针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。

针对飞机起落架液压系统故障诊断精度低,深层故障特征提取困难的问题,提出了一种基于双路特征融合卷积神经网络(TSFFCNN)与粒子群优化支持向量机(PSO-SVM)结合的起落架液压系统故障诊断模型。该诊断模型以起落架多节点压力信号作为输入,采用一维卷积神经网络(1DCNN)与二维卷积神经网络(2DCNN)并行多通道网络结构自适应提取深层特征信息,并在融合层将深层特征信息融合,通过优化后的SVM分类器对融合特征进行故障分类。为验证所提诊断模型的故障分类效果,基于AMESim搭建了典型飞机起落架液压系统仿真模型,构建了几种典型故障类型数据集。基于仿真数据的诊断结果表明,所提故障诊断算法精度能达到99.37%,能够有效实现起落架液压系统故障诊断;与其他智能算法对比,基于TSFFCNNPSO-SVM故障诊断模型具有更好的平稳性与可靠性,诊断精度更高。

由于启闭机液压系统内部结构复杂,故障信号不易采集,使用AMESim软件搭建启闭机液压系统仿真模型,构建6种典型故障数据集。基于这些数据集,提出一维卷积神经网络(1 Dimensional Convolutional Neural Network,1DCNN)与门控循环单元(Gated Recurrent Unit,GRU)相结合的故障诊断方法,利用1DCNN提取信号数据的空间特征和GRU提取信号数据的时间特征,实现对信号数据空间及时间特征的融合,并对融合特征进行分类识别。

为实时了解船舶发动机故障的位置、原因等,提升故障判定的时效性,设计了一种在线油液监测船舶发动机故障的方法。该方法通过集成传感器系统监测船舶发动机油液的黏度、含水量、磨粒浓度3种特征信息,基于Parzen窗法设置特征信息的故障判断界限值,利用Weka软件提取特征信息样本数据和规则,构建船舶发动机故障诊断知识库并判定船舶发动机故障。实验结果表明,用所提方法判定的船舶发动机故障与人工诊断结果完全一致。

三维模型检索技术可提高产品设计效率,减少设计时间。针对形状分布算法(D2)只适用于全局特征检索而对局部特征描述不足的缺点,文中提出一种融合局部特征和全局特征的三维模型检索方法。首先,运用蒙特卡洛算法在模型表面随机取点,计算随机点对间的D2距离和协方差距离,然后联合统计两种特征距离的分布概率,形成距离分布矩阵。最后采用Manhattan距离度量距离分布矩阵的相似性。实验结果表明,该算法可实现机械三维模型检索,检索性能明显优于两种经典算法。

为快速、准确地检测工业生产中工件表面产生的缺陷,提出了一种基于Yolo V3的工件表面缺陷检测方法。该方法以DarkNet卷积模型作为特征提取网络,通过引入数据增强方法防止产生过拟合现象,并针对工件表面缺陷形状单一、缺陷尺寸普遍偏小的特点改进了Yolo V3网络的特征融合方式,减少了冗余候选框的数量,提升了算法性能。以环形工件作为检测对象搭建了实验平台。实验结果表明,所提方法能克服人工提取特征的局限性,检测精度和检测速度均满足实际生产要求。

随着机械设备的精细化和复杂化,用于监测其运行状态的传感器数量和类型不断增多,为了能有效地将多传感器信息融合,补全时间和空间上的信息,提高传感器信息的可靠性,提出了一种基于最大信息系数的动态加权特征融合的齿轮故障诊断方法。利用小波包变换对多传感器采集到的振动信号分解到时频域;计算时频域的特征,通过最大信息系数计算各传感器的权重并以并联融合的方式对特征进行融合;将融合后的特征输入到支持向量机模型进行故障分类。实验证明,融合后的特征聚合度更好,更有利于分类;在两种转速条件下,融合后的故障诊断准确率分别达到了87.72%和99.16%,动态加权融合的诊断效果好于定权重融合的诊断效果。

为准确预测轴承的剩余使用寿命,提出基于特征融合与猎食者-猎物优化(HPO)算法优化相关向量机的轴承剩余寿命预测方法。提取时域、频域和时频域特征准确描述轴承的退化状态,利用综合评价指标对提取的特征进行筛选得到敏感特征集;采用核熵成分分析对敏感特征进行自适应融合,得到轴承的退化特征;构建混合核函数作为相关向量机的核函数以提高模型预测性能;最后,利用HPO算法得到混合核函数的参数,将寻优得到的参数用于寿命预测模型的训练。通过对轴承加速退化数据集进行实验,结果表明:所构建的寿命预测模型优于BP、ELM、SVM等模型,构造的混合核函数模型优于高斯核函数模型,采用的优化算法优于粒子群、遗传算法等。

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明:所提出的方法比对比模型的预测准确率更高,泛化能力更好。

为提高再制造损伤评估的精度和效率,提出了一种基于磁记忆和表面纹理特征融合的构件损伤评估方法。通过磁记忆特征和表面纹理特征建模,提取磁信号及其梯度的样本熵参数以及表面纹理的能量、熵、反差和相关参数,分析了各特征参数的损伤时序变化规律。分别从数据层和指标层建立特征融合模型。在数据层将磁特征和表面纹理特征参数作为非线性映射的输入,得到其与损伤之间的映射关系。指标层采用D-S证据理论方法,进行磁和表面纹理特征量之间的信息融合,将各损伤状态作为识别框架,通过Bayes近似,得到融合后的各证据信度函数值,并依据函数值进行损伤状态评估。最后选取疲劳试样进行了该方法的验证。