基于机匣信号的滚动轴承故障卷积神经网络诊断方法

针对在滚动轴承故障激励下的机匣微弱故障特征,提出了基于卷积神经网络(CNN)的故障诊断方法。利用矩阵图法、峭度图法以及小波尺度谱法3种振动信号的预处理方法,将一维原始信号转换为图像信号;利用卷积神经网络对故障进行识别。通过比较分析发现:通过连续小波尺度谱更易提取滚动轴承的故障特征,其故障识别率达到95.82%,均高于其他几种振动信号预处理方法;由于卷积神经网络可以利用深层网络结构自适应地提取滚动轴承故障特征,比传统支持向量机(SVM)方法的故障识别率高约7%。结果证明了该方法的有效性与可行性,且具有较好的泛化能力和稳健性。      

深冲钢W08Al热轧模拟试验研究

在热模拟试验机上对 Ｗ ０８ Ａｌ深冲钢进行了热轧模拟试验,测量了材料在不同情况下的相变温度,考察了不同热轧工艺参数对晶粒尺寸和织构的影响。结果表明,铸坯经预先热变形后重新加热测量相变时,相变温度较低,而直接热变形后测量相变温度升高;在 Ａｒ３温度以上采用大变形量可以使晶粒细化,但在两相区终轧变形会造成混晶现象; Ａｒ３温度以上热变形所得的变形织构是弱的,进入两相区终轧变形则不利织构（１００）成分很快发展起来,并且织构的取向密度沿板厚方向明显不均匀。最后对 Ｗ ０８ Ａｌ热轧合理热轧工艺提出了建议。     

基于正则化多核判别分析的航空发动机滚动轴承早期故障融合诊断方法

针对基于机匣测点信号的航空发动机滚动轴承早期故障诊断问题,提出了一种基于正则化多核判别分析的融合诊断方法.该方法首先提取多种类型的滚动轴承故障特征;然后采用相同的一组核参数为不同类型的特征分别构造一组核矩阵,并将所有核矩阵组合在一起;最后通过求解一个半无限线性规划得到该组核矩阵关于正则化核判别分析的目标函数的最优线性组合系数,进一步采用该系数计算所有核矩阵的线性组合,从而实现多种类型特征信息的融合.实验结果表明:该方法诊断正确率与采用单一类型特征诊断的最高正确率相比提高了9.25%,同时可以避免核矩阵需要人工选择的问题,从而进一步提高了故障诊断的自动化水平.      

Walsh变换对冲击信号序列特征提取的研究

提出使用Walsh变换和小波包相结合的方法,对滚动轴承故障产生的冲击信号序列提取故障特征, 并给出了计算的有效算法. 对滚动轴承故障特征分析和计算表明,用改进小波包分解、重构公式能有效地剔除冲击信号序列中高频共振信号和噪声, 使用快速Walsh变换(FWT)求取其功率谱,优于Fourier变换,可很好地提取故障特征,仿真和实际数据计算的结果,证实了上述方法的有效性.      

Cr4M04V钢表面预制缺陷对滚动接触疲劳性能的影响

用推力片实验研究了表面预制缺陷对Cr4Mo4V高温轴承钢滚动接触疲劳性能的影响。应用洛氏硬度计和维氏硬度计预制不同形状、不同大小的表面缺陷,通过扫描电镜记录滚动疲劳裂纹的萌生、发展乃至试样失效的全过程。结果表明,表面预制缺陷对Cr4Mo4V钢滚动接触疲劳性能有很大的影响。不同形状的预制缺陷对疲劳性能有不同的影响,且疲劳性能有明显的缺陷尺寸效应。     

支承松动的转子系统动力学模型及其故障诊断方法

针对滚动轴承转子系统支承松动故障 ,考虑了松动间隙的非线性情况 ,以转子动力学、Hertz接触理论和非线性动力学理论为基础 ,建立了转子系统的动力学模型。对转子系统动力学方程在松动故障和无故障情况下分别进行数值积分 ,得到两种情况下轴承座 (有故障时为松动端 )上的振动仿真信号。利用频谱和小波变换对所获振动信号进行了处理 ,并将结果进行了分析 ,得出小波变换不但能很好地诊断滚动轴承—转子系统的支承松动故障 ,而且比 Fourier变换在更低转速下诊断出转子系统的支承松动故障      

基于小波原理的振动信号包络提取法

根据小波能对信号包络提取的原理对滚动轴承的振动信号进行了研究．应用基于小波原理的自信息包络提取法，同时把该方法应用于分析滚动轴承故障，证明该方法能更有效地提取滚动轴承的信号包络，适用于分析滚动轴承故障。     

导弹大迎角下非线性诱导滚转力矩数值研究

采用计算流体力学（CFD）数值模拟方法,研究战术导弹大迎角状态下涡破裂导致滚转力矩随迎角非线性增长引起舵面控制能力不足的现象。首先通过标准模型的数值分析,验证了所采用的CFD方法具有三角翼前缘涡破裂现象的捕捉能力;然后采用雷诺平均Navier-Stokes方程对某“++”字正常布局导弹构型（含弹翼、弹身、尾舵和整流罩等）进行了数值模拟,结果显示亚声速状态下滚转力矩在迎角大于20°时出现非线性增长,导致全动尾舵的滚转控制能力不足。通过分解各部件对滚转力矩的贡献,并分析流场结构,探明了该现象发生的流动机理,其主要原因是：随着迎角的增长,弹体迎风面的尾舵前缘涡首先发生破裂,导致其平衡诱导滚转力矩的作用被削弱。     

基于改进时频谱分析方法的滚动轴承复合故障诊断

将基于循环平稳理论及2阶循环统计量的谱相关或谱相关密度分析方法加以改进,提出一种时频分析方法并将其用于滚动轴承发生复合故障时调制现象循环调制频率即故障特征频率的提取。通过对滚动轴承复合故障的仿真及实际实验振动数据进行分析,结果表明:与同时提取出调制频率和载频的传统包络解调谱分析方法不同,改进的谱分析方法可以只提取出调制频率,提取的谱结构分布具有更清晰的表达效果,从而为滚动轴承的复合故障特征提取提供一种方法。      

基于InfoLSGAN和AC算法的滚动轴承剩余寿命预测

为解决小样本和噪声干扰下滚动轴承剩余寿命(RUL)预测准确率低的问题,提出一种基于信息最小二乘生成对抗网络(information least squares generative adversarial network,InfoLSGAN)和行动者-评论家(actor-critic,AC)算法的滚动轴承剩余寿命预测方法。将堆叠降噪自动编码器、信息生成对抗网络和最小二乘生成对抗网络相结合,构建InfoLSGAN,自动地从噪声数据中提取可解释的鲁棒特征,解决梯度消失问题;采用基于AC的训练算法训练InfoLSGAN,减少训练时间,加快收敛速度;根据训练后的InfoLSGAN,利用softmax分类器预测测试样本中滚动轴承的剩余寿命。通过滚动轴承加速疲劳寿命试验验证该方法的有效性。试验结果证明,当信噪比等于0时,该方法对滚动轴承测试样本的寿命预测准确率至少提高了10%。在小样本情况下,滚动轴承剩余寿命预测的平均准确率达9584%。