基于典型相关分析的机械故障盲源分离方法研究

提出一种基于典型相关分析的机械故障盲分离方法。与基于独立分量分析的故障盲分离方法相比较,传统的机械故障盲分离方法只考虑样本值的统计分布,不考虑源信号之间的时间和空间关系,而提出的方法克服了此不足,利用源信号的自相关关系来进行盲源分离。仿真结果表明:提出的方法取得了满意的分离效果,并且具有很高的的计算效率,分离速度要快于传统的盲源分离方法。最后,将提出的方法应用到轴承故障诊断中,实验结果进一步验证了该方法的有效性。     

小波和FHMM在旋转机械升降速过程中的应用

小波变换具有时频局部化的特点，可有效地用于非平稳信号的分析和处理。因子隐Markov模型(FHMM)是隐Markov模型(HMM)的扩展形式，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析。结合小波变换和FHMM．提出了基于小波变换的FHMM状态识别法，即从小波分解结构中提取一维信号的低频系数作为特征向量，以FHMM作为分类器．并进行实验研究。实验结果表明，该方法是有效的。     

熊猫2938D,2990型数字化彩色电视机

本文介绍了猫处于９３８Ｄ、２９９０型数字化彩色电视机的功能和特点。     

基于高密度小波变换的航空发动机滚动轴承故障诊断方法

基于高密度小波变换对原始信号尺度划分更加精细的优势,将高密度小波变换、软阈值降噪和频谱分析相结合,提出了基于高密度小波变换的航空发动机滚动轴承故障诊断方法。该方法通过设定分解层数对信号进行高密度小波变换,得到每一尺度上的低频、中频、高频分量;对各分量软阈值降噪处理后进行频谱分析,进而实现故障特征频率的识别。利用仿真信号验证了高密度小波变换的有效性,通过航空发动机滚动轴承内圈故障和滚子故障工况下的试验信号进一步验证了该方法提取故障特征的能力,与传统小波变换方法的对比证明了该方法在抑制噪声干扰和故障特征频率识别方面的优势。     

基于概率幅值解调的机械故障诊断方法研究EI北大核心CSCD

针对机械设备发生故障时存在大量的调幅调频信号,提出了一种基于概率幅值解调的机械故障诊断方法。在提出的方法中,利用概率理论,将解调转化成推理过程,通过已有的先验知识对不确定性问题进行推理,达到推理解调的目的。仿真结果表明,提出的方法明显优于传统的希尔伯特包络解调方法,解调后的包络线与原信号拟合程度高。最后,滚动轴承故障故障诊断的试验进一步验证了提出的方法的有效性,提出的方法能有效地提取出滚动轴承故障特征。     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

基于聚类分析和骨架提取的含裂纹超声红外热像增强方法研究北大核心CSCD

超声红外热图像因噪声干扰及缺陷位置的热扩散,导致其存在对比度差、清晰度低、边缘模糊等问题。为了增强红外图像视觉效果,提高缺陷检测能力,提出了一种基于聚类分析和缺陷骨架的超声红外图像增强方法。采用基于kmeans的DBSCAN聚类算法对裂纹发热区域进行识别聚类,将图像分解为缺陷生热区域与非缺陷区域;然后,对缺陷区域进行骨架描述,并沿裂纹骨架走向采用改进的部分子块重叠直方图均衡算法对缺陷图像进行增强。提出的超声红外图像增强方法与常用的直方均衡化、限制对比度自适应直方图均衡化、自适应同态滤波三种方法进行对比,结果表明所提的增强方法可以得到对比度更显著的图像,具有明显的优势。提出的方法为增强超声红外图像视觉效果、提升裂纹诊断能力提供了一种有效方法。     

基于自相关的AR模型的盲辨识算法

研究了一种AR模型的盲辨识算法，该算法可同时辨识AR模型的阶次及相应的模型参数，而不需事先确定AR模型的阶次或者假定AR模型的阶次已知，其特点是计算量小，具有很好的收剑性，适合在线建模，并与常用的奇异值-最小二乘法相比较，无论是运行速度、还是辨识精度方面，都具有优势，尤其随着阶次的增加，优势越明显，仿真结果表明该算法是很有效的。     

单晶涡轮叶片长期服役组织演化及性能退化分析

为对单晶涡轮叶片长时服役后的显微组织损伤及力学性能退化程度进行评价，分别选用服役时间为25000h和50000h的燃气轮机用高压涡轮叶片，截取叶身中部材料进行组织定量表征和显微硬度测试。定量测算了不同服役时间和不同位置的γ"相尺寸、体积分数，二次γ"相尺寸，基体通道宽度，并进行了维氏硬度测试。结果表明：同一服役时间不同位置γ"相尺寸粗化程度不同，前缘、尾缘高温区γ"相尺寸大于叶盆、叶背处，而体积分数稍小于其他两处；服役50000h的叶片γ"相尺寸大于相同位置处服役25000h叶片，体积分数呈相反规律；部分位置存在二次γ"相析出现象，二次γ"相析出位置基体通道宽度明显增加，经1100℃/2h空冷/炉冷实验验证，二次γ"相析出与工作高温及冷却方式有关；尾缘服役异常高温区出现TCP相，该相富含W、Re元素，经分析为μ相；不同服役时长前缘、尾缘位置显微硬度均下降明显，且显微硬度下降与γ"相尺寸增大呈负相关、体积分数减少呈正相关关系，γ"相尺寸、体积分数可作为本材料损伤评价参量。     

基于矩阵乘积态的机械故障诊断方法研究

在机械故障诊断中,针对传统神经网络处理高阶数据难度大、网络参数多、耗费大量计算资源的不足,提出了一种基于矩阵乘积态的张量网络故障诊断方法。通过输入高阶张量故障数据到矩阵乘积态故障诊断模型中,将高阶张量表示为多个低阶张量,从而简化数据结构和参数量。为了验证该方法的有效性,将其应用在齿轮的故障诊断中,并与传统的卷积神经网络故障诊断模型进行对比。同时,验证了键维度对模型准确率的影响。结果表明：所提模型的键维度会影响模型准确率,键维度为16的模型准确率高于键维度为8的模型准确率;该模型在减小数据复杂度的同时,还可以识别不同故障类型,准确率达到90%,比传统的卷积神经网络故障诊断模型性能更好。