空间滚动轴承MoS_(2)薄膜润滑分子动力学模拟

针对空间滚动轴承往复运动状态下二硫化钼薄膜润滑失效机理不明的难题,提出了采用分子动力学对薄膜润滑过程进行分析的方法。建立了单层二硫化钼薄膜摩擦原子模型,针对载荷和环境温度这2个空间滚动轴承的重要影响因素展开了二硫化钼薄膜的往复摆动模拟,得到了摩擦过程中二硫化钼薄膜的摩擦力、粘附力和磨损情况。模拟结果表明:Fe-Ni-Cr合金探针在单层二硫化钼薄膜上的摩擦为黏滑运动,载荷在20~100 nN范围内探针的摩擦过程不会对薄膜造成磨损,但在往复运动过程中润滑性能有所提高;载荷从200 nN开始探针的摩擦过程会对薄膜造成磨损,往复运动过程中摩擦系数不断提高,润滑性能下降;400 nN为单层薄膜的载荷极限,在该载荷下探针会刺穿薄膜与基底接触此时薄膜迅速磨损失去润滑作用。环境温度在1 773.15 K以下对薄膜的润滑作用影响不明显,但达到该温度后薄膜边界处开始缓慢熔化,当环境温度达到二硫化钼熔点时薄膜的熔化速度加快并失去润滑作用。从这些发现得到如下结论:二硫化钼单层薄膜在接触载荷8 GPa以下拥有优异的耐磨性和润滑性;在薄膜未破损的条件下,反复摩擦过程提升了润滑性能;二维层状结构对单层二硫化钼薄膜润滑性能有重要的影响,高温和重载都会对薄膜层状结构造成破坏。

基于改进多尺度卷积循环神经网络的滚动轴承故障研究

针对传统卷积神经网络故障诊断方法提取特征不丰富,容易丢失故障敏感信息,且在单一尺度处理方法限制实际复杂工况下故障特性的深度挖掘问题,提出了注意力机制的多尺度卷积神经网络和双向长短期记忆(bi-directional long short-term memory,BiLSTM)网络融合的迁移学习故障诊断方法。该方法首先应用不同尺寸池化层和卷积核捕获振动信号的多尺度特征;然后引入多头自注意力机制自动地给予特征序列中的不同部分不同的权重,进一步加强特征表示的能力;其次利用BiLSTM结构引入双向性质提取特征前后之间的内部关系实现信息的逐层传递;最后利用多核最大均值差异减小源域和目标域在预训练模型中各层上的概率分布差异并利用少量标记的目标域数据再对模型进行训练。试验结果表明,所提方法在江南大学(JNU)、德国帕德博恩大学(PU)公开轴承数据集上平均准确率分别为98.43%和97.66%,该方法在重庆长江轴承股份有限公司自制的轴承故障数据集上也表现出了极高的准确率和较快的收敛速度,为有效诊断振动旋转部件故障提供了实际依据。

改进YOLOv5s的桥梁表观病害检测方法

针对已有目标检测方法在混凝土桥梁表观病害检测的应用中识别精度低且伴随较多误检和漏检的问题,提出了一种改进的YOLOv5s桥梁表观病害检测方法。针对目前桥梁表观病害特征成分较复杂的问题,为了更有效地利用不同尺度的缺陷特征,在主干网中添加修改后的空间金字塔池化模块,提高了整体网络对缺陷特征信息的获取能力,同时减少了运算工作量;针对由病害图像中不同缺陷特征交叉分布导致的误检率、漏检率高的问题,在YOLOv5s网络中加入轻量化注意力模块;针对桥梁缺陷尺寸差异大、分类困难和数据集小而导致的边界回归不匹配的问题,采用考虑了向量角度的损失函数。实验证明,改进后的YOLOv5s检测器在桥梁表观病害目标检测识别任务中能够有效提高精度、降低误检率和漏检率。

改进YOLOv5s的弱光水下生物目标检测算法

针对水下光学图像目标检测过程中由于水中光线衰弱严重、图像环境复杂和拍摄设备移动等造成的生物识别精度低的问题,提出了基于改进YOLOv5s的弱光水下生物目标实时检测算法YOLOv5s-underwater。针对弱光水下光线衰弱的问题,引入了限制对比度自适应直方图均衡(CLAHE)算法对输入图像进行预处理,解决了颜色失真和图像毛糙的问题。针对复杂的弱光水下图像环境,提出了快速空间金字塔池化(SPPF)模块,解决了水下物体区分度低和特征损失严重的问题。针对拍摄设备移动带来的场景和形态变化问题,提出了一种基于旋转窗口的Swin-Transformer模块,提高了模型的泛化能力。针对水下小目标,修改了网络模型结构,提高了小目标的检测能力。仿真和实验结果表明:所提算法相较于YOLOv5s检测精度提高30.7%,证明了算法的有效性。

勘测机器人SMA驱动器特性研究

为准确获取SMA驱动的勘测机器人驱动器性能,采用大变形多晶形状记忆合金马氏体相变的三维本构模型描述SMA力学关系,嵌入UMAT用户自定义材料子程序,建立了SMA驱动器的有限元分析模型。研究表明,SMA丝直径对驱动器性能影响较大,驱动器输出力随SMA丝直径增大而增大。研究方法可为同类型的SMA力学性能描述提供参考,研究结果可指导SMA驱动器的设计。

GADF和改进CNN的齿轮箱复杂环境下故障诊断

针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。

基于SK-ResNet和迁移学习的滚动轴承故障诊断

针对传统深度学习模型在变工况环境下泛化能力差、诊断精度低的问题,提出了一种基于SK-ResNet和迁移学习的滚动轴承故障诊断方法。首先,对采集到的时域信号进行快速傅里叶变换(FFT)获得频域信号,并进行加权融合得到新的时频域数据集;其次,将选择性内核网络(SKNet)融入到残差网络(ResNet)中提高特征提取能力;然后,采用基于多核最大均值差异(MK-MMD)和相关对齐(CORAL)改进的差异对齐损失(DDM)缩小变工况下滚动轴承故障数据特征分布差异,并将其应用到模型的多个模块中进一步缩小特征之间的分布距离。实验结果表明,与传统滚动轴承故障诊断方法相比,本文方法具有更好的诊断精度和泛化能力。

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network,TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life,RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。

基于随机LSTM块映射特征提取的旋转机械故障诊断方法

针对旋转机械失效机理复杂,特征信息差异大,导致的传统诊断模型依赖先验知识,准确率低,适应性差的难题.提出一种基于随机量化数据增强-随机LSTM(Long Short Term Memory)块映射特征提取-随机配置网络(Randomized Quantization-Randomized LSTM Block Mapping Method-Stochastic Configuration Network,简称RQ-RLBM-SCN)的旋转机械故障诊断方法.首先,为了解决失效机械特征信息小子样,训练样本不足的难题,使用随机量化数据增强将多传感器原始数据样本进行扩充,从而提高模型的适应性、准确率和缓解过拟合问题.其次用随机LSTM块映射方法来提取特征,解决SCN不擅长提取时序数据特征难的问题;然后使用随机配置网络(SCN)进行分类,SCN可以动态配置参数,无需反向传播来更新参数,在保证学习率的同时,还有效的避免梯度爆炸或梯度消失等问题.采用RQ-RLBM-SCN方法能准确识别出轴承和齿轮故障,在10次重复实验中,轴承和齿轮的多传感器数据集上的平均准确率分别达到99.80%、98.75%均高于原始SCN、TSC-SCN、VMD-SCN、SVM和KNN故障诊断方法;该方法可以为建立旋转机械的健康监测模型提供动态方法和诊断思路.

基于改进SegFormer网络的路面裂缝分割算法

针对现有网络执行路面裂缝分割任务时,特征利用不充分、高层语义信息提取不足的问题,提出了一种改进SegFormer网络的路面裂缝分割算法.首先,为充分利用提取到的特征,摒弃了原网络以多层感知机(Multilayer Perceptron, MLP)作为解码器的方案,重新设计了融合不同尺度特征的解码器,并在特征融合时引入注意力模块为其提供信息融合指导,加强了高低层特征间的联系;其次,为弥补高层语义信息不足,设计了结合部分卷积(Partial Convolution, PConv)的空间高效卷积池化模块(Space Efficient Convolutional Pooling Module, SECPM),提升了模型对不同尺度裂缝的分割性能;最后,针对路面裂缝不受位置、形状等方面限制的特点,提出了一种新的数据增强方法,提高了模型的泛化性能.在公开数据集Crack500进行实验,相较于原网络,改进模型的F1和mIoU分别提升了1.03%、1.32%,本文提出的方法能更好地适应路面裂缝分割任务.

基于仿真数据驱动和领域自适应的滚动轴承故障诊断方法

针对实际工业环境中较难获取大量的高质量滚动轴承故障数据,智能诊断模型泛化性能差的问题,提出了一种基于仿真数据驱动和领域自适应的故障诊断方法。首先,建立仿真数据驱动故障诊断所需的物理模型,并根据轴承的型号及相应工况模拟不同故障形式,获得丰富的仿真数据;其次,采用迁移学习的方法解决仿真与实际故障数据存在数据特征分布不一致的问题,通过残差通道注意力机制网络提取不同领域的迁移故障特征,采用考虑了源域与目标域数据特征的条件分布差异的条件最大均值差异度量准则进行网络训练过程中不同领域的自适应操作;最后,在人为损坏和加速寿命实验损坏的轴承数据集上进行了不同迁移模型的实验验证,结果表明所提方法能在目标域小样本监督情况下获得较高的识别精度。

基于判别性特征提取和双重域对齐的轴承跨域故障诊断

针对不同工况下采集的滚动轴承振动数据特征分布不一致且噪声成分难以去除的问题,提出一种基于判别性特征提取和双重域对齐的深度迁移学习故障诊断方法。首先,将带标签的振动信号和未带标签的振动信号通过固定长度的数据分割方法制作成数据集;其次,为了减少实际工况中噪声信号的干扰,采用通道注意力机制SENet(squeeze-and-excitation networks)及判别损失项来辅助特征提取器提取具有区分度的特征;再次,为了解决数据特征分布不一致的问题,采用最大均值差异来对齐源域和目标域的全局域分布,并采用条件对抗方法来对齐两域的子领域分布,实现双重域对齐。最后,在两个公开变工况滚动轴承故障数据集上进行试验验证,结果表明,所提方法平均识别准确率达到98%以上,并将其与不同诊断方法进行了对比分析,证明了所提方法的有效性与优越性。

DenseNet结合空间通道注意力机制的环境声音分类

音乐信息识别(MIR)和自动语音识别(ASR)都是以结构化声音为特点的声音识别,环境声音识别在声音识别领域的难度很大。为了充分利用从环境声中提取的Log-Mel谱图的空间特征与通道特征,提出了一种基于密集连接卷积网络(DenseNet)的空间通道注意力机制。使用DenseNet对Log-Mel谱图进行特征提取,引入空间通道注意力机制使网络更加关注显著特征;为了解决数据不足导致的过拟合问题,将混合数据增强的方法应用于Log-Mel谱图,从而保证了数据的多样性;在2个公共数据集(ESC-50和ESC-10)验证所提方法的有效性。结果表明:所提的空间通道注意力机制模型能够使神经网络对环境声音的识别率分别达到79.3%(ESC-50)和94.3%(ESC-10)。

空间滚动轴承MoS_(2)薄膜三体接触摩擦分析

目的针对太空尘导致的固体润滑轴承失效机理难以揭示的问题,提出采用分子动力模拟的方法,从原子尺度对空间滚动轴承二硫化钼(MoS_(2))润滑薄膜的摩擦特性进行研究。方法首先建立MoS_(2)薄膜的原子模型,在此基础上,根据实际场景,将MoS_(2)薄膜的摩擦接触条件分为两体和三体接触。其次,通过对比两体和三体接触的摩擦结果,探究三体接触条件下MoS_(2)薄膜的摩擦磨损机理。最后,通过改变基底结构,探究粗糙基底对MoS_(2)薄膜三体接触磨损的影响。结果三体接触对薄膜的磨损和摩擦系数均小于两体接触。在相同的滑移速度下,磨料的自旋速度越快,摩擦系数越低,但薄膜上出现的损伤越多。三体接触条件下,基底的粗糙表面不利于薄膜吸附,并且加快了薄膜的磨损。结论三体与两体接触的摩擦磨损机理不同。三体接触摩擦过程中,薄膜表面不会出现犁削现象进而造成薄膜的撕裂。原子尺度下,摩擦过程中磨料的自旋作用削弱了薄膜表面切向力的积累,从而有效减小了摩擦力,减少了薄膜磨损。在保持磨料滑移速度不变的情况下,磨料的自旋速度会对薄膜的摩擦和磨损产生影响。在三体接触摩擦过程中,粗糙基底上的微凸结构阻碍薄膜运动,增大了摩擦力,薄膜与基底接触面积的减少削弱了基底与薄膜的吸附性。

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。

一种改进自编码器的跨域轴承故障诊断

针对轴承故障诊断中特征提取困难、数据中含有大量噪声以及在单一工况数据下训练的模型无法在复杂工况下实现有效故障诊断的问题,提出了一种基于改进卷积稀疏自编码器(improved convolutional sparse auto encoder,ICSAE)的变工况轴承故障诊断方法。首先,在卷积自编码中增加稀疏性约束条件,提高模型有效特征提取能力,并对于输入信号和重构信号的重构误差通过最大均值差异(MMD)结合均方误差(MSE)进行构建,提高模型的泛化能力和抗噪能力。然后,结合领域自适应方法,利用MMD损失减小两域特征分布差异,有效提高跨域诊断性能。使用CWRU数据集和JNU数据集验证所提方法在变工况下对于滚动轴承的故障诊断效果,结果表明在变工况迁移下,测试模型在CWRU数据集和JNU数据集的诊断准确率分别能达到99.81%和98.32%,提出的模型能够有效应对复杂工况下的滚动轴承故障诊断。

基于参数敏度分析的轮毂轴承寿命多目标优化

为提高某型第三代轮毂轴承受载疲劳寿命,以额定动载荷和额定静载荷作为响应指标,采用正交试验设计对轮毂轴承结构参数进行灵敏度分析,以轮毂轴承滚珠数量、滚珠直径、节圆直径及内外沟曲率半径等主要影响因素作为设计变量,建立轮毂轴承疲劳寿命多目标优化数学模型。分别采用非劣排序遗传算法(NSGA-II)、多岛遗传算法(MIGA)和最优化粒子群优化算法(MOPSO)进行优化求解,得到了轮毂轴承最优结构设计参数,采用有限元仿真分析方法对优化前后的旋压铆合装配成形轮毂轴承疲劳寿命进行对比验证。结果表明:上述优化策略实现了由2个目标函数主导的轮毂轴承整体性能提升,改善了轮毂轴承各组件的应力集中情况,提高了轮毂轴承的疲劳寿命,优化后结构最大应力较初始设计降低了约5.1%,寿命较初始设计结构增加了约3.8%,表明轮毂轴承的疲劳寿命多目标优化设计是有效的。

基于VMD-CWT-CNN的滚动轴承故障诊断

针对传统故障诊断方法需人工提取特征且识别率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)和连续小波变换(Continuous Wavelet Transform,CWT)并结合卷积神经网络(Convolutional Neural Network,CNN)的VMD-CWT-CNN模型用于滚动轴承故障诊断。首先,通过VMD将轴承振动信号分解为多个具有不同中心频率的模态分量;其次,采用CWT将模态分量进行计算并转为二维时频图;最后,将时频图输入结构裁剪后的EfficientNet卷积神经网络自动提取特征并完成滚动轴承的故障诊断。使用提出的方法对美国凯斯西储大学10类轴承故障数据进行多次实验,平均准确率达到了99.86%,能有效地完成滚动轴承信号的特征提取以及损伤程度的精确诊断。

改进的YOLOv3浅海水下生物目标检测

针对浅海水下图像存在颜色失真、图像毛糙、局部过曝和尺寸差异大等导致的浅海水下生物目标检测精确度低的问题,提出一种基于YOLOv3网络的浅海水下生物目标检测识别方法。针对浅海中光线弱和使用人造光源导致的局部过曝问题,在YOLOv3网络中加入残差注意力模块,增强对目标的特征提取能力;针对浅海中图像色彩失真和图像毛糙等影响浅海水下生物目标检测识别效果的问题,采用跨阶段局部特征提取提高检测精确度,增强特征提取能力的同时避免信息冗余;针对同一物种由于空间位置造成的尺寸差异大的问题,采用完全交并比损失计算函数,提高目标检测的鲁棒性。通过实验验证证明了改进后的YOLOv3在浅海水下生物目标检测识别任务中能够有效提高精确度,降低漏检率。