EMD分解和支持向量机技术在风电齿轮箱早期齿轮磨损故障诊断中的应用

针对目前风电机组齿轮箱故障率很高,特别是对兆瓦级风电机组齿轮箱早期齿轮故障缺乏有效诊断经验的现状,提出EMD分解和支持向量机技术方法相结合的故障诊断方法,以行星齿轮箱为试验平台,充分利用两种方法的各自优势,对风电机组齿轮箱的齿轮早期故障诊断进行研究。     

一种基于PPCNN的金属激光熔化沉积熔池状态识别方法

金属激光熔化沉积质量与熔池状态具有密切的关联,根据熔池视觉特征对加工中的熔池状态进行识别,进而实现沉积质量的在线预测对金属激光熔化沉积技术具有重要意义。为构建上述映射关系,本文提出了一种基于金字塔池化卷积神经网络的金属激光熔化沉积熔池状态识别方法。针对所采集的熔池同轴图像,建立用于训练和测试的数据集;构建了金字塔池化卷积神经网络(Pyramid pooling convolutional neural networks,PPCNN),并进行网络关键参数的研究。结果表明:第一层卷积核尺寸为5×5,卷积层和金字塔池化模块含有64+8×3个卷积核使网络在识别准确率上达到最佳。所提方法取得了最高96.80%的识别准确率。     

基于LabSQL访问数据库技术的优化实现与应用

本文介绍利用LabSQL免费工具包访问数据库技术,具体阐述在LabVIEW环境下优化实现对数据库的连接和关闭、记录的查询、添加、删除和修改等一系列基本撮作,完善了LabVIEW对数据库的访问技术。最后,以轴承信息维护为例,验证了此方法在数据库操作中的实效性。     

非平稳信号的盲源分离在机械故障诊断中的应用

机械设备发生故障时，故障特征的提取很重要．对于多通道的设备故障振动信号，应用非平稳信号的盲源分离算法，可以有效地提取各自独立的非平稳振动源，从而可以准确地进行机械故障诊断。针对不同时频分布的非平稳盲源分离算法，比较了它们的分离效果。以转子的复合故障为例，验证了该算法在故障诊断中可行性。     

基于JSTL的Web应用研究

分析了传统JSP技术中存在的问题,介绍了Apache组织的JSTL技术在Web应用中的优势,对JSTL的配置、标签库的结构与功能进行了阐述,并给出了Web开发中常见标签库的应用实例。     

对偶树复小波流形域降噪方法及其在故障诊断中的应用

滚动轴承工作环境比较复杂,现场测得的振动信号往往含有大量噪声且滚动轴承早期故障特征比较微弱容易被噪声所淹没,如何有效降低滚动轴承故障信号中的噪声准确提取故障特征是一个难题。将流形理论与对偶树复小波(Dual-tree complex wavelet transform, DTCWT)方法结合,提出一种对偶树复小波流形域降噪方法。将轴承振动信号进行对偶树复小波分解构造高维信号空间,然后利用最大方差展开流形算法(Maximum variance unfolding, MVU)提取高维信号空间中的真实信号子空间,去除噪声子空间,充分利用了MVU的非线性特征提取能力以及DTCWT的完全重构特征和平移不变性。运用仿真数据和滚动轴承工程信号对降噪方法进行检验,结果表明DTCWT_MVU可以有效消除轴承信号中的噪声成分,保持信号特征波形,提高信噪比,具有较强的工程使用价值和通用性。     

基于B／S振动分析网络学习平台的设计实现

为了全面提高学生专业知识,针对当前大多网络学习平台的局限性——仅限于软件的下载和基本理论知识的学习的特点,该平台结舍振动分析的专业知识阐述了基于B／S模式的网络化学习平台的开发。利用了网页技术和Java Applet程序,实现了双语教学和虚拟实验室波形频谱图的显示。系统应用性强,便于学生上网学习。     

双树复小波域隐Markov树模型降噪及在机械故障诊断中的应用

提出一种基于双树复小波变换的隐Markov树模型的信号降噪方法,并将其成功应用于机械故障诊断中。机械设备的振动信号中不可避免的存在着噪声,使得微弱故障信息的提取一直是故障诊断的难点和热点。双树复小波变换具有近似平移不变性,而隐Markov树模型能有效刻画小波系数间的相关性和非高斯性,两种优势的结合可以获得比常规软、硬阈值小波降噪法和小波域隐Markov树模型降噪法更好的降噪效果。它不仅能有效抑制高斯白噪声,还能够去除异常冲击干扰,仿真信号验证了这一点。对于实际滚动轴承信号,使用该方法同样可以获得满意的结果     

基于核主分量分析的经验模式分解及其工程应用

若信号的信噪比较小,经验模式分解不能正确分解出基本模式分量,分量中含有伪分量。根据此种情况,提出一种核主分量分析与经验模式分解相结合的方法。该方法首先建立信号相空间,利用核主分量分析方法提取相空间的核主分量,然后利用投影逆过程将得到的核主分量逆向投影回原相空间,从而重建信号相空间。最后对重建的相空间所对应的信号作经验模式分解。此方法可以有效消除噪声和冗余对经验模式分解的影响,提高经验模式分解的适应能力保证分解的有效性,确保其能够分解出正确的基本模式分量。通过工程实例进一步验证了该方法的可行性。     

利用最优小波尺度循环谱的滚动轴承早期故障特征提取

滚动轴承微弱故障信号往往包含在二阶循环平稳信号中,但容易受到噪声干扰。对循环平稳信号进行基于短时傅里叶变换的循环周期谱分析可以提高周期故障的识别能力,但其结果受到窗函数大小的影响且对于微弱故障的诊断效果不佳,提出最优小波尺度循环谱进行滚动轴承的早期故障诊断。首先利用连续小波变换对信号进行处理获得小波系数;接着采用相关峭度方法选择最优的分析尺度;然后沿着时间轴对该尺度范围内的小波系数进行循环谱分析;最后对最优尺度下的循环谱平均进行特征提取。与循环周期谱的分析结果进行对比,验证了该方法在早期故障特征提取方面的有效性。