究阵列神经网络的作用。     

偏最小二乘回归神经网络模型在爆破振动峰值速度预测中的应用

神经网络方法是处理非线性问题的有力工具,但当输入变量较多,输入变量间存在的多重共线性性会使得网络的建模效率下降。偏最小二乘回归方法通过提取对因变量解释性较强的成分,能较好地克服变量间的多重共线性。将两种方法相结合,建立了爆破振动峰值速度的偏最小二乘回归BP神经网络预测模型。利用偏最小二乘法对影响爆破振动的因素进行分析,提取出3个新综合变量,使BP网络的输入层节点数目由9个减少到3个,简化了网络结构,提高了计算速度,增强了网络稳定性。分析结果表明,耦合模型的平均预测误差为7.62%,相较于传统的萨氏公式及标准的BP神经网络模型其预测精度有了明显提高。     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。     

振动环境试验响应的神经网络预测方法

航空、航天、机械等领域中的大型复杂结构的地面振动环境试验是检验产品或结构对振动环境的适应性以及评估动态性能的重要手段之一。然而，由于试验成本高和试验中测点布置难度和测点数量有限，只能反映结构在有限的试验条件下局部测点位置上的响应情况。本文通过神经网络方法建立结构测量点的响应和输入的映射关系，可以通过较容易的振动环境试验结果，对所建立的神经网络模型进行训练学习以识别映射关系模型，从而对结构在较严酷的环境条件下的试验结果进行预测。本文通过一典型结构的振动环境试验以及该方法的实现证明了神经网络应用于振动环境试验的响应预测方法的有效性和可行性。     

城市隧道爆破振动速度峰值预测神经网络法应用

结合南京机场线地铁项目,进行了邻近隧道爆破开挖作用下既有隧道的爆破振动速度现场监测试验,应用BP神经网络,建立了既有隧道爆破振动速度的预测模型,并与多种经验公式预测进行了比较分析。结果表明:BP神经网络爆破振动速度预测数据与试验监测数据拟合较好,相比于经验公式预测,具有误差小、精度高的特点。研究成果可为邻近隧道爆破开挖作用下既有隧道爆破振动控制和新建隧道爆破开挖方案完善提供理论参考。     

RBF神经网络在爆破振动强度预测中的应用

在介绍RBF神经网络基本思想的基础上,建立了爆破振动预测模型,用RBF神经网络方法对质点振幅、主振频率及振动持续时间进行预测。用阳泉煤矿主井爆破开挖工程中所监测到的振动数据对模型进行了训练,并对27组数据进行了预测,实测结果和模型预测结果的对比表明,RBF神经网络预测模型能反映影响因素与特征量之间的非线性关系,适用于爆破振动特征参量预测。     

基于小波时频图和卷积神经网络的断路器故障诊断分析

高压断路器操动机构振动信号为非平稳性信号,蕴含着丰富的操动机构工作状态的信息,对操动机构工作状态的检验辨识具有重大意义。提出一种基于小波时频图和卷积神经网络的断路器故障诊断方法。对操动机构振动信号进行连续小波变换生成时频图(CWT),并对时频图进行统一压缩预处理;将预处理后的时频图作为特征图输入卷积神经网络AlexNet模型;通过对网络参数的调整,逐步改进网络模型,有监督地实现对操动机构故障状态的辨识诊断。结果表明,该方法能够有效地运用于断路器操动机构故障辨识诊断,与小波频带能量-RBF、小波频带能量-SVM的故障识别相比,故障识别准确率最高。     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

Wavelet Transform and Neural Networks in Fault Diagnosis of a Motor Rotor

In the motor fault diagnosis technique,vibration and stator current frequency components of detection are two main means.This article will discuss the signal detection method based on vibration fault.Because the motor vibration signal is a non-stationary random signal,fault signals often contain a lot of time-varying,burst properties of ingredients.The traditional Fourier signal analysis can not effectively extract the motor fault characteristics,but are also likely to be rich in failure information but a weak signal as noise.Therefore,we introduce wavelet packet transforms to extract the fault characteristics of the signal information.Obtained was the result as the neural network input signal,using the L-M neural network optimization method for training,and then used the BP network for fault recognition.This paper uses Matlab software to simulate and confirmed the method of motor fault diagnosis validity and accuracy.     

路堑开挖爆破中邻近民房风险评价的网格支持向量机模型

应用支持向量机理论并结合路堑开挖爆破特点,提出路堑开挖爆破中临近民房安全性评价的支持向量机回归模型。考虑爆破参数、地质条件和民房结构状况因素,选取最小抵抗线、孔距、排距、炸药单耗和民房的自振周期等16个影响较大的因素作为该模型的输入参数,房屋安全等级系数作为模型输出,利用网格搜索寻优方法对支持向量机模型的参数进行了优化。以19组路堑开挖爆破实测数据作为学习样本进行训练,对另外3组待判样本进行判别,并与多元回归、BP神经网络回归和实测结果进行对比。研究结果表明:建立的支持向量机回归模型对路堑开挖爆破中临近民房安全性评价效果良好,具有较高的预测精度。     

基于相关函数矩阵及卷积神经网络的结构健康监测研究

环境激励下利用时域振动响应构建的内积矩阵是结构健康监测中一种较好的结构特征参数。为了提升结构健康监测方法的识别准确率,构建内积矩阵时往往需要较多的振动响应测点,这将直接影响方法的工程实用性。该文基于时域振动响应的相关性分析理论,将内积矩阵扩展到了相关函数矩阵,实现从少量的振动响应测点中获取更多的结构健康特征信息,以降低结构健康监测方法对测点数量的需求。进一步结合卷积神经网络优异的数据特征提取能力,以相关函数矩阵为输入、结构健康状态为输出,提出了基于相关函数矩阵及卷积神经网络的结构健康监测方法。典型航空加筋壁板螺栓松动监测的实验研究结果表明,仅采用结构上任意2个测点的时域振动响应,该文方法针对螺栓松动位置的识别准确率可达99%以上。