由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

可持续制造理念的关键要素之一就是减少能源、水、物料资源的消耗。研究结合能量流和物料流分析,从综合资源损耗的角度评估切削过程可持续性。引入热力学[火用]分析方法,在统一的指标下量化能量流和物料流,建立了切削过程[火用]损失模型,以总[火用]损失作为衡量资源损耗指标。为了揭示切削液和切削参数对切削过程综合资源损耗的影响,进行了干车和湿车加工实验分析。研究结果表明(1)车削过程的物料流[火用]损失是主要的资源损耗,降低物料资源消耗是减少切削过程[火用]损失的优先选择;(2)总体上湿车过程总[火用]损失更大,切削液的使用从能量和物料两方面增大了湿车过程总[火用]损失;(3)干车和湿车过程的总[火用]损失在一定范围内随着切削速度增大而减小,变化逐渐趋于平缓;(4)随着切削速度增加干车和湿车过程总[火用]损失的差值逐渐减小,...

滚珠丝杠副预紧力丧失将导致机床进给精度及加工质量受到显著影响,实时监测滚珠丝杠副预紧力的变化并对其健康状态作出诊断具有重大意义。提出了一种将EMD（Empirical Mode Decomposition）与MSE（Multi-Scale Entropy）相结合的信号处理方法进行预紧力丧失的故障诊断;设计了一种新型双螺母预紧力调节装置,用于采集不同预紧力水平下的螺母振动信号,通过EMD分解得到振动信号第一特征频率附近的IMF（Intrinsic Mode Function）分量,接着计算该IMF多个尺度下的熵值,分别以多尺度熵值与第一特征频率为特征向量建立BP神经网络进行预紧力丧失的诊断。诊断结果表明,以多尺度熵作为故障诊断特征向量时,神经网络的诊断正确率相比后者提高了50%。研究结果可用于基于振动特征的滚珠丝杠副预紧力丧失的故障诊断,对于促进滚珠丝杠副健康状态监测方法的发展具有重大意义...

支持向量机（support vector machine,SVM）应用于轴承故障诊断前,首先要提取轴承的特征信号.在以往的特征信号提取中,往往是依据已有的知识模型进行特征筛选.随着近年来深度神经网络（deep neural network,DNN）的应用与推广,自动编码器（auto-encoder,AE）在特征提取方面的优势尤为突出.作为一种无监督的学习方式,AE能够基于数据驱动提取信号的特征值,使得特征提取不再依赖于先验知识,从而让整个故障诊断过程更具智能化.本文运用改进的AE、去噪自动编码器（denoising autoencoder,DAE）,进行轴承信号特征提取,并用SVM进行故障诊断.最终与基于经验模态分解（empirical mode decomposition,EMD）能量熵的SVM对比,反映具有无监督学习方式的DAE-SVM在轴承故障诊断方面的优越性,诊断准确率接近100%.

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。