基于粒子群优化核主元分析的轴承状态识别

轴承状态识别的准确率与特征提取紧密相关,而特征提取对轴承状态识别显得尤为重要.因时频域的各个特征对不同程度的故障信号敏感度各不相同,特征提取不当将会造成状态识别准确率下降.针对上述问题提出粒子群优化(PSO)核主元分析(KPCA),并利用该方法对轴承的复合特征集进行特征提取,提取后的特征向量构成识别特征集,由优化的支持向量机识别分类.选用美国凯斯西储大学滚动轴承试验台的振动数据进行处理分析,通过3种实验方案进行验证.结果表明,提出的方法明显改善了轴承状态识别的准确率.     

基于模态区间的数控机床切削状态监测

随着高速高精数控加工技术的发展,对数控机床切削加工状态的稳定性提出了更高的要求,传统的切削加工状态监测方法中对不确定性处理存在不足。提出了一个基于模态区间的切削状态监测不确定性处理方法,利用模态区间的宽度对传统监测方法中的不确定性加以表述,以解决监测中的不确定性问题。为了验证提出方法的有效性,搭建了切削加工实验平台,通过加速度传感器获取数控机床切削加工信息,由时频分析方法将切削状态划分成稳定、过渡及颤振3个加工阶段,利用基于模态区间的小波包能量百分比方法,提取不同加工阶段的区间特征量,通过Lloyd算法进行编码后作为基于模态区间的广义隐马尔科夫模型的输入特征向量,最后利用广义隐马尔科夫状态辨识方法,对数据机床切削状态进行了识别。实验结果表明,基于模态区间的广义隐马尔科夫模型辨识方法优于传统的隐马尔科夫模型辨识方法。     

基于LSSVM的列车转向架拉杆螺栓状态识别

针对列车转向架拉杆螺栓的松动问题,采用基于LSSVM的状态识别方法对列车转向架拉杆螺栓进行状态识别研究。制作了列车转向架拉杆螺栓结构模拟模型,包括正常、过渡、松动3种状态,并结合激振器、功率放大器等仪器搭建实验平台。采用振动加速度传感器采集列车转向架拉杆螺栓的振动信号,对获取的数据进行时域、频域分析,结合小波包能量寻找螺栓不同松动状态下振动信号的差异性,提取了敏感特征参数,最后通过LSSVM模型对拉杆螺栓状态进行分类识别。识别结果表明,基于LSSVM的识别方法能够有效识别出转向架拉杆螺栓的松动状态。     

基于广义BP神经网络的切削颤振识别研究

切削颤振将降低加工质量和加工效率,其一直是切削加工领域的一项重要研究课题。针对传统的切削颤振识别方法中,存在获取颤振加工信号中的测量不确定性问题及识别模型中的模型不确定性问题,提出基于广义区间理论的广义BP神经网络切削颤振识别模型,利用广义区间不确定性分析方法将测量不确定性量转换为广义区间量,并进行广义区间形式的时频特征提取,最后将广义区间化的特征量代入广义BP神经网络识别模型中,对切削加工状态进行识别。试验结果显示,提出的广义BP神经网络颤振模型比传统BP神经网络颤振模型有更高的识别率。