为了提高非平稳性轴承振动信号特征提取能力及故障诊断效率,提出了小波包结合BP神经网络的轴承故障诊断方法,将小波包对振动信号进行分解与重构,将不同频段的能量为特征参数作为BP神经网络的输入。提出通过神经网络隐层不同节点对应的平均迭代次数和网络性能作为隐层节点数选择的依据选择隐层节点个数,摆脱了经验公式选择节点数导致迭代次数高、精确率较低的缺陷,同时通过遗传算法优化神经网络初始权值和阈值,提高收敛速度并克服会陷入局部最小值等缺点。以实验室实测故障轴承数据为对象分析,对比传统BP与GA-BP的诊断效率及精确度,验证了小波包结合改进BP神经网络进行轴承故障诊断的可行性。

针对滚动轴承振动信号故障难以识别的问题,创建一种应用改进鲸鱼优化算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先将轴承振动信号特征通过VMD的方式提取;其次,为改进鲸鱼优化算法,采取精英反向学习策略增强种群的广泛性,选用非线性因子并加入随机扰动策略增强探索能力;通过4组基准测试函数,将IWOA与4种优化算法对照分析,验证了此改进算法的优越性;最后,将SVM的惩罚参数和核函数参数放入IWOA中,构建IWOA-SVM故障分类模型。故障诊断的结果表明,用IWOA-SVM分类模型在故障诊断中拥有更好的效果,准确率达到100%。

针对功率模块在振动环境下的可靠性问题,采用多组实验对比的方法,利用有限元软件ANSYS研究了随机振动环境下基板厚度、面积和焊料层厚度对功率模块焊料层的影响。然后在此基础上进行热振耦合对功率模块焊接应力的影响研究并做初步分析。研究发现,当基板厚度增加、面积减小时,焊接层的应力减小。当基板焊料层厚度增加时,基板焊接应力减小,而芯片焊接应力变化幅度不大。此外热负载会使随机振动对焊接应力的影响变小,可靠性增加。

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分

针对旋转机械高维故障数据难以被准确辨识的情况,提出了一种基于主元分析（principal component analysis,PCA）和K近邻（K-nearest neighbour,KNN）算法的旋转机械故障识别方法。合理选取出各状态信号的时域、频域特征指标构造成高维特征空间,输入给主元分析算法进行降维处理,提取出低维敏感特征,将约简后的状态样本输入给KNN算法进行故障识别。滚动轴承和转子的实验结果表明,该方法能够很好的约简高维故障样本特征,在实现样本数据可视化的同时准确识别出各故障样本。与传统方法相比,该方法具有结构简单、识别率高等优点,对机械故障诊断研究具有一定的工程意义。

根据变分模态分解（VMD）在信号处理上的良好特性与隐马尔可夫模型（HMM）在时间序列上的分类能力,提出了一种基于VMD分解与HMM模型相结合的滚动轴承磨损状态识别方法。该方法利用VMD对轴承各个磨损时期信号进行分解,进而计算VMD分解后各IMF的能量熵,依次提取轴承振动信号的各层IMF能量熵构成特征向量序列,每种状态随机选取20组（共80组）输入HMM模型训练,剩余的特征向量序列进行测试,通过对比对数似然概率值来判别磨损状态。实验结果表明该方法能够准确分辨出轴承的磨损状态,与EMD-HMM、谐波小波样本熵HMM模型进行了对比,验证了该方法具有识别性高准确性强的优点。

总结和分析了听觉模型的发展历程以及研究听觉模型的重要意义,介绍了听觉模型的工作原理。着重论述了听觉模型在语音识别方面的重要技术和成果,并根据机械振动信号与语音信号相似的特点,认为在机械信号分析方面,听觉模型有很大的发挥空间。最后探讨了听觉模型的发展前景。

该装置采用STC89C52单片机为核心芯片, 利用太阳能板进行供电, 通过对土壤湿度信号的采集、 转换、 处理来实现对土壤湿度的监测和显示, 利用继电器控制小水泵实现自动浇灌功能, 通过对雨水信号的检测、 处理实现雨水收集功能, 利用浮球开关检测水位, 利用GSM模块实现低水位报警功能,并给出系统流程图和电路框架图.

中耳是声音传导的很重要部分,主要包括耳膜和听小骨两部分,听小骨具有当输入振动信号经听骨链的传递后,锤镫骨位移比缩小,角加速度比放大的功能。文中介绍了听小骨的结构及工作原理,叙述了听小骨的研究现状,并对其在机械振动领域应用的可行性进行了阐述。

为解决EMD(经验模态法)在应用时存在的缺陷如端点效应和模态混叠现象问题,采用EEMD(集合经验模态法)与小波包相结合的方法对液压管道振动信号进行研究,通过小波包对原信号降噪、压缩小波包系数,并将信号进行重构,再将重构的信号进行EEMD分解之后计算与重构信号的相关系数,选择系数大的进行Hilbert(希尔伯特)包络谱分析.以Case Western Reserve University Bearing Data Center轴承数据和液压机实测信号进行分析,检测出相关故障频率,证实该方法切实有效,能更准确地对液压系统故障进行诊断分析.