基于ARMA的滚动轴承振动数据预测

为实现对滚动轴承的振动数据预测,本文提出一种基于自回归滑动平均(ARMA)模型的预测方法。首先截取滚动轴承全寿命周期的早期无故障数据作为样本,计算截取样本序列的自相关系数和偏相关系数,然后采用最小信息准则(AIC)对ARMA定阶,运用最小二乘法估计参数建立ARMA模型,将轴承同工况与类工况下的数据输入到已建立的ARMA模型中,得到的轴承预测数据与实际故障数据进行对比,计算预测的准确率。结果表明:该方法可以准确预测轴承的实际状态,且同工况相对于类工况下的预测效果更优。     

结合CEEMDAN和灰度关联分析方法的滚动轴承性能退化评估

针对大型机械设备中滚动轴承容易发生故障的问题,提出一种将自适应噪声的完备经验模态分解(CEEMDAN)和灰度关联分析相结合的滚动轴承性能退化评估方法。首先利用CEEMDAN对轴承全寿命周期的振动信号进行分解,得到能量熵特征,其次以正常状态下的特征矢量作为灰度关联分析的参考序列,然后计算轴承全寿命周期内的特征矢量与正常特征矢量的关联度,作为性能退化过程的定量评估指标,结果表明该方法能及时发现早期故障,并能很好的描述轴承退化的各个阶段。最后利用基于CEEMDAN和Hilbert包络解调的方法对评估结果的正确性进行了验证。     

基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明：笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S_SNR=-4～6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。     

钢绞线局部锈断混凝土梁疲劳性能试验研究

针对预应力混凝土桥梁中钢绞线局部锈蚀造成疲劳性能退化问题,制作了6根预应力混凝土梁,对其中4根不同钢绞线锈断位置的试验梁进行电化学加速锈蚀试验、静力加载和疲劳加载试验,研究了钢绞线断裂后预应力混凝土梁的疲劳性能退化机理和力学性能退化规律,分析了混凝土表面裂缝扩展、荷载-挠度关系及疲劳寿命.研究结果表明:L/4锈断位置处...     

基于贝叶斯网络的驾驶疲劳程度识别模型

国内外学者大多采用单一类型指标对驾驶疲劳程度进行判断。为克服单一指标检测的不稳定性,构建基于贝叶斯网络的驾驶疲劳程度识别模型。将驾驶环境属性、驾驶人个体属性和原始疲劳属性作为模型输入层变量。选择脑电指标、心电指标、眼动指标、驾驶绩效指标作为模型输出层变量。将清醒、轻度疲劳、重度疲劳三种驾驶疲劳程度作为隐含层变量。采用模拟驾驶方法进行实验,得到不同实验对象各个时刻不同疲劳程度的概率。将利用单一指标和贝叶斯网络模型得到的驾驶人疲劳程度与主观疲劳测评结果进行对照,证明贝叶斯网络模型不仅能消除单一指标失效时产生的误判和漏判,而且可提高识别的准确性。     

基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法

针对牵引电机轴承健康评估中带标签的全寿命周期振动数据获取与可反映轴承性能退化趋势的健康指标构建困难的问题，提出了一种基于迁移学习和卷积神经网络的牵引电机轴承健康评估方法；采用迁移学习，以带标签的轴承全寿命周期数据集为源域数据，以综合试验台数据为目标域数据，构建数据集；采用欠采样与合成少数类过采样技术对全寿命周期数据集进行扩充与平衡，得到了卷积神经网络训练所需的有效样本数量；在时域和频域上提取描述轴承退化过程的特征，利用卷积神经网络，遵循轴承性能退化规律的浴缸曲线，对基本特征进行融合，构造了健康评估指标。分析结果表明：在电机轴承轴电流损伤的健康评估中，所提出的基于迁移学习和卷积神经网络的健康评估方法的准确率为98.17%,遵循直线型、二次函数型和抛物线型退化规律构建健康指标的方法的准确率分别为86.61%、89.56%、91.30%,因此，所提评估方法准确率最大，具有更佳的评估效果，并且实现专家知识与神经网络学习知识的结合，降低了故障特征维度，解决了健康指标构建困难的问题，通过跨设备迁移学习实现了牵引电机轴承的健康评估。     

基于BP神经网络的沥青混合料疲劳性能预测模型

以MATLAB为平台,搭建了一种单隐层结构的BP神经网络沥青混合料疲劳寿命预测模型。模型以沥青含量、空隙率和应变水平3个指标作为输入项,疲劳寿命作为输出项。进行了不同试验条件下的四点弯曲疲劳试验,将试验数据归一化处理后得到27组数据用于训练。训练后的神经网络疲劳寿命预测模型拟合优度R2可达到0.91。采用同一组数据对传统的疲劳方程模型进行拟合,并对比两者的预测效果,各项统计指标均显示神经网络模型预测结果明显优于疲劳方程模型,且神经网络还具有疲劳方程所不具备的指标权重分析的功能。     

基于支持向量回归的图像复原方法研究

针对退化图像复原问题,提出了一种基于支持向量回归的退化图像复原方法.该方法利用支持向量机回归算法非线性映射能力,通过训练样本对的学习训练,在退化图像与原始清晰图像之间建立映射关系,然后对测试样本进行复原.实际图像复原实验表明,得到的复原图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,支持向量机回归算法克服了神经网络的模型选择与过学习问题、局部极小问题等.     

基于参数敏度分析的轮毂轴承寿命多目标优化

为提高某型第三代轮毂轴承受载疲劳寿命,以额定动载荷和额定静载荷作为响应指标,采用正交试验设计对轮毂轴承结构参数进行灵敏度分析,以轮毂轴承滚珠数量、滚珠直径、节圆直径及内外沟曲率半径等主要影响因素作为设计变量,建立轮毂轴承疲劳寿命多目标优化数学模型。分别采用非劣排序遗传算法(NSGA-II)、多岛遗传算法(MIGA)和最优化粒子群优化算法(MOPSO)进行优化求解,得到了轮毂轴承最优结构设计参数,采用有限元仿真分析方法对优化前后的旋压铆合装配成形轮毂轴承疲劳寿命进行对比验证。结果表明：上述优化策略实现了由2个目标函数主导的轮毂轴承整体性能提升,改善了轮毂轴承各组件的应力集中情况,提高了轮毂轴承的疲劳寿命,优化后结构最大应力较初始设计降低了约5.1%,寿命较初始设计结构增加了约3.8%,表明轮毂轴承的疲劳寿命多目标优化设计是有效的。     

基于ROC曲线的驾驶疲劳脑电样本熵判定阈值研究

为了获得客观而准确的驾驶疲劳判别阈值,采用驾驶模拟实验研究方法,采集驾驶员在清醒及疲劳状态下的脑电信号,对比分析不同状态下脑电信号的时域特征,选取表征信号复杂程度的样本熵作为驾驶疲劳判别指标,并利用受试者工作特性曲线(receiver operating characteristic curve, ROC)分析方法,确定基于脑电信号样本熵值的驾驶疲劳判别阈值.研究结果表明:脑电信号样本熵值处于区间(0.32,0.71)时,驾驶员处于疲劳过渡时期,可能出现疲劳特征;脑电信号样本熵值小于阈值0.605时,判定驾驶员处于驾驶疲劳状态,准确率为0.95,该值可作为基于脑电信号样本熵的驾驶疲劳判定阈值.      

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。      

模拟轮载作用下钢桥面板RD节点疲劳寿命计算方法对比分析

为深入研究RD(rib-deck)节点的疲劳性能，通过模拟车轮荷载对RD节点实施中心加载，得到了相应热点应力幅下的节点疲劳寿命。采用ABAQUS建立了钢桥面板RD节点的三维实体有限元模型，在有效数值模型的基础上，分别采用热点应力法和临界距离理论对RD节点的疲劳寿命进行了对比分析。研究结果表明：同一精度网格下采用两点外推法和三点外推法得到的热点应力结果比较接近，而采用临界距离理论的点法得到的特征应力则小于线法得到的特征应力；采用国际焊接协会（IIW）推荐的FAT 90曲线得到的评估结果过于保守，而FAT 125曲线的预测结果相对接近试验值。临界距离理论相比热点应力法能得到更准确的预测结果，其中点法和线法得到的预测值与试验值分别相差17%、32%；总体而言，热点应力法和临界距离理论均能得到相对保守的疲劳寿命预测结果，两种方法用于钢桥面板典型焊接节点的疲劳性能评估是可行且偏于安全的，但点法的预测精度更高，且实际应用中也较为便捷。     

基于不同加载模式的沥青零剪切粘度研究

为了得到合理的评价沥青高温性能的指标,通过对不同沥青的动载和静载试验,分析了零剪切粘度(ZSV)在不同加载方式下的变异,研究了该指标对于评价沥青高温性能的适用性和可行性,评价了不同流变模型对高温性能拟合参数的影响。分析结果表明:通过动态频率扫描的图形外延可以直接得到基质沥青的ZSV值,改性沥青在低剪切速率下无法进入粘性流动状态,不能通过试验的图形外延直接得到零剪切粘度;采用静态加载拟合得到的ZSV值均小于动态加载的ZSV值,但通过Carreau模型对动载试验结果进行拟合与通过离散延迟谱对长时间静载蠕变试验结果进行拟合的ZSV值相关性最好,可以共同作为沥青路用性能的高温评价指标。     

基于路面加速加载的沥青路面疲劳损伤预估模型标定方法

为提高工程应用中沥青路面疲劳损伤预估模型的可靠性，提出了一种结合小型试件试验与足尺路面加速加载试验的模型标定方法；基于路面疲劳损伤发展特征分析，提出采用非线性增量递归法的沥青路面累积疲劳损伤分析方法，适用于疲劳损伤预估模型由小尺寸试验向足尺试验条件的转移与外推；基于小尺寸试件试验疲劳寿命预估模型构建了足尺沥青混合料层疲劳损伤预估模型，利用疲劳寿命预估模型转移方程实现足尺路面加速加载条件下的疲劳损伤预估；为确定模型转移方程，提出了基于路面加速加载试验的疲劳损伤标定方程，推导了疲劳损伤预估模型待定系数标定方法；利用重型荷载模拟器实施了级配碎石组合式基层沥青路面足尺试验路段加速加载试验，结合路面钻芯试样动态模量与四点弯曲疲劳试验，标定和验证了沥青混合料层的疲劳损伤预估模型。研究结果表明：非线性增量递归法可考虑材料非线性、性能衰减和加载历史对结构层疲劳损伤累积的影响，符合实际路面疲劳损伤发展规律；利用标定确立的疲劳损伤预估模型可以预测试验路不同加载区间沥青混合料层的累积疲劳损伤，50%和90%的预测值相对实测结果的误差分别小于3.1%和20.0%,表明该预估模型具有一定可靠性；提出的模型标定方...     

沥青稳定碎石疲劳性能关键影响因素分析

为了确定影响沥青稳定碎石基层疲劳性能的关键因素,基于ATB25与ATB30两种密集配沥青稳定碎石混合料,选择9种集料级配、3种沥青,以13种混合料试件的10项材料试验数据为参考列,以沥青稳定碎石疲劳方程中的k值与n值为比较列,进行影响沥青稳定碎石疲劳性能的灰熵分析,得到不同参数对沥青稳定碎石疲劳性能影响的显著程度,并在此基础上运用对应分析的统计学研究方法对相关结论进行统一.研究结果表明:沥青混合料的沥青饱和度、油石比这两项因素是影响沥青碎石稳定基层疲劳性能的最关键因素;沥青饱和度影响着沥青体积百分率和矿料间隙率,而油石比的变化会导致沥青饱和度和沥青膜厚度随之变化,从而显著影响沥青混合料的疲劳寿命.     

基于MR-DCA的滚动轴承微弱故障诊断

【目的】针对滚动轴承微弱故障难以识别的问题,提出了一种基于MR-DCA的滚动轴承故障诊断方法。【方法】利用最大相关峭度解卷积以及共振稀疏分解的方法对输入样本进行预处理,可以有效地滤除原信号中的噪声,突出故障冲击成分。将所获得的故障分量的二维时频图以及原始信号作为网络的训练样本,经两个特征学习模块后,使用注意力机制对输入特征进行筛选,通过权值重分配可以有效地提高模型计算效率和识别精度。为了验证模型性能,使用某大学的滚动轴承微弱故障数据进行故障诊断分析,同时开展消融实验,对诊断模型各个模块的有效性进行验证。【结果】结果表明,所提出的方法识别准确率更高,且具有更快的训练速度和迭代速度。【结论】所提模型在进行滚动轴承微弱故障诊断时可以实现良好的诊断性能。     

沥青混合料粘弹性疲劳本构模型

采用疲劳应力分解的方法,把总的疲劳效应分解为一个蠕变效应和一个简单疲劳效应的叠加,利用粘弹性力学的积分型本构关系、动态性能以及模型理论,得到了沥青混合料的粘弹性疲劳本构模型。最后,基于应力控制的疲劳试验,运用O rigin软件的非线性曲线拟合功能,对试验结果进行了拟合,理论模型与试验结果吻合较好,证实了该模型的可行性,并对该模型进行了推广。     

基于改进残差网络的齿轮箱故障诊断研究

深度残差网络中的残差模块能较大程度解决特征的丢失和损耗问题,从而能够搭建更深的层数来改善神经网络的训练效果,但是冗余噪声会干扰机械故障诊断精度.残差收缩模块(RSNB)利用注意力机制根据重要程度不同来对特征进行加权,自动地给各个样本设置不同的阈值,在降噪的同时最大程度的保护数据的原始特征.为加快网络训练速度,引入权值均...     

基于峭度与谱峭度的铁路轴承性能测试技术分析

研究了峭度和谱峭度对轴承性能的测试技术,设计了对新轴承的性能测试方法,利用一台试验机同时对两个轴承进行对比试验.利用经验模态分解(EMD)对信号进行降噪处理,通过对比两个轴承振动信号的峭度值对其性能进行初步判断,针对峭度值异常的信号再进行谱峭度分析,定位导致峭度值异常的频带范围.试验结果表明:在振动峰值和有效值正常的情况下,峭度和谱峭度可以有效的检测出轴承的异常,为铁路轴承的出厂质量评价提供了一种切实可行的方法.     

基于GRNN神经网络的ZigBee室内定位算法研究

基于固定参数的无线信号传播损耗模型的定位算法,不能很好解决由于多径传播效应和环境复杂性所带来的测距误差问题。提出使用GRNN神经网络来拟合室内RSSI值与距离值之间的映射关系,得到RSSI值与距离值的映射模型,再将定位实验中实测的RSSI值作为训练好的GRNN神经网络的输入层,在输出层得到与RSSI值相对应的距离值,最后使用加权质心算法来进行待测节点的定位。该算法不仅简单而且性能良好,并且不需要额外的硬件。经过Matlab和ZigBee实验仿真验证,与路径损耗模型和基于BP神经网络的定位算法相比,所提出的算法可以提供较好的定位结果。