基于核函数主元分析的机械故障模式识别方法的研究

提出基于核函数主元分析的机械故障诊断方法,它保留主元分析的优点并具有处理非线性的能力.该方法通过核函数映射将非线性问题转换成高维的线性特征空间,然后对高维空间中的映射数据作主元分析,提取其非线性特征,对机械故障模式进行识别.并与主元分析方法进行对比分析,实验结果表明核函数主元分析法非常有效.     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

基于分数阶微积分的裂纹转子系统非线性动力学特性研究

在考虑非线性涡动的情况下,建立了分数阶阻尼裂纹转子系统的非线性动力学模型,并用龙格-库塔法和连分式Euler法对其进行了数值仿真。讨论了分数阶阶次、转子转速和裂纹深度对分数阶阻尼裂纹转子系统非线性动力学特性的影响。研究结果表明：对于具有分数阶特性的转子系统,采用分数阶来建立裂纹转子系统模型,能更好地揭示系统的非线性动力学特性;在相同的裂纹深度和相同的分数阶阶次下,随着转速比的增加,转子系统依次经历混沌、倍周期和周期运动;在相同的转速比和相同的分数阶阶次下,裂纹深度比较小时,引起的转子刚度变化量不大,一般不会出现复杂的分叉与混沌现象;随着裂纹深度的加深,转子的刚度减小,转子系统呈现复杂的振动特性,裂纹故障特征越来越明显,转子系统由单周期运动变换到倍周期运动,二倍频分量占主导地位,同时其他倍频分量也相继出现。这些有价值的结论对转子裂纹的故障诊断提供了参考。     

基于核递推最小二乘的自适应均衡的弱故障提取方法研究

针对传统的自适应均衡方法存在的不足,提出了一种基于KRLS的非线性系统自适应均衡方法。该方法通过引入核函数,将原始的非线性数据映射到高维特征空间,然后在高维特征空间中实施标准最小二乘算法。提出的方法并与传统的非线性系统均衡方法进行了对比分析,仿真研究表明,提出的方法优于传统的均衡方法,能很好的消除传递通道的影响,有效地提取出弱冲击性成分。最后,将提出的方法应用到转子系统的弱冲击性故障提取中,实验结果进一步验证了提出的方法的有效性。     

偏置磁场均匀性对磁致伸缩导波传感器输出特性的影响

磁致伸缩式导波检测传感器（MsS）作为一种新型的超声波检测装置可应用于管道的健康监测,但其较低的能量转换效率却限制了其进一步的应用。为提高MsS能量转换效率,从偏置磁场均匀性角度出发,分析了偏置磁场均匀性对传感器输出特性的影响。采用有限元方法分析磁化装置个数与放置方式对管道内部磁场分布状况的影响,分析表明,适当增加磁化装置个数可以有效提高偏置磁场的均匀性;同时在磁场装置个数一定时,均布的放置方式将有助于形成均匀的偏置磁场。以有限元计算结论为基础,理论推导了偏置磁场与检测效率的关系,并通过实验研究揭示了磁场分布不均匀性对MsS输出的影响。通过改善偏置磁场的均匀性可以有效地提高磁致伸缩导波传感器的检测效率。     

基于量子粒子群优化的Volterra核辨识算法研究

将量子粒子群优化（QPSO）引入到非线性Volterra系统辨识中,提出了一种基于量子粒子群优化（QPSO）的Volterra级数辨识方法,利用QPSO算法估计出了非线性系统的Volterra核函数。提出的方法同时和传统的最小二乘法(LMS)辨识方法进行比较,仿真结果验表明,在无噪声干扰下,提出的方法与LMS方法都具有很好的辨识精度和收敛性。然而,在有噪声干扰下,无论在辨识精度、收敛性和抗干扰性方面,本文方法都优于传统的LMS方法,而且,随着噪声的增强,这种优势越明显。     

小波基TVAR建模时频分析及在故障诊断中的应用

研究了非平稳信号的时变自回归建模方法,提出了应用小波基函数将非平稳时变参数的辨识转化为线性时不变问题的辨识,在此基础上,应用带遗忘因子的递归最小二乘算法进行参数估计,实现了信号的自适应时频分析。通过仿真算例将该法与短时傅里叶变换、Wigner分布的结果相比较,验证了该方法时频分辨率高的优越性。最后,将该方法应用于轴承的故障诊断,结果表明,该方法用于故障诊断的特征提取是有效的。     

时频域机械故障源盲源分离综述

论述基于时频分析的机械故障源盲分离方法,综述时频域盲分离的国内外研究现状。在此基础上,重点论述三种典型的时频域机械故障源分离(Cohen类时频域盲分离、分数Fourier变换域盲分离、EMD域盲分离)方法的技术现状,并进行比较。指出该领域内值得进一步研究的问题。     

局域均值分解方法在机械故障诊断中的应用

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法。介绍局域均值分解的定义、基本算法。仿真验证LMD方法的有效性,结果表明LMD计算所得的瞬时频率均有物理意义,能更好地反映实际系统的状态。将该方法应用到轴承故障诊断中,实验证明该方法是有效的。     

基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...