状态参数识别在齿轮箱故障诊断中的应用

针对计算机辅助某齿轮箱厂检测线上工人对齿轮箱故障状态类型的诊断,以齿轮箱中齿轮、轴、轴承等主要零件为研究对象,对采集到的齿轮箱振动信号进行细致分析,在敏感特征参数提取上采用聚类分析的方法,有效地消除了冗余参数的干扰,为下一步支持向量机(SVM)模式识提高了参数训练的精确度,建立与检测线工人所定义故障类型相一致的故障状态模式识别模型,从而进一步提高了计算机辅助工人对齿轮箱智能故障诊断的准确性和诊断结论一致性.

基于加权D-S证据理论融合多域特征的岩体失稳预测方法

岩体失稳预测是保障采矿安全生产的重要手段,由于岩体在力学性质上存在非线性、非均匀性、非连续性、各向异性等特点,导致岩体内部状态难以描述,建立在传统单一物理量监测基础上的岩体稳定性评价方法难以满足要求。根据声发射现象的不可逆性,通过采集到岩体失稳所释放的声发射信号就可以获得其岩体内部结构变化的实时状态。因此,基于D-S证据理论,提出一种基于加权D-S证据理论融合多域特征的岩体失稳预测方法。在实验室条件下,以红砂岩为实验对象采用RMT-150C型岩石力学试验系统进行单轴压缩试验,采集岩体失稳声发射信号,提取岩体失稳声发射信号的多域特征参数,通过敏感特征评价方法,筛选出岩体失稳各阶段的敏感特征参数,将多域敏感特征参数作为证据源,分别经遗传算法优化的BP神经网络预测模型进行初步预测,并将输出结果采用后验概率建模方法计算出各证据的基本概率分配函数,再引入相似性测度优化基本概率分配函数,最后利用加权D-S证据理论建立多域特征融合预测模型。实验结果表明:通过加权D-S证据理论将多域特征信息进行决策级融合,能够有效提升岩体失稳预测模型的准确率;采用多域特征参数取代单一特征参数的方法,为预测模型提供更可信的信号来源;随着融合的特征参数越多,预测模型的准确率越高;采用加权思想引入相似性测度对基本概率分配函数进行改进,能够有效消除高冲突证据导致传统D-S证据融合算法融合失效的问题。

基于微波散射实验的油种识别研究

海上溢油来源复杂,溢油种类多样,正确识别溢油类型对于溢油应急的快速反应具有重要意义。合成孔径雷达(synthetic aperture radar,SAR)具有全天时全天候的监测优势,在海面溢油监测中发挥着主力军作用,但在油种识别方面存在不足。利用C波段全极化散射计对柴油、原油、油水混合物和棕榈油进行外场实验观测,探究微波识别油膜的敏感特征参数,并将敏感特征参数应用于海上油膜实验获取的SAR图像进行油种识别。结果表明,在垂直(vertical transmission vertical reception,VV)极化方式下的油水差(?σ0)可以有效识别植物油和矿物油;基于d B和linear units表达的后向散射系数(NRCS)计算的抑制比(DR)在垂直(VV)和水平(horizontal transmission horizontal reception,HH)极化方式下可以有效识别植物油和矿物油,并且在交叉(vertical transmission horizontal reception/horizontal transmission vertical reception,VH/HV)极化方式下linear units表达的NRCS计算的抑制比可以识别原油和乳化油;极化差(PD)可用于识别原油、乳化油和植物油。