基于同步提取广义S变换的机械故障诊断方法研究

现有的同步提取变换(synchroextracting transform, SET)窗函数固定缺乏灵活性,在进行故障诊断时很难有效获取到高时频精度和高抗干扰性能的瞬时频率,针对此问题,结合广义S变换可以自适应调节窗函数宽度的优点,提出一种基于同步提取广义S变换(synchroextracting generalized Stransform, SEGST)的机械故障诊断方法。SEGST方法的特点在于将Rényi熵作为度量时频聚集性的标准,通过在高斯窗函数中引入2个尺度调节因子来选择参数的最佳值,对得到的广义S变换二维时频谱构造出同步提取算子来提取时频脊线处的时频系数,该算子能保留与信号的时变特征最相关的TF信息,剔除多余的模糊时频能量,从而得到高时频分辨率的时频能量特征。仿真结果表明,所提方法不论在时频分辨率方面,还是在噪声鲁棒性方面,都优于传统时频分析方法,并且保持了良好的重构性。最后,将所提方法应用于航空发动机高速滚动轴承故障诊断中,结果表明,该方法能够准确识别故障信号中的特征频率。

两级自适应调频模式分解-同步提取变换的故障诊断方法

同步提取变换(Synchroextracting Transform,SET)处理强干扰信号分量时缺乏自适应性而易发生频率模糊,导致难以精确提取快速波动的瞬时频率。针对此问题,结合自适应调频模式分解(Adaptive Chirp Mode Decomposition,ACMD)的自适应先验信息和贪婪算法的优势,将ACMD引入到SET中,构造一种两级ACMD-SET故障诊断方法。在提出的方法中,将基于基尼指数(Gini Index,GI)最大化准则的分量选择重组算法和第一级ACMD结合,提取出强干扰下的多模态故障脉冲信号的模式。然后,利用SET对第二级ACMD分离出的时变频率故障特征进行高精度的时频表示。将此方法应用到仿真调频-调幅信号中,得到高分辨率的故障特征,方法的有效性得到验证。最后,将所提方法应用于航空发动机高速滚动轴承的振动信号分析中,结果表明,所提方法能有效地提取高速滚动轴承振动信号的时变故障特征频率,其结果明显优于SET方法。

融合路径聚合网络的Swin Transformer的故障诊断方法研究

针对Transformer在航空发动机故障诊断中存在空间信息特征建模能力不足、计算复杂度较高的问题,提出一种基于路径聚合网络的Swin Transformer的故障诊断方法。该方法将路径聚合网络嵌入到Swin Transformer网络中,提高模型多尺度融合特征金字塔顶层信息和底层信息的效率,并采用窗口多头自注意力模块和移动窗口多头自注意力模块,有效降低提取空间信息特征的计算复杂度,并促进信息的流动和特征的传递。最后,将提出的方法应用到航空发动机滚动轴承故障诊断中。试验结果表明,提出的方法明显优于Transformer和传统Swin Transformer方法,在保证识别精度的同时,提高了模型的识别速度。

基于自适应边际损失的小样本故障诊断方法

针对基于度量学习的小样本故障诊断方法,在模型优化过程中对边际影响的忽略导致模型对训练数据过于敏感,进而产生过拟合。为此,构造了一种自适应边际损失函数,帮助模型学习样本之间的相对距离,以获得足够的距离信息,提高对新样本的泛化能力。另外,根据训练数据的分布和模型的性能,自动调整边际的大小,使其自适应地区分不同的故障类别。为更好地解决小样本问题,提出了元度量学习框架,采用元学习片段式训练模式。在度量模块中,引入余弦相似性以提高方法的表达能力,并指导模型的优化和训练,使其更好地适应小样本数据。为验证所提方法的有效性,使用带故障的无人机飞行日志数据构建了数据集,并将所提方法与传统的度量学习的方法进行了对比。实验结果表明,所提方法在无人机小样本故障诊断中表现出良好的诊断性能和稳定性,为小样本故障诊断提供了一种有效方案。

盘轴松动⁃碰摩耦合故障转子系统振动特性研究

转子系统在运转过程中可能会发生零件掉落、松动等情况,导致外加物体与转轴发生碰摩。针对这个问题,考虑盘轴松动与碰摩同时发生的情况,建立具有耦合故障的转子系统有限元模型。利用有限元软件对系统进行仿真,分析盘轴间的松动程度对系统振动特性的影响,并通过试验进行验证。结果表明,转子系统的时域波形周期性变化,频谱以转轴转动频率成分为主。随着盘轴松动程度的加剧,频谱中逐渐出现了高频成分;盘轴转速差在启动阶段的初始值随着松动程度的加剧而逐渐增大;盘心轨迹垂直方向的振动幅值也随着松动程度的加剧逐渐变大,且轨迹形状变得更为复杂。由于碰摩的影响,垂直方向的振动明显受到抑制,其幅值小于水平方向的。研究结果对转子系统耦合故障的动力学特性研究具有非常重要的参考价值。

基于ACON激活函数和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断任务的泛化问题,提出一种基于ACON激活函数和卷积神经网络(CNN)的故障诊断方法(ACON-CNN模型)。构造一种自适应激活因子,利用ACON激活函数的自适应激活特性增强整个卷积神经网络的自适应特征能力;同时构造一种基于稀疏结构的神经元簇,增加诊断模型的稳定性。对CWRU轴承数据集以及航空轴承数据集的试验结果表明:针对同一轴承不同采集端故障数据的训练与识别中,ACON-CNN模型具有比原始CNN,FFT-CNN,LSTM-CNN更好的识别效率和鲁棒性;在不同轴承样本数据集的迁移学习中,ACON激活函数和稀疏神经元簇的综合作用也使ACON-CNN模型获得了更好的泛化性能和识别效果。

非线性调频模态分解-同步提取变换方法及其在滚动轴承故障诊断中的应用

传统同步提取变换(SET)方法在处理多分量非平稳复杂信号时,各相邻分量的瞬时频率差要大于窗函数频率支撑范围的2倍,否则时频结果易发生频率混叠,而工程信号常常难以满足。此外,在处理高噪的复杂信号时,其时频分辨率往往不理想。针对此不足,将非线性调频模态分解(VNCMD)引入SET中,提出一种VNCMD-SET的故障诊断方法。利用VNCMD通过结合解调手段以及变分模态分解的联合优化方案来有效处理频率临近甚至交叉的非平稳信号,对故障信号进行分解重构,对该重构信号进行SET处理。将所提方法与传统SET方法进行对比研究,并进行实验验证。仿真和实验结果表明:VNCMD-SET方法明显优于传统SET方法,克服了传统SET方法的不足;VNCMD-SET方法能有效提取出故障信号的频率特征,且不发生混叠,同时具有一定的抗噪性能。

非稳态油膜力对转子系统盘轴松动故障的影响研究

当盘轴松动时,油膜涡动会对转轴的运动轨迹造成影响,从而影响转盘和转轴的碰摩,转盘和转轴的碰摩又会对油膜涡动造成很大扰动,非稳态油膜力对转子系统盘轴松动故障的影响具有重要研究价值。利用Hertz接触理论和非稳态非线性油膜力建立了盘轴松动故障转子-轴承系统的运动微分方程,利用四阶龙格-库塔法对其进行数值仿真,并经过实验验证。讨论了非稳态油膜力对转盘转动状态的影响及油膜间隙对转子系统振动特性的影响。研究结果表明:转盘无量纲转速有高低两种状态,不考虑油膜力的转子系统转盘转速进入高转速状态时,转轴转速低于考虑油膜力的转子系统;随油膜间隙增大,轴承端的运动轨迹经历类似周期运动状态、混乱状态、类似周期运动状态,运动轨迹的形状变得越来越细长,转轴中心的运动轨迹像一个不断旋转的扇形,无明显变化规律,系统的频率成分基本无变化,但各频率成分的幅值会有不同的变化。研究成果对盘轴松动故障的建模及动力学特性研究具有重要的参考价值。

静载拉伸和低周疲劳下Q235钢磁声发射特性

为揭示应力与磁声发射的关系以及明确磁声发射与铁磁性金属材料疲劳状态的关系,建立Q235钢静载拉伸的力-磁耦合模型和低周疲劳寿命模型,开展磁声发射的应用与理论研究。从有限元仿真的角度分析静载拉伸下磁声发射信号产生机理,根据低周疲劳仿真结果设计磁声发射低周疲劳试验。通过自行搭建的试验平台,验证建立的静载拉伸模型和低周疲劳模型,研究静态拉伸和低周疲劳两种状态下的磁声发射信号规律。结果表明:在静载拉伸下,在弹性范围内磁导率随着拉应力的增大呈现出线性增大的趋势,导致试件上的损耗增大,同时磁声发射信号变弱,磁声发射信号的均方根电压和包络面积呈下降趋势;在低周疲劳下,Q235钢低周疲劳寿命可以通过Smith-Watson-Topper模型进行预测,且Q235钢磁声发射信号的振幅、脉冲计数特征参数随着循环周次的增大也呈现出下降的趋势;研究成果明确了应力对磁声发射的影响以及疲劳状态对磁声发射的影响,为磁声发射的特征提取与模式识别提供了理论参考依据。

基于概率幅值解调的机械故障诊断方法研究

针对机械设备发生故障时存在大量的调幅调频信号,提出了一种基于概率幅值解调的机械故障诊断方法。在提出的方法中,利用概率理论,将解调转化成推理过程,通过已有的先验知识对不确定性问题进行推理,达到推理解调的目的。仿真结果表明,提出的方法明显优于传统的希尔伯特包络解调方法,解调后的包络线与原信号拟合程度高。最后,滚动轴承故障故障诊断的试验进一步验证了提出的方法的有效性,提出的方法能有效地提取出滚动轴承故障特征。

边疆民族地区道路建设与村落社会变迁——基于滇藏线重镇奔子栏村的考察

奔子栏村是滇藏公路重镇,其发展过程与道路建设密切相关,形成一种变动之中的空间形态与村落社区的互动关系。考察不同时期道路变迁对沿线地方社区的影响,可以窥探滇西北高原地区百余年间发生的剧烈变迁。作为交通要道的奔子栏村,“因路而起、因路而兴、因路而变”。此个案亦可以提示我们,在当前高等级公路的建设中,在考虑快速连接两端关键节点的同时,也应关照到次区域、次节点的利益,构建包容、合作、共赢的,且尽可能整体关照的新型道路与社区关系。

基于降低极化电压磷酸铁锂电池充电方法研究

以优化锂电池充电极化电压,提高充电效率为目标,研究了电池充电极化电压与SOC的关系、停歇与极化电压降的关系、放电幅值与极化电压降的关系。研究结果表明:在充电初期与充电快完成阶段,极化电压变化极大;停歇与放电能有效地降低极化电压,停歇的时间越长,极化电压降低得越多;放电幅值越大,极化电压降越大。在此基础上,以降低极化电压作为电池充电性能的评价指标,提出了基于降低极化电压的优化充电方法,并与恒流充电方法和变电流间歇充电方法的充电性能进行了对比分析。试验结果表明,提出的方法在充电效率上高于恒流充电与变电流间歇充电2到3倍,大大缩短了充电时间,充电效率达到了95.36%。

他者话语的反思:欧美学界关于中国海外藏人研究评析

"西藏问题",尤其是中国海外藏人问题,是我国党和政府始终关切的重要问题。自1959年西藏叛乱以后,中国海外藏人问题在一些西方国家备受关注,也成为欧美学者们竞相展开调查研究的重要领域,关于这一主题的研究涉及了国际关系、人口迁移、国际援助、难民政策、身份政治、文化传播等诸多领域。本文将在对大量欧美学者的相关专著与论文进行整体把握的基础上,厘清欧美学界海外藏人研究的基本特点,对欧美学界的相关研究状况进行分析,并重点分析了欧美学者对中国海外藏人社区的实地研究,指出许多研究过分服务于政治目的,或研究中情绪色彩过重,或关注点过于集中于中国海外藏人的处境状况。因此,国内的相关研究应发挥本土优势,关注中国海外藏人生活境遇,将海外藏人研究与国内藏族研究相结合,构建起更加完整的藏族研究体系。

中国共产党在民族地区的社会治理研究——以对云南迪庆民族上层人士的统一战线工作为例

统一战线是中国共产党团结和凝聚最广泛智慧和力量的重要法宝。中华人民共和国成立初期,中国共产党成功运用统一战线将云南迪庆少数民族上层人士纳入社会治理共同体,为民族地区社会治理提供强大整合力量与智慧支持的历史经验。这一历史经验在党的二十大会议上提出的“巩固和发展最广泛的爱国统一战线,完善大统战工作格局,坚持大团结大联合”的新时代统战工作的背景下,对充分发挥少数民族代表人士在民族地区社会治理中的作用也有积极的意义。

基于二维经验小波变换的金属断口图像消噪方法研究

针对传统小波变换在金属断口图像分析中存在的不足,结合二维经验模态分解和小波分析,本文提出了一种基于二维经验小波的断口图像消噪算法。该方法通过自适应构造滤波器组构造了经验小波函数,实现了在频域上分割傅里叶频谱的同时又分离出了信号的不同模式,从而提取了具有紧支撑傅立叶频谱的AM-FM成分。将所提方法与传统小波变换方法进行对比,结果表明,不论是从峰值信噪比还是从结构相似指数来看,二维经验小波算法的图像消噪效果都明显优于小波变换方法。最后,将二维经验小波算法应用到金属断口图像消噪中,进一步验证了所提方法的有效性。

缺陷方向对磁致伸缩导波检测敏感性影响分析

采用有限元仿真与实验相结合的方法建立磁致伸缩导波管道检测平台,在待测管道上预置与周向分别呈0°～90°的10个大小相同的槽型缺陷,依次利用L(0,2)纵向模态导波和T(0,1)扭转模态导波进行检测.仿真和实验结果均表明:L(0,2)导波缺陷回波幅值随着缺陷角度增加而逐渐降低,50°时已经难以分辨出缺陷信号,L(0,2)导波适合检测50°以下缺陷;T(0,1)导波的缺陷幅值随着缺陷角度的增加先减小后增大,并且整体具有较高的信噪比,T(0,1)模态导波对各个方向的缺陷检测均有良好的适用性.

基于经验Ridgelet-2DPCA的断口图像识别方法研究

经验Ridgelet变换具有方向选择性和自适应分解能力,2DPCA可直接利用原始图像构建协方差矩阵。结合经验Ridgelet变换和2DPCA的各自优点,提出了一种基于经验Ridgelet-2DPCA金属断口图像识别方法。同时将提出的方法与Ridgelet-2DPCA、经验Ridgelet-PCA识别方法相比较,实验结果表明,提出的方法中的二维固有模态分量比Ridgelet系数具有更丰富的特征信息,2DPCA相比于PCA,图像结构信息更加完整,因而,提出的经验Ridgelet-2DPCA的金属断口识别方法取取得了比经验Ridgelet-PCA、Ridgelet-2DPCA更好的识别效果。

云南迪庆的民主改革及对新时代民族工作的意义

20世纪中叶,云南迪庆按照中央的指示开展民主改革,这是中国共产党在新政权建立背景下结合迪庆实际所做出的正确抉择,也是党的民族思想及民族政策在中观层面的重大实践。作为一场重要的社会运动,民主改革彻底推翻了迪庆的封建统治,变革了生产关系,实现了该地区的繁荣与发展。其政策设计、制度安排、舆论引导、务实作风等民族工作实践,强化了迪庆各民族对党和国家的热爱和认同,是党的民族工作的重大成果。深刻总结和思考迪庆民主改革的经验,对于以铸牢中华民族共同体意识为主线的新时代民族工作仍具有重要的意义。

基于特征融合的注意力增强卷积神经网络的航空发动机滚动轴承故障诊断方法

针对现有基于深度卷积神经网络的故障诊断方法只考虑对信息局部特征的提取、忽视全局信息的不足,将可以把握全局信息的注意力机制融入卷积层,使得注意力机制参数和卷积层参数参与网络的训练,提出一种注意力增强卷积神经网络的机械故障诊断方法。通过经验模态分解、变分模态分解和小波包分解的方法提取滚动轴承振动信号的高维特征模量;将特征模量组成多通道样本输入到注意力增强卷积神经网络中进行训练,利用网络对特征模量自适应地融合和选择,从而挖掘特征模量的隐式特征;使用Softmax分类器进行分类识别;通过训练好的网络对高转速下的滚动轴承进行故障诊断;利用不同信噪比的信号对所提方法进行测试,以验证网络的泛化能力和故障诊断效果。实验结果表明:该方法能准确、有效地对航空发动机滚动轴承不同故障的损伤程度进行分类识别。

基于同步提取变换的滚动轴承微弱特征增强与提取方法

传统线性时频分析所处理的信号特征模糊、时频能量发散,不能较好的处理微弱信号的特征提取问题。为了能准确识别轴承故障的微弱特征,本文将同步提取变换(Synchroextracting Transform,SET)引入到轴承振动信号的微弱特征增强与提取中,探讨了如何利用同步提取变换提取滚动轴承微弱特征信息,并与短时傅里叶提取变换、同步挤压短时傅里叶变换进行对分析。仿真表明,该方法明显优于短时傅里叶和同步挤压短时傅里叶变换,能够改善时频聚集性并具有一定的抗干扰能力。最后,将该方法应用到滚动轴承微弱特征增强和提取中,实验结果表明,该方法能较好的识别出信号的微弱特征,有效地诊断出微弱故障信号。