采用自适应基因粒子群算法优化隐马尔科夫模型的方法及应用

针对隐马尔科夫模型参数学习算法易收敛于局部极值的问题,提出了一种自适应基因粒子群算法,并将该方法应用于隐马尔科夫模型的训练,实现对隐马尔科夫模型初始参数的优化。在基因粒子群算法的原理以及操作流程的基础上,采用了自适应的参数调整方法,提高了基因粒子群算法的优化性能。分析了所提方法的全局、局部搜索能力以及收敛速度,开展了不同状态滚动轴承的故障诊断实验和测试,并与基于粒子群算法优化隐马尔科夫模型初始参数的方法进行对比。实验结果表明,所提方法对正常、内圈故障、外圈故障以及滚动体故障轴承的诊断准确率均能达到100%,相比于基于粒子群算法优化隐马尔科夫模型初始参数的方法,最高将分类正确率提高了28.57%、分类离散度提高了268.58%,证明了方法的有效性和准确性。     

一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用

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,第一次在原信号空间看到了神经网络到底"学"到了什么。观察重构信号可知,卷积神经网络对信号特征的提取实际上就是对信号的一种分解,网络底层通道数对应信号分解时基的个数,通道内单个特征对应基分解时的时间点。提出的卷积自编码器以及对网络结构的分析可为后续科研技术人员构建卷积神经网络提供指导。     

盲源识别中偏态分量的分析方法

针对实际混合信号中许多分量具有偏态分布的特点，提出了一种用于该类混合信号的新的独立分量分析算法，该方法基于旋转原理，通过优化算法搜索最佳旋转角度，具有不需要循环迭代，计算量小的特点，通过盲源分离，由正弦与冲击信号混合的振动信号，证明该方法完全实用。同时，进行了实际混合声音信号的分离，并取得了好的效果。     

一种改进的随机减量信号提取方法

在分析了随机减量信号原理和提取的基础上,针对随机减量提取方法存在的问题,提出了一种改进的随机减量信号提取方法,并对改进的方法进行了证明;通过对实际数据的计算比较,说明了当信号长度一定时,改进方法可在一定程度上解决截取幅值和平均次数的矛盾。     

浅议公路桥涵地基承载力的检测

结合公路桥涵地基承载力的检测、检测依据以及评定中出现的问题,查阅了相关领域文献,通过对比、分析,并结合公路工程实践,提出了相应的地基承载力检测方法,为公路桥涵地基承载力检测提供参考。     

一种新的盲声源信号分离方法及其应用

从盲声源信号的独立性出发,提出了一种新的盲声源混合信号分离方法.该方法基于信号联合概率的分布统计,利用信号联合概率的方向导数熵最小获得最佳的旋转角度,最终实现盲信号分离.与快速独立分量分析方法及神经网络方法相比,该方法不需要迭代计算.采用新的盲声源信号分离方法对轴承试验台的混合声音信号进行识别,将电机和滚动轴承的声音分离出来,进而可以准确识别机械的故障.     

齿轮局部故障振动信号分析及提取方法研究

以齿轮局部故障为研究对象,建立了齿轮故障的振动模型,导出了齿轮局部故障的振动机理,分析了齿轮无故障振动信号和齿轮局部故障振动信号成分的异同点。在MATLAB环境下,采用小波变换算法对故障信号进行降噪处理,用希尔伯特变换对故障振动信号进行解调处理。结果表明,小波变换对强噪声干扰的机械振动信号能够进行有效的降噪处理,希尔伯特变换能从降噪后的故障振动信号中提取齿轮局部故障的特征信息。该结果在机械故障诊断中具有良好的实用价值。     

钻孔灌注桩的施工及监理

钻孔灌注桩是工程中常用的基础形式,其成桩质量对工程安全有着至关重要的作用。本文从施工及监理的角度,较为详尽地阐述了钻孔灌注桩的施工技术及质量监理的要点并对现阶段设计中存在的问题提出了个人意见。着重就钻孔灌注桩的施工工艺、施工准备、砼灌注过程的质量控制及常见的故障处理进行了简单讨论和分析,并提出了一些相应韵措施。张西宁