基于声纹的GIS断路器机械故障诊断

针对气体绝缘开关设备(gas insulated switchgear,简称GIS)断路器声信号易受强背景噪声干扰且特征提取困难的问题,提出一种可以有效诊断其机械故障的方法。首先,使用多通道声传感器阵列采集断路器原始观测信号,利用独立成分分析(independent component analysis,简称ICA)方法将观测信号分离为多维源信号,并选取源信号中模糊熵最小的分量作为特征信号;其次,计算特征信号的多尺度模糊熵(multi‑scale fuzzy entropy,简称MFE)生成断路器的声纹特征;最后,利用极限学习机(extreme learning machine,简称ELM)算法识别断路器的故障。实验结果表明,基于声信号的检测方法为GIS断路器的机械故障诊断提供了一种新的解决方案,所提出的算法能够有效提取声纹特征,故障诊断准确率较传统方法有明显提高。

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。

基于非线性预测滤波算法的疲劳裂纹扩展预测

针对传统Paris疲劳裂纹扩展模型预测精度低、无法考虑裂纹扩展过程中各种不确定因素影响的问题,提出一种基于非线性预测滤波算法的疲劳裂纹扩展预测方法。使用基于Paris公式的状态空间方程表征裂纹扩展过程,采用基于Lamb波的监测技术构建观测空间方程,利用实时观测信息修正模型预测值。最后通过Q235钢试件的单边疲劳裂纹扩展实验验证了该预测方法的有效性。实验结果表明,非线性预测滤波算法在疲劳裂纹扩展预测中可以有效地修正Paris公式的预测误差,其预测精度高于扩展卡尔曼滤波和粒子滤波算法的预测精度,同时算法效率较粒子滤波算法有明显提高。

基于IDACL深度度量学习的零件表面缺陷检测

针对深度度量学习模型应用于机械零件表面缺陷检测存在易受噪声标签干扰、训练时间长、分类精度不高等问题,提出了一种基于改进深度注意中心损失(IDACL)的深度度量学习方法.首先,用O2U-Net模型对样本数据进行清洗,减少噪声样本对模型训练的影响;然后,将O2U-Net模型参数迁移至深度度量学习模型,并提取各类样本中心作为深度注意中心损失的初始类中心;最后,根据样本点与类中心的距离设置权重以优化损失函数,提高模型的分类精度.中间壳体零件表面缺陷的实验结果表明,提出的方法相较其他方法具有更快的训练速度和更高的检测精度.