深度卷积神经网络在轴承多故障复合诊断中应用研究

基于深度学习具有强大的自特征提取能力和较优的分类能力,将深度卷积神经网络引用到轴承的故障诊断中,提出了基于一维深度卷积神经网络的轴承复杂工况故障诊断方法。在提出的方法中,将轴承的多故障振动信号作为模型的直接输入,通过训练深度卷积神经网络模型,利用模型中多个卷积层和池化层对输入的振动信号进行自特征提取,并进行故障分类。从而以基于数据驱动的方式形成端到端的故障诊断。研究表明,在一维深度卷积神经网络中直接输入轴承振动信号进行故障诊断,与提取时域和频域特征结合支持向量机进行故障诊断的方法相比,深度卷积神经网络可以更好地反映时域振动信号与特征间的关系,获得了比传统智能诊断方法更高的识别效率。     

飞机整机线缆自动化集成检测技术研究现状和发展

飞机整机线缆集成检测是飞机总装过程中的一项重要工作,是关乎线缆制造质量高低的一个关键环节,在航空制造企业受到了广泛重视。对飞机整机线缆检测方法进行了比较和分析,介绍了线缆自动化集成检测的内涵和主要研究内容,对比分析了国内外线缆自动化集成检测的研究现状,分析和指出了线缆自动化集成检测存在的问题以及发展趋势。最后对数字孪生技术在线缆自动化集成检测领域中的应用进行了展望。     

具有外圈单一点蚀故障的滚动轴承动力学建模及仿真

为揭示滚动轴承外圈单一点蚀故障机理,基于Hertz接触理论和接触变形量渐变释放的客观事实,考虑了滚动体通过外圈点蚀故障时外圈自身变形量的影响,在给出滚动体进入和离开故障区时变形量的释放变化规律和计算方法基础上,建立了外圈含单一点蚀故障缺陷的滚动轴承动力学模型。通过数值仿真和实验验证,证明了本文模型的正确性,为滚动轴承外圈故障诊断提供了理论依据。     

基于核独立分量分析的非线性混合机械故障盲分离方法研究

提出了一种基于核独立分量分析(KICA)的非线性混合机械故障源盲分离方法,即利用核函数的优点,将信号从低维的非线性原始空间变换到高维线性特征空间,实现以线性ICA方法进行分离。仿真结果表明:与传统的ICA方法相比,本方法在处理非线性混合源盲分离上具有明显的优势,并在轴承故障信号盲分离实验中验证了它的有效性。     

基于2DPCA的金属断口图像识别方法研究

针对PCA在金属断口图像处理中容易引发的维数灾难问题,提出了一种基于2DPCA的金属断口图像识别方法研究。在提出的方法中,2DPCA以最大化类间散度为准则,其协方差矩阵由原始图像矩阵直接构造。同时将提出的方法与基于PCA识别方法相比较。由实验结果可知:本文提出的识别方法计算量小且识别率也高于PCA识别方法。另外,选取合适的特征空间维数十分重要。当选取特征空间维数过小时,图像信息不完善,识别率低,而当特征空间维数过大时,图像信息冗余,计算量会加大。     

变分贝叶斯独立分量分析在含噪图像盲分离中的应用研究

传统的独立分量分析不具有抗干扰性,而且需在源个数已知的条件下,才能进行含噪图像盲分离。针对此不足,本研究提出了一种基于变分贝叶斯独立分量分析的含噪图像盲分离方法。所提算法与传统的分离方法相比,可直接有效分离含噪图像,且具有较强的抗干扰性。此外,该算法根据不同模型的信度估计信源数。实验结果表明,提出的方法是非常有效的。     

分数阶阻尼和整数阶阻尼裂纹转子系统振动特性对比研究

在非线性涡动的情况下,把分数阶微积分应用到转子的裂纹故障诊断中,并与传统整数阶阻尼裂纹转子系统的振动特性进行对比分析。仿真结果表明,通过调节分数阶阶次,分数阶阻尼裂纹转子系统能够得到更丰富的反映裂纹故障信息。因此,分数阶微积分能够更好地应用于裂纹转子系统的故障诊断。     

基于经验模态分解的机械故障欠定盲源分离方法

针对传统的机械故障源分离方法限于非高斯、平稳和相互独立的源信号, 且传感器的观测数多于源数, 机械故障源信号通常不易满足这些假设的局限性, 提出了一种基于经验模态分解的机械故障欠定盲源分离方法.该方法对混合观测信号进行经验模态分解, 然后重组本征模函数分量作为新的观测信号进行盲源分离, 仿真和实验结果表明, 该方法是有效的.      

基于互补集合平均经验模态分解的滚动轴承故障诊断方法研究

针对集合经验模态分解(EEMD)的机械故障诊断方法中存在的不足,即其加入的白噪声不能完全被中和。为了克服其不足,提出了基于互补集合经验模态分解(CEEMD)的滚动轴承故障诊断方法,提出的方法很好地克服了EEMD中存在的不足,有效地消除了IMF中的残留噪声。仿真结果表明:提出的方法明显优于EEMD方法,可以减少重构误差,提取较为准确的IMF分量。最后,将CEEMD方法应用到滚动轴承故障诊断中,实验结果表明,CEEMD方法能准确的提取滚动轴承的特征故障频率。