基于VMD-DSSC的轴承故障诊断

针对大数据背景下轴承故障诊断中有标签样本少的问题,设计了深度半监督小样本分类器并用于轴承故障诊断。首先,采用受限玻尔兹曼机构建深度学习分类器,利用无标签样本完成参数预训练,结合有标签样本调优参数,获得准确的分类模型。然后,改进激活函数,解决梯度消失问题,提高收敛速度,增强分类性能。最后,利用变分模态分解将信号分解为一系列本征模态函数,并提取样本熵作为故障特征输入至分类器实现故障模式识别。轴承故障诊断实验及风电机组高速轴承故障诊断结果表明,深度半监督小样本分类器能够充分利用无标签样本及有标签样本实现轴承故障模式识别,并具有故障诊断准确率高、稳定性好、耗时少、实时性好等优点,为轴承故障诊断提供了一种新方法,亦可用于数据清洗,为智能故障诊断提供有效样本。

基于LPC1549的智能超声波气泡传感器

针对输液泵、透析机、心衰超滤治疗设备等精密医用仪器管路气泡检测中的使用的传统超声波气泡传感器,提出了脉冲超声波加窗检测算法,增加了管路控制和通信功能,基于微控制器LPC1549设计了智能超声波气泡传感器。在心衰超滤治疗设备上运行测试,结果表明所设计的传感器具有气泡检测快速准确、管路控制稳定、通信及时、结构简单等优点,可推广至其他医疗仪器实现气泡检测。

多维能量熵在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断方法存在准确率低和不易实施的难题,通过优化基于双树复小波的滚动轴承故障特征提取方法,提出了一种多维能量熵的特征提取方法,并用于滚动轴承故障诊断。搭建滚动轴承故障模拟实验系统对所提方法进行了实验分析,结果表明,多维能量熵能够准确反映滚动轴承运行状态,结合一定的模式识别方法能够有效识别滚动轴承故障。