基于RPCA低秩稀疏分解的循环频率检测方法

在强噪声干扰时循环频率的准确检测对于循环平稳信号处理有重要意义。该研究提出了一种低信噪比(signal-to-noise ratio, SNR)下将基于鲁棒主成分分析(robust principal component analysis, RPCA)的低秩稀疏分解技术应用于循环谱密度(cyclic spectral density, CSD)矩阵,从而进行循环频率检测的新方法。首先,采用RPCA将循环谱密度矩阵分解为表示噪声干扰的低秩矩阵和表示循环平稳特征的稀疏矩阵。随后,利用稀疏矩阵构造检测函数实现循环频率的自动检测。仿真结果证明了该方法在强噪声干扰下检测概率方面的优越性,并可根据检测各阶循环频率谐波的受试者工作特征(receiver operating characteristic, ROC)曲线为不同信噪比条件下选择检测阶数提供参考。为了进一步验证该方法在应用中的有效性,将该方法应用于滚动轴承的早期故障诊断中。滚动轴承加速疲劳寿命试验数据上的分析结果证明该方法能够在轴承早期故障阶段从低SNR的振动信号中准确检测出轴承的故障特征频率,实现轴承的早期故障诊断。

基于超声波焊接的IGBT功率模块PIN针焊接工艺研究

在功率模块中,PIN针的连接强度对IGBT的性能和使用寿命产生了直接影响。使用超声波焊接工艺代替传统的钎焊工艺,具有较高的精度和较好的焊接强度。基于此,对焊接工艺参数进行实验,研究PIN针超声焊接的焊接强度随焊接压力的变化规律。通过对超声波焊接工艺的进一步研究,有望为工业界提供更加优良的焊接方案。

基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法

针对滚动轴承故障诊断中单一网络模型的不确定问题,并考虑到声信号非接触式测量的优势,提出一种多卷积神经网络(CNN)模型融合的滚动轴承声学故障诊断方法,采用多通道传声器信号对每一个CNN进行训练,然后采用Blending模型融合方法将多CNN模型进行融合,实现更精确、更可靠的故障诊断。通过半消声室内滚动轴承实验台的传声器数据对该方法的有效性进行实验验证。结果证明:与单个CNN模型、支持向量机(SVM)、随机森林法(RF)、多层感知机(MLP)等方法相比,该方法可以避免复杂的人工特征提取过程,通过模型融合能获得更高的诊断精度,并在一定程度上可以克服声学诊断中不易选择传声器测点位置的问题。