采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法.该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度.根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构.实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高.

在旋转机械的智能故障诊断中,复杂网络结构的非监督学习方法调节参数多,训练时间长,而结构简单的网络诊断准确率不够理想。针对以上问题,采用模糊信息粒化和稀疏自编码器搭建并行结构的学习网络,并行结构的稀疏自编码器同时对粒化后重新构成的多个有效参量信息自适应的进行特征提取,随后使用随机森林方法对提取的特征进行融合分类。实验结果表明该方法可以有效实现高精度故障诊断;且与常用的串行多网络处理结构相比,降低了网络参数调节的复杂度和多层网络的前后影响,并且提高了诊断精度,减少了训练时间。

通过经验公式计算得到高频电磁铁基本结构参数;利用电磁仿真软件Ansoft分析了电磁铁在静态磁场下的行程力特性并据此对隔磁环、挡铁和衔铁进行了优化设计;最后分析了在瞬态磁场下复位弹簧和衔铁对电磁铁高频特性的影响对电磁铁复位弹簧参数进行了优化最终仿真得到电磁铁的最大运动频率。