STFT结合2D CNN-SVM的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的有效性和故障识别的准确率,提出一种基于短时傅里叶变换(Short-term Fourier transform,STFT)、二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D CNN)和支持向量机(Support Vector Machine,SVM)相结合的齿轮箱故障识别方法。搭建JZQ250型定轴齿轮箱实验平台,利用加速度传感器获得齿轮箱振动信号,并对振动信号进行短时傅里叶变换得到二维时频图,然后将时频图输入到2D CNN中进行特征信息提取,通过2D CNN前向传播和反向传播对不同类别故障时频图信息进行训练,建立不同类别特征之间更深层次的联系,通过训练集和验证集loss曲线、准确率曲线和t-SNE可视化(t-Distributed Stochastic Neighbor Embedding,t-SNE)多种方法来反映模型训练程度,最后由SVM对故障类型进行识别。通过将所提出的方法与FFT-2D CNN、1D CNN-SVM和2D CNN-SVM对齿轮箱故障识别结果进行对比,本方法故障识别准确率最高,达到97.94%,且提出的方法具有很好的鲁棒性。

迁移学习和CNN的电机故障诊断方法

针对缺乏数据导致卷积神经网络(Convolutional neural networks,CNN)训练不佳的问题,以三相异步电机故障诊断为研究对象,提出了基于迁移学习和CNN结合的电机故障诊断方法。首先搭建了电机故障诊断实验平台,通过加速度传感器获取CNN模型带标签数据,通过训练获取预训练模型;然后结合迁移学习得到的预训练模型迁移到目标域,并通过对目标域的带标签数据进行训练以优化CNN参数;最终获得可以对目标域数据有着良好分类能力的新模型,从而实现目标域带标签数据稀少情况下的电机故障诊断工作。通过将该方法与传统CNN、变分模态分解(Variational modal decomposition,VMD)-支持向量机(Support vector machine,SVM)、VMD-K近邻(K nearest neighbor,KNN)以及VMD-BP神经网络等识别模型进行对比验证,结果显示本文提出的迁移CNN模型模式识别方法有更好的识别效果。

基于GCN的多源变工况滚动轴承故障诊断

滚动轴承是旋转机械的关键部件,其健康状况的识别非常重要。迁移学习作为一种有效工具被广泛应用于故障诊断领域,但单源迁移学习方法可能存在泛化性能较差甚至引起负迁移,造成识别效果不佳的问题。提出一种基于多感受野图卷积网络(GCN)的多源迁移学习方法(MS-GCN),通过在多个源域数据上学习迁移知识,实现变工况下滚动轴承的故障诊断。该方法首先利用小波变换将振动数据样本转换为二维时频图样本,将获得的N组源域样本和目标域样本进行构建得到N组源域-目标域样本数据对;其次,先利用深度卷积网络学习每组数据对的高维特征,再由多感受野图卷积网络学习所提特征的数据结构,使得自适应方法能充分学习域不变特征,更有效地将源域与目标域特征进行对齐,训练得到N组分类器;最后,取N组分类器分类结果的平均值为目标域样本的状态识别结果。基于江南大学轴承数据集对所提方法展开实验验证,在3组不同的变工况轴承故障诊断任务中,所提方法对4种不同状态(正常、内圈故障、外圈故障及滚动体故障)的分类准确率均在99%以上,与其他方法相比诊断准确率提升了0.22~8.27个百分点。对比结果表明:所提方法对变工况下滚动轴承的故障进行识别,可以有效地诊断出轴承的故障类型,具有一定的工程实用价值。

改进时序灰度图和深度学习的齿轮箱故障诊断

针对齿轮箱实际工作环境复杂、传统方法提取特征以及灰度图提取特征性能不足,提出了一种基于改进时序灰度图和深度学习的齿轮箱故障诊断方法。用EEMD(ensemble empirical mode decomposition)将振动信号分解为若干个本征模态分量(IMF)后,通过累计均值准则将IMFs划分为高频和低频分量,其中高频分量采用小波阈值降噪进行处理;重构降噪后的高频IMFs与低频IMFs,并利用灰度图方法对重构信号进行编码。将二维改进时序灰度图送入卷积神经网络进行训练,以发挥卷积网络对图片特征提取优势,并由混淆矩阵显示结果。最后将模型结果和不同灰度图与传统诊断方法进行对比。结果表明:相对于普通灰度图、全局去噪灰度图,所提方法对齿轮箱故障诊断准确率分别提高4、1.8个百分点,且收敛速度明显加快;相对于BP神经网络以及ELM诊断方法,所提方法对齿轮箱故障诊断准确率显著提高。

轮齿裂纹对高速列车齿轮箱振动特性影响研究

为探究轮齿裂纹对高速列车齿轮箱振动特性影响,按照是否包含高速列车振动环境影响,依次建立独立齿轮箱模型和整车齿轮箱模型,并利用自定义的啮合力表达式力元和移动MARKER模拟轮齿裂纹故障,在此基础上探究两种模型随着轮齿裂纹深度的增加,齿轮箱振动时域和频域特性的变化规律,同时对比整车振动环境对裂纹故障信号的影响程度。结果表明:相较于独立齿轮箱模型,轮齿裂纹故障对整车齿轮箱振动时域特性的影响虽然呈现出整体上升趋势,但规律性极不明显,局部波动较大,证明高速列车振动环境激扰对轮齿裂纹故障信号有较大的干扰作用;在频域特征方面,整车齿轮箱和独立齿轮箱频谱特征变化均较为明显,出现了以小齿轮转频70 Hz为周期的轮齿裂纹故障特征,且裂纹越深,故障特征幅值越大,因此,通过频谱特征诊断高速列车轮齿裂纹故障是较好的选择,特别是整车振动环境干扰情形下。

基于深度学习的激光剪切散斑干涉无损检测缺陷识别

剪切散斑干涉技术通过测量物体表面变形来推断其内部缺陷,具有高灵敏度、检测范围广、精度高等优点,是一种极具潜力的复合材料无损检测技术。目前缺陷识别主要采用人工方式,而人工识别不但检测效率低且受到专业性限制。为了提高剪切散斑干涉无损检测方法中的缺陷识别精度和效率,本文提出基于深度学习剪切散斑干涉缺陷识别方法。利用高精度四步相移技术获取剪切散斑相位条纹高质量成像;引入了应用广泛的YOLOv5和Faster R-CNN目标检测算法,通过实验采集了大量的缺陷图像,分别用YOLOv5和Faster R-CNN两种算法获得训练模型。然后将这两种模型分别应用于剪切散斑干涉无损检测中的复合材料缺陷检测。最后,实验从检测速率和检测精度方面对模型识别效果进行了对比分析。实验结果表明,激光剪切散斑干涉技术结合深度学习的方法能有效地实现剪切散斑干涉无损检测的缺陷自动识别,Faster R-CNN和YOLOv5的检测速率分别能达到11 f/s和50 f/s,并且两种深度学习算法的平均精度均能达到92%以上,验证了提出方法的可行性。

基于隐马尔科夫模型的苹果分级方法研究

提出了一种基于隐马尔科夫模型的苹果分级方法。以3种不同颜色和形状的苹果为研究对象,提取苹果的六角锥体模型(HSV)作为苹果的颜色特征,提取苹果Hu不变矩作为苹果的形状特征,将这些特征量采用Lloyd算法编码,并将它们作为隐马尔科夫模型(HMM)的输入。依据HMM模式识别方法,对不同颜色和形状的苹果进行了分类识别,进而完成苹果分级。试验表明,该方法完成的分级识别率为100%。

基于小波包-BP神经网络的切削颤振监测

对切削加工状态进行实时监测尤其是颤振的监测,为提高切削加工质量有着重要意义。搭建切削颤振实验平台,采用加速度传感器获取切削加工信号,通过时频分析,将切削加工状态划分为稳定、过渡及颤振3种加工状态。利用小波包分解,计算各状态在不同频带的小波系数均方根值(RMS),并把它作为BP神经网络的输入向量。依照BP神经网络分类方法,对3种加工状态进行识别。结果表明,该监测系统可对切削颤振进行有效识别。

基于模态区间-马尔科夫链的动刚度预测

动刚度反映着数控加工过程中的稳定性,对加工精度有直接影响。对动刚度进行预测,预知动刚度的变化趋势,可为处理数控机床动刚度劣化问题提供指导作用。传统的马尔科夫链模型预测方法难以处理不确定性问题,将降低预测结果的可靠性。将模态区间数学理论应用于传统马尔科夫链中,提出一种基于模态区间-马尔科夫链模型的预测方法,以提高预测结果的可靠性。为了验证提出的预测方法的有效性,设计了一个数控机床相对激振实验。通过相对激振方法获取历史动刚度数据,采用模态区间-马尔科夫链模型对动刚度劣化趋势进行预测。结果表明:提出的预测方法有一个更好的预测精度。

基于RGB法的葡萄干颜色分选

针对葡萄干的分选需要 ,根据其色泽不一的特点 ,提出了一种新的物体颜色分选法 :RGB法 .它利用彩色面阵CCD完成葡萄干的摄像 ,把图像像素的RGB分量值差异作为分选的主要依据 。

多媒体教学优劣探讨

从多媒体教学的优点谈起,探讨了多媒体教学中要注意的几个实际问题,并对存在的问题提出了一些建议.

基于小波包-隐马尔科夫模型的机床加工状态识别

机床加工状态对加工工件质量有很大的影响,因此识别机床加工状态有重要的意义。依据采集的机床加工数据,通过FFT频谱分析,划分出机床加工的3种状态。利用小波包分解,分别求出各种状态在不同频带节点上的能量分布百分比,并把它作为隐马尔科夫模型的输入特征向量。按照隐马尔科夫模型模式识别方法,建立3种标准状态的训练优化模型库,把测试样本代入优化模型库中,依据最大对数似然值对机床的加工状态进行了识别。计算结果表明,状态识别结果正确。

基于隐马尔科夫模型的机床轴承热误差状态表征

热误差对工件精度有重大影响。引入HMM对机床轴承热误差表征进行实测研究,通过测量轴承的温度以及轴承的热误差,并划分相应状态,研究其相关性,建立相应的HMM,并对HMM中相应算法进行了实例计算。HMM优化后,用易于观测的温度信号表征难于观测的热误差。结果表明,该方法表征的热误差状态与实际测量的热误差状态一致。

一种基于三原色法的葡萄干颜色分选机的设计

针对葡萄干颜色的分选需要,根据其色泽不一的特点,提出了一种基于光的色度学理论的颜色分选法———三原色(RGB)法.该法利用彩色面阵CCD摄像机完成葡萄干的摄像,经高速图像采集卡数字化后输入计算机.把图像像素的RGB分量值差异作为分选的主要依据,通过电控系统,开启电磁快门,完成葡萄干颜色的分选.

基于MATLAB的控制系统应用软件设计

基于MATLAB开发平台,利用其可视化编程的GUI,对控制系统进行分析、设计与仿真,开发了控制系统CAI应用软件,具有较强的教学、实验、工程应用价值.

基于经验模态分解与神经网络的在线状态监测(英文)

在机械加工过程,为了提高加工稳定性和精度,在线状态监测具有十分重要的作用。基于经验模态分解与神经网络模型,提出了一个在线状态监测方法。该方法将EMD分解的本征模态函数均方根作为机械加工特征量。为识别实时加工状态,以加工特征为神经网络的目标输入,建立起将IMF作为特征参数及把3种加工状态作为输出的3层后向神经网络模型。识别的结果显示,提出的方法能有效地识别加工状态。

MATLAB在机械工程测试技术中应用探讨

针对机械工程测试技术的特点,以求测试信号幅值谱为例,分析了在机械工程测试技术中应用MATLAB的可行性.开发了一个MATLAB在测试信号分析中的应用软件,进行了应用举例.有较强的教学、实验、工程应用价值.

葡萄干颜色光电分选技术研究

针对葡萄干的分选需要,根据其色泽不一的特点,设计了一种新型的自动光电颜色分选机.利用二极管半波整流与电磁振动相结合完成喂料.根据面阵CCD成像原理,对葡萄干成像,应用不同颜色葡萄干成像后相对应的像素RGB分量不同作为分选的主要依据,通过电磁快门完成不同颜色葡萄干的分选.

基于LabVIEW的信号处理系统设计

基于LabVIEW8.6开发平台,开发了一个信号处理系统应用软件:采用模块化设计思想,动态调用模块子VI,使模块关联。设计一个友好界面,通过点击相应的菜单按钮,就可以分别执行各个模块操作,完成相应的信号处理要求。系统操作简单可靠,具有较强的教学、实验、工程应用价值。

基于红外测距技术的预防近视系统设计

针对当前学生近视问题日趋严重现象,总结了患近视的一个重要原因是过度看近,依据红外测距原理,提出了利用红外测距技术来预防近视的方法并进行了系统设计。采用GP2D12红外测距传感器作为信号采集装置,将采集的数据进行实验分析、处理,得出了线性化公式。信号线性化后通过ADC0809转换为数字信号,输入AT89S51单片机中处理。当使用者过度看近时,警告电路工作,告知调整坐姿,同时对人眼离书或者笔的距离进行动态显示,达到有效预防近视目的。