针对工程实际中的故障诊断受限于零部件故障先验知识缺乏、振动信号调制及噪声成分复杂等问题,提出了一种滚动轴承故障诊断的自适应形态学滤波方法。在对基本形态算子和组合形态算子原理分析的基础上,利用非线性滤波器幅频响应分析法,获得了不同形态算子的滤波特性,定量分析了结构元素尺度参数对滤波效果的影响。对典型的滚动轴承故障模型及振动信号进行分析,获得了故障轴承运行的主要特征,确定了结构元素尺度参数选定策略,数值仿真实验验证了该方法的可行性。进行滚动轴承实验振动信号分析,结果表明,与参数优化的组合形态滤波差值算子(CMFH)相比,所提方法至少将信号的特征幅值能量比提高了29.8%、算法效率提高了50.0%,可清晰、准确、快速地将滚动轴承外圈和内圈的故障特征呈现出来,进一步证明了该方法在机械故障诊断应用上的可靠...

为了解决卷积神经网络权值往往只能随机初始化的问题，提出了一种卷积自编码器。以卷积池化过后的特征为权值，对反卷积核进行叠加，叠加步长为池化时的长度，将信号重构回原信号空间。以原信号与重构信号的差值最小为目标，对卷积核和反卷积核进行优化。进一步，编码特征可以作为新的输入，利用同样的方式进行编码，依次循环，最后给网络加上全连接网络和分类器，用少量带标签样本进行微调，形成具有复杂特征提取能力的深度卷积自编码网络。将该网络用于滚动轴承故障识别，将时域振动信号直接输入网络，在公共数据集——西储大学轴承数据集以及实验室实测数据集上均取得了比传统卷积神经网络要好得多的识别效果，例如在实验室实测数据集上将识别精度从0．799提高到了0．921。将底层提取到的特征通过反卷积核逐层重构，第...

针对常用的无监督聚类分析方法中存在的问题,提出了一种基于分子结构设计理论的聚类分析方法。该方法借鉴分子结构设计理论模型,将故障样本空间看作分子系统,将故障样本看作分子系统中的原子,以故障样本之间的差异度作为分子势能的度量指标,在故障样本间＂相互作用势＂的影响下,以样本间＂势能＂最小为依据,调整故障样本在映射平面上的位置,从而获得最佳的聚类效果。开展了不同状态滚动轴承振动测试实验,聚类结果表明,相比于SOM聚类方法,该方法将聚类有效性指标DB值降低49.04%。将该方法应用于柴油机故障振动数据的聚类中,实验结果表明聚类效果良好,能够有效地将不同故障的数据区分开,验证了该方法的可行性和有效性。