基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法

针对强背景噪声下齿轮故障冲击特征提取问题,提出了一种基于自适应随机共振和稀疏编码收缩算法的齿轮故障诊断方法。该方法选用相关峭度作为随机共振检测周期性冲击分量的测度函数,借助遗传算法实现信号中周期性冲击特征的自适应提取;在此基础上,利用稀疏编码收缩算法对随机共振检测结果做进一步降噪处理,从而凸显冲击特征,提高故障识别精度。试验和工程实例分析结果表明,该方法可实现齿轮故障冲击特征的增强提取,为齿轮故障诊断提供依据。

基于ITD与稀疏编码收缩的滚动轴承故障特征提取方法

针对滚动轴承早期故障信号具有周期性冲击的特点和被强噪声淹没而难以提取的问题,提出了一种基于固有时间尺度分解(Intrinsic Time Scale Decomposition,ITD)与稀疏编码收缩(Sparse Coding Shrinkage,SCS)集成的轴承故障特征提取方法(命名为ITD-SCS)。ITD能自适应地将振动信号分解成若干固有旋转分量(Proper Rotation,PR),选择有效的PR分量突显信号的冲击特征。进一步采用奇异值分解(Singular Value Decomposition,SVD)对每一有效PR实施滤噪作为SCS的前置滤噪单元以提高信号的稀疏性。最后,通过SCS利用极大似然估计方法提取合成信号中的冲击特征。将ITD-SCS应用于轴承内圈故障仿真信号和外圈实际故障振动信号的实验结果表明,ITD-SCS能有效提取强背景噪声下的轴承故障信号的冲击特征。

基于稀疏编码收缩和Contourlet变换的红外图像去噪

针对稀疏收缩编码法和Contourlet变换的不足,提出了一种新的图像去噪算法。算法可以很好地解决含有加性未知噪声方差的红外图像去噪问题。实验表明,与传统方法、稀疏编码收缩法和Contourlet域降噪方法相比,该算法进一步提高了SNR值,降低了MSE值,获得了更好的图像恢复质量。

基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题,提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换,将双时域变换谱的对角序列作为重构信号;然后对重构信号进行稀疏编码收缩,减小噪声与低频杂波的干扰;最后对降噪信号做包络谱分析,提取故障特征频率,判定故障类型,实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明,该方法可有效提取轴承早期故障信号中的微弱故障特征,准确判断故障类型。

引入自监督机制的燃料电池水管理系统健康状态检测方法

为保证质子交换膜燃料电池(proton exchange membrane fuel cell,PEMFC)运行过程中的安全性和平稳性,该文提出一种引入自监督机制的燃料电池水管理系统健康状态检测方法。该方法的计算网络引入自监督机制挖掘数据特征,具体通过堆叠两层稀疏收缩自编码器(sparse contractive autoencoder,SCAE)实现功能。该自编码网络以逐层贪婪训练的方式完成参数初始化,避免因初值取值不佳使得网络参数训练陷入局部最优解。同时,改进的自编码网络也能有效避免模型过拟合,从而达到良好的特征提取效果。用Softmax分类器替换最后一个自编码器的输出层,然后运用Adadelta算法进行基于自适应学习率的自编码网络权值微调,从而完成系统识别网络的搭建。该算法根据梯度动态调节学习率大小,使得网络权值快速逼近符合数据特点的最佳取值。实验结果表明,该方法能快速准确地识别PEMFC正常、水淹和膜干3种状态,检测正确率高达98.5%,检测时间为3.24s。与线性判别分析-概率神经网络(linear discriminant analysis-probabilistic neural network,LDAPNN)、稀疏自编码器-支持向量机(sparse autoencodersupport vector machine,SAE-SVM)和主成分分析-向后传播神经网络(principal component analysis-backpropagation neural network,PCA-BPNN)方法相比,所提方法计算时间分别减少3.08、5.38和7.15s,准确率分别提高7.92、25.08和9.08%。普适性验证表明,该方法对于多节电池的健康状态检测同样适用。

基于深度收缩稀疏自编码网络的飞行员疲劳状态识别

飞行员的疲劳状态识别具有重要的研究意义和应用价值.针对飞行员疲劳状态识别的复杂性和准确性,提出一种新的基于脑电信号的飞行员疲劳状态识别深度学习模型.在对飞行员的脑电信号进行滤波分解的基础上,提取delta波(0.5～4 Hz)、theta波(5～8 Hz)、alpha波(7～14 Hz)和beta波(14～30 Hz),将其重组信号作为深度收缩稀疏自编码网络-Softmax模型的输入向量,用以对飞行员疲劳状态的识别,所得到的实验结果与深度自编码网络-Softmax模型和传统方法PCA-Softmax模型识别结果进行比较,结果表明所建立的深度学习模型具有很好的分类效果,分类准确率可达91.67%,且学习所得的特征稳定性好,验证了所提模型具有稳定性和重复验证性.

基于MEWT-ASCS的行星齿轮箱微弱故障特征提取

针对强噪声背景下行星齿轮箱早期微弱故障难以提取以及经验小波变换对信号频率区间边界划分不恰当以及不能有效确定模态数目的问题,提出了一种基于改进经验小波变换(modified empirical wavelet transform,简称MEWT)和自适应稀疏编码收缩(adaptive sparse coding shrinkage,简称ASCS)的早期微弱故障特征提取方法。根据信号频谱的尺度空间表示,将原始故障信号自适应地分解为一系列的窄频带本征模态分量。利用包络谱峭度(envelope spectrum kurtosis,简称ESK)值选择敏感分量,为了进一步凸显分量中的故障信息,使用ASCS算法对敏感分量进行稀疏降噪处理,从其包络谱中即可提取到清晰的故障特征频率成分。数值仿真和实际数据分析结果表明,本研究方法能够自适应地实现故障信号的模态分解并增强微弱的故障冲击特征。此外,与经验小波变换(empirical wavelet transform,简称EWT),EWT-ASCS和ASCS进行对比,本研究方法可有效提取包含故障信息丰富的分量,经ASCS处理后信号故障特征得到凸显,实现了行星齿轮箱早期微弱故障的准确识别。

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分析;基于变分模式分解的特性,构建一套完整的基于收敛趋势变分模式分解的齿轮箱故障诊断方法,并应用诊断方法于汽车变速器齿轮箱中齿轮早期局部损伤故障识别和齿轮接触疲劳试验机中齿轮箱故障诊断。研究结果表明:在变分模式分解算法中存在着收敛趋势现象,随着初始中心频率的逐渐增大,所提取模式的收敛中心频率与其相对应的初始中心频率具有特定的收敛关系;提出的方法无需参数先验知识,可自适应地将振动信号进行分解;试验1中提出的方法分解得到的故障分量峭度为3.056,优化处理后故障分量的峭度为24.812,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为2.830和2.421,快速谱峭度分析方法未能提取出故障分量;试验2中诊断方法分解得到的故障分量峭度为3.467,优化处理后故障分量的峭度为19.780,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为3.231和3.361,快速谱峭度分析方法未能提取出故障分量;提出的方法能够增强瞬态特征和故障特征频率,在齿轮箱故障诊断方面更具准确性和优越性。