基于Boxplot-LTSA噪声流形算法的滚动轴承状态识别

旋转机械在实际运行中往往是变工况的,采集到的数据容易受到噪声、振动、冲击等多重干扰,经过降维处理后的低维流形无法真实、准确地反映其内部结构或内在规律,在进行故障识别时误判率高。提出了一种Boxplot-LTSA算法,利用箱线图Boxplot算法对原始信号进行去噪处理,再利用局部切空间排列方法(LTSA)进行降维,该算法直接对采集到的原始信号进行处理,不需时频域特征提取,避免了数据处理所造成的数据失真,同时LTSA算法能够克服去噪所造成的数据孔洞影响。通过案例,与直接使用流形学习算法降维处理结果进行比较,证实了该方法能够克服噪声对流形学习算法的影响,具有良好的状态识别效果。

考虑非周期检测的视情维修与备件订购联合策略优化

针对单部件系统/关键部件提出视情维修与备件订购联合策略,其中系统退化服从两阶段延迟时间过程且采用非周期检测策略,退化初期以检测间隔T1检查系统状态,而在第一次识别缺陷状态时,缩短检测周期为T2、订购备件且进行不完美维修;若系统在随后的退化中被识别处于缺陷状态,执行不完美维修直至超过阈值次数Nmax并采取预防性更换,但若在检测周期内发生故障则进行更换。根据系统状态和备件状态分析各种可能更新事件及相应的联合决策,利用更新报酬理论构建最小化单位时间内期望成本的目标函数,优化T1,T2,Nmax。与对比模型策略相比,算例结果表明所提出的联合策略能有效降低单位时间内的期望成本。

SVM与PSOHF参数优化装备机械传动齿轮故障诊断

为了提高支持向量机(SVM)对齿轮故障诊断的准确性,提出了一种基于SVM与PSOHF参数优化的机械传动齿轮故障诊断新方法。采用蜜蜂觅食机制改进粒子群算法(PSOHF)对SVM径向基核函数参数c和g进行了优化,建立优化后的SVM模型;而后对齿轮不同裂纹长度的故障信号进行小波包分解,将相对小波能量作为故障特征向量输入SVM;进行模式识别和故障分类,最终实现齿轮故障诊断。齿轮裂纹故障振动实验信号的研究结果表明,PSOHF优化的SVM提高了分类正确率,更适于实际中齿轮故障诊断。

热敏灸联合人工周期治疗脾肾阳虚型卵巢早衰的临床观察

目的观察热敏灸联合人工周期疗法治疗脾肾阳虚型卵巢早衰的临床疗效。方法将74例脾肾阳虚型卵巢早衰患者随机分为对照组和观察组,每组37例。对照组予人工周期疗法,观察组在对照组治疗基础上予热敏灸治疗。观察两组临床疗效,并比较两组治疗前后的子宫内膜厚度、窦卵泡数量、卵巢平均体积、性激素[雌激素(E2)和卵泡刺激素(FSH)]水平及血清前纤维蛋白1(PFN1)、血管内皮生长因子(VEGF)水平的变化。结果治疗后,观察组总有效率明显高于对照组(P<0.05)。两组治疗后子宫内膜厚度、窦卵泡数量、卵巢平均体积均优于治疗前(P<0.05),且观察组治疗后的子宫内膜厚度、窦卵泡数量、卵巢平均体积均优于对照组(P<0.05)。治疗后,两组血清E2和FSH水平均较治疗前改善(P<0.05),且观察组血清E2和FSH水平优于对照组(P<0.05)。治疗后,对照组血清PFN1和VEGF水平较治疗前无明显变化(P>0.05),而观察组血清PFN1和VEGF水平较治疗前明显改善(P<0.05),且观察组治疗后血清PFN1和VEGF水平优于对照组(P<0.05)。结论热敏灸联合人工周期治疗脾肾阳虚型卵巢早衰的临床疗效优于单一人工周期治疗,且能改善子宫内膜厚度、窦卵泡数量及卵巢体积,调整性激素水平,可能与其改善血清PFN1和VEGF水平相关。

考虑负载共享的线性连续k-out-of-n:F系统检测策略优化

针对线性连续k-out-of-n:F系统提出定期检测策略,每隔固定周期对系统中各部件状态进行检查并以新部件更换故障部件,若系统发生故障则立即停机并更换故障部件.由于受到负载共享的影响,各工作部件故障率不仅与系统中发生故障的部件数量相关,还与其相邻部件状态有关;为此,引入损伤故障率模型描述部件故障率.基于故障序列图和更新报酬理论建立定期检测策略优化模型以最小化单位时间内的期望成本,确定最优检测周期.最后,通过算例分析验证模型的有效性.

基于LCD与双谱分析的齿轮故障特征提取

针对齿轮故障时振动信号复杂、特征提取困难的问题,提出采用局部特征尺度分解(Local Characteristicscale Decomposition,LCD)与双谱分析相结合的故障特征提取方法。首先,利用LCD分解法对振动信号进行分解,并结合贝叶斯信息准则(Bayesian Information Criterion,BIC)和峭度时间序列互相关系数2个指标对内禀尺度分量(Intrinsic Scale Component,ISC)进行筛选;其次,利用双谱分析法对所选取的ISC分量进行融合,提取双谱熵作为特征量;最后,运用该方法实现齿轮振动信号故障特征的提取,并通过齿轮预置故障试验验证了该方法的有效性。

基于MUDW和峭度的齿轮故障信号预处理方法

针对齿轮故障信号特征提取困难、易淹没在噪声干扰中等问题,采用形态非抽样小波(Morphological UnDecimated Wavelet,MUDW)分解和峭度对振动信号进行预处理,以强化齿轮故障信号特征和提高特征信息比重。首先,采用MUDW对信号进行分解,利用网格搜索法优选其初始参数;然后,采用峭度作为评价指标来表征各分解层近似信号对故障特征的贡献量,在此基础上进行加权融合运算,以提高有用的近似信号比重;最后,利用仿真信号和实测的齿轮故障振动信号验证了该方法的有效性和实用性。