面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于自适应深度残差网络的旋转机械故障诊断方法

针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。

变转速极低标签率下旋转机械故障诊断的图注意力网络

在极低标签率情况下,现有的图神经网络(graph neural network,GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中,旋转机械常工作在变转速工况下,且标记故障样本代价高昂。针对上述两个问题,基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network,DGAT),提出了一种熵-图注意力网络,并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先,设计了基于JS相对熵的图构造方法,用于充分挖掘GNN中样本间的关联信息。其次,构建基于熵-动态图注意力网络的半监督学习模型,通过动态注意力机制进一步挖掘样本中故障敏感特征。最后,将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证,结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型,且性能优于其它常用的图神经网络。

AM-FM算子分解方法在滚动轴承故障诊断中的应用

基于算子的零空间追踪算法能够实现复杂信号的自适应分解,其关键在于信号模型的构造与求解。通过定义一种新的可完全消除调幅调频信号的调幅调频算子(AFO),进一步建立了一种基于AFO的信号分解新模型。为了提高参数对信号分解的鲁棒性,将非参数正则化(NPR)方法用于解决上述模型的约束优化问题,提出了一种基于NPR的自适应信号分解方法——NPR-AFO。论文将NPR-AFO方法引入到机械故障诊断中,并通过仿真和滚动轴承局部故障实测数据分析,与现有的其他分解方法进行了对比。结果表明:所提方法不仅可以有效的提取故障特征,而且状态故障特征更加明显。

集成全息希尔伯特谱分析及其在滚动轴承故障诊断中的应用

全息希尔伯特谱分析(holo-Hilbert spectral analysis, HHSA)是一种新的信号解调分析处理技术,其采用双层经验模态分解(empirical mode decomposition, EMD),能够有效揭示非线性或非平稳振动信号中的跨尺度耦合关系。但是,EMD在信号分解过程中存在严重的模态混叠问题,导致瞬时频率估计不准确,影响了HHSA的分析精度。基于此,提出了集成全息希尔伯特谱分析(ensemble holo-Hilbert spectral analysis, EHHSA)方法。同时为了更精确解调故障特征信息,通过对载波变量进行积分,定义了一种可以揭示调制特征的调幅边际谱分析方法。最后,通过对滚动轴承仿真和实测数据进行分析,结果表明:与传统谱分析方法相比,所提EHHSA方法及调幅边际谱的特征提取性能和噪声鲁棒性更强。

基于CELCD和MFVPMCD的智能故障诊断方法研究

针对旋转机械故障诊断方法中信号处理和模式识别的不足,即端点效应和判别片面性问题,提出一种基于互相关匹配延拓局部特征尺度分解(Cross-correlation matching endpoint Extension Local Characteristic scale Decomposition,CELCD)和改进多变量预测模型(Variable Predictive Model based Class Discriminate,VPMCD)的智能故障诊断方法,首先探索待分解信号前后端的数据规律,选取匹配波形完成端点延拓,然后利用局部特征尺度分解(Local Characteristic scale Decomposition,LCD)得到各去除端点效应的内禀尺度分量(Intrinsic Scale Component,ISC),最后输入到基于多模型融合的多变量预测模型(Multi-model Fusion-Variable Predictive Model based Class Discriminate,MFVPMCD)分类器中进行概率状态判定.实验分析结果表明,所提方法能有效地对滚动轴承的工作状态进行识别.

基于流形学习和改进VPMCD的滚动轴承故障诊断方法

提出一种基于拉普拉斯特征映射流形学习算法(Laplacian Eigenmaps,简称LE)和改进多变量预测模型(Variable predictive model based class discriminate,简称VPMCD)的滚动轴承故障诊断方法,首先对振动信号进行局部特征尺度分解(Local characteristic scale decomposition,简称LCD),并提取各内禀尺度分量(Intrinsic scale component,简称ISC)的特征构造高维特征向量,接着采用LE算法挖掘出高维数据中包含有效信息且具有内在规律性的低维特征,然后输入到基于Kriging的改进多变量预测模型(Kriging-variable predictive model based class discriminate,简称KVPMCD)分类器中进行模式识别。该方法充分利用并有效结合了LCD在信号处理、LE在挖掘特征信息和KVPMCD在模式识别方面的优势,实现了滚动轴承故障特征提取到故障识别的全程诊断。实验分析结果表明:基于LE算法和KVPMCD的分类方法可以有效地对滚动轴承的工作状态和故障类型进行识别。

基于稀疏带宽模态分解的变转速滚动轴承故障诊断

针对以往信号处理方法存在的缺陷,提出了一种新的非平稳信号分析方法—稀疏带宽模态分解(Sparse bandwidth mode decomposition,SBMD).该方法将信号分解转化为约束变分问题,自适应地将信号分解为若干个IMF分量之和。另外,在变转速工况下,滚动轴承故障振动信号中含丰富的状态信息,将SBMD、阶次追踪分析和包络谱相结合应用于变转速工况条件下的滚动轴承故障诊断问题。实验分析结果表明,采用SBMD阶次包络谱方法可以及时有效的诊断变转速工况下的滚动轴承故障诊断问题。

ANSMD方法及其在齿轮故障诊断中的应用

针对传统信号分析方法难以有效处理具有非平稳、非线性特性信号的问题,提出了一种自适应非线性稀疏模态分解方法(adaptive nonlinear sparse mode decomposition,ANSMD)。该方法通过将奇异局部线性算子约束到信号分解中,自适应地将一个复杂信号分解为若干个瞬时频率具有物理意义的局部窄带分量,以局部窄带分量作为基函数进行迭代,从而逼近原始信号来完成信号的分解,进而得到具有完整时频分布的分量信号。通过仿真信号和齿轮裂纹故障信号进行试验验证,结果表明,相对于经验模态分解、局部特征尺度分解以及变分模态分解方法,ANSMD方法在抑制模态混叠、鲁棒性等方面具有明显的优势,并可以有效的诊断齿轮故障。

基于特征加权的代理判别模型模式识别方法

针对以往模式识别方法的不足及特征值贡献度的问题,提出了基于特征加权的代理判别模型(agent discriminate model based feature weighted,ADMFW)模式识别方法。该方法的核心在于利用加权因子获取加权特征,并采用代理模型建立加权特征之间的关系函数,即首先计算特征值的权值因子,评估特征值的显著度,进而对每个特征值予以权值;然后利用加权特征和代理模型建立预测模型;最后采用预测模型对未知样本进行识别诊断。对滚动轴承实测数据的分析结果表明,ADMFW可以有效地对滚动轴承的工作状态和故障类型进行识别。

ADMOW方法及其在滚动轴承状态识别中的应用

针对滚动轴承振动信号的状态特征及特征数据中存在'异常值'的现象,提出了基于优化加权代理判别模型(Agent discriminate model based optimization weighted,ADMOW)的模式识别方法。该方法首先通过计算样本特征值的类相似度对特征值进行评价,并依据评价结果对特征值赋予权值,以此弱化'异常值'导致模型出现偏差的问题;然后利用粒子群优化(Particle swarm optimization,PSO)算法对所建立的模型参数进行优化,得到更加准确可靠的分类模型;最后采用建立的优化加权代理预测模型对待测样本进行识别。滚动轴承实验结果表明,与以往的模式识别方法相比,该方法能有效地提高识别准确率。

和顺南部矿区水文地质条件与矿井涌水量预测

在和顺地区水文地质资料的基础上,根据抽水试验结果,划分出三个主要的含水层组,得出影响煤层3、15煤安全开采的含水层为二叠系K10、K9、K8、K7砂岩和奥陶系K4、K3、K2灰岩;通过分析水文地质条件,发现矿井充水水源主要为受到大气降水补给的山西组、上石盒子组和太原组的含水层,以及采空区积水,采动裂隙为主要的导水通道,陷落柱、断层封闭性较好;得出该区3、15煤的水文地质类型分别为二类一型和三类一型,进一步选择采用大井法预测出矿井最大涌水量为134.23 m3/h。

超声弹性成像参数评估甲状腺癌伴淋巴结转移的效果分析

目的:分析超声弹性成像参数评估甲状腺癌伴淋巴结转移的效果。方法:选取2020年6月—2022年6月徐州市肿瘤医院收治的32例甲状腺癌合并淋巴结转移的患者为转移组。另外选取同期我院收治的33例甲状腺癌未合并淋巴结转移的患者为未转移组。两组均开展超声弹性成像检查,记录弹性比以及蓝色面积比,分析最终结果。结果:转移组弹性比值、蓝色面积比值高于未转移组,差异有统计学意义(P<0.05);将甲状腺癌病患弹性成像比、蓝色面积比视为检验变量,把病患淋巴结转移详情视为状态变量,受试者操作特征(ROC)曲线结果表明:弹性比、蓝色面积比联合、单独诊断甲状腺癌的AUC分别是0.869、0.798以及0.766。结合ROC曲线,取得蓝色面积比以及弹性比的截断值为:45.76%、1.853。结论:使用超声弹性成像检查甲状腺癌疾病精准度高。临床经过获取性比、蓝色面积比等参数,可以判定患者病灶位置是否出现淋巴结转移。对于疑似患者开展联合诊断能取得更为公允的检查结果。该方案值得进一步于临床内推广和应用。

基于嵌入式SRVPMCD的模式识别方法

针对多变量预测模型(VPMCD)模式识别方法的固有缺陷和机械故障特征难以选择的难题,即特征维数较多时对时效性的影响和特征选择需要引入主观因素的现状,提出了一种基于嵌入式的逐步回归多变量预测模型(SRVPMCD)模式识别方法。该方法首先通过逐步回归引入变量并计算其显著水平,建立只包含显著特征值的预测模型,同时实现嵌入式特征选择和建模分类的功能,然后用所建立的预测模型来预测待分类样本的特征值,最后把预测结果作为分类依据进行模式识别。对滚动轴承故障信号的分析结果表明,基于嵌入式SRVPMCD的模式识别方法可以实现特征选择和分类的双重功能,在保证识别精度的前提下,比原VPMCD方法及其组合方法可以更快地识别滚动轴承的工作状态和故障类型。

基于自适应集成补丁变换的齿轮故障诊断方法

针对集成补丁变换(ensemble patch transformation,EPT)进行信号分解时易出现模态混淆和参数无法自适应的问题,提出一种基于自适应集成补丁变换(adaptive ensemble patch transformation,AEPT)的齿轮故障诊断方法。在AEPT分解过程中,通过极值约束获得若干个采样点,并以此完成信号局部划分,实现信号降噪;结合极值点周期设置补丁参数,搭建集成补丁结构;通过迭代和筛分将任意一个非线性非平稳信号自适应地分解为若干个瞬时频率具有物理意义的集成补丁分量(ensemble patch component,EPC)。通过调幅仿真信号、齿轮故障仿真信号和实际齿轮裂纹信号进行试验验证,结果表明,AEPT方法在抑制模态混淆、鲁棒性等方面具有明显优势,可以有效地完成齿轮故障诊断。

析山塘历史街区中建筑立面的更新

苏州市山塘历史文化街区作为江南传统建筑代表之一,其建筑的保护一直是人们关心的话题。但是,随着商业化的发展,古城部分风貌遭受了破坏。本文通过对苏州山塘街进行调研,选取山塘街沿河建筑立面作为调研对象,分别从城市视角、建筑视角以及建筑立面装饰材料中的对比更新中展开研究,希望通过对比总结发现历史街区保护发展过程中的一些待改进之处,以便对以后的历史街区保护和更新提供参考。

专业认证背景下汽车制造工艺学课程教学改革与探索

汽车制造工艺学课程存在重理论轻实践、课程知识点较多、学生对知识掌握不牢固且难以对知识进行融会贯通等问题。通过优化课程教学目标、优化课堂教学过程、强化实践教学等对课程教学加以改革,提高课程教学效果。

负相电压对城轨车体用6005A-T6铝合金MAO薄膜性能的影响

为了提高城轨车体用6005A-T6铝合金表面的耐磨能力,通过对其实施微弧氧化处理的方式制得高耐磨性薄膜,分析了负相电压参数引起的微弧氧化层结构特征、硬度及其耐磨性的变化。结果表明:6005A-T6铝合金经过微弧氧化后在薄膜内形成了γ相氧化铝。薄膜形成了明显火山状结构,整体表面较为粗糙,形成了许多尺寸差异较大的微米孔洞以及大量熔融颗粒。薄膜包含了内部致密组织以及外部相对疏松的结构,存在4μm的致密层组织。对铝合金实施微弧氧化可以使硬度显著上升,当负相电压-100 V时,可以获得1265 HV的最高硬度。当负相电压在-100 V时,薄膜形成很小的摩擦系数并且较为稳定,表现出优异的耐磨性。MAO薄膜表现为白色条状的外观,观察到部分黑色块状组织,到达-100 V时试样中形成了更小的块状区域。