VP型宽频带倾斜仪故障信号的BBA-SOM智能诊断

针对现有VP型倾斜仪故障诊断主要依靠人工经验和诊断流程较为复杂的问题,提出以互补集合经验模态分解(complete ensemble empirical mode decomposition, CEEMD)多尺度近似熵和二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络参数的VP型倾斜仪故障诊断新方。首先,将归一化后的仪器故障信号进行CEEMD分解,对6阶本征模态函数(intrinsic mode function, IMF)求取多尺度近似熵值;然后将网络输入法按比例分为训练集和测试集,以训练集的识别率为适应度函数,应用二进制蝙蝠算法(binary bat algorithm, BBA)优化SOM神经网络的竞争层维数和网络训练次数;最后应用上述得到的BBA-SOM网络模型对倾斜仪故障特征数据进行辨识。实验表明：CEEMD多尺度近似熵判据对倾斜仪故障特征的区分效果符合预期;相对于朴素贝叶斯、AdaBoost集成学习与LDA等学习模型,BBA-SOM模型可以准确进行故障诊断;该方法对实现VP型倾斜仪故障的自动诊断有重要现实意义。     

基于改进小波包结合CS-BP的地面驱动螺杆泵故障诊断

针对目前地面驱动螺杆泵故障诊断存在效率不高、精度不足、损耗资源的问题,提出通过引入功率谱细化的思想改进小波包变换,再结合布谷鸟搜索(cuckoo search, CS)优化反向传播(back propagation, BP)神经网络的诊断方法。首先,通过改进的小波变换对螺杆泵有功功率分解重构得到特征向量;其次,与瞬时流量、进口回压等参数进行归一化处理,作为BP神经网络的输出层信息;再次,使用布谷鸟搜索寻优得到BP神经网络的权值和阈值,建立CS-BP故障诊断模型;最后,应用于螺杆泵不同故障类型的诊断,并通过与目前的主流诊断方法进行诊断效果的分析比较。结果表明,对于螺杆泵不同类型故障诊断的平均精度达到95.6%,对比分析证明了所提方法的可行性与优越性。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

包裹碎石桩在粉质黏土地基中的承载特性研究

为了探究包裹碎石桩对粉质粘土地基的加固效果,本文基于模型试验和数值模拟方法,对包裹碎石桩与传统碎石桩复合地基承载力特性进行了研究,并分析了碎石模量、碎石内摩擦角和土工格栅刚度等参数对包裹碎石桩复合地基承载及变形的影响。结果表明：传统碎石桩复合地基在荷载小于20kPa时,沉降增大不明显。当荷载大于30kPa时,沉降迅速增大,复合地基失稳破坏;在一定的粒径范围内,相同级配下,碎石粒径越大,碎石桩整体变形越小,承载能力越高;包裹碎石桩的碎石模量在高应力状况下,对复合地基沉降的影响效果较为明显。当桩土模量比大于30时,其对复合地基的沉降影响逐渐减弱;增大碎石内摩擦角能有效增大桩土应力比,并提高桩身应力传递效率。随着内摩擦角的增大,复合地基的沉降逐渐减小,在高荷载水平下,其影响效果更加明显;土工格栅的包裹能减少复合地基沉降,但影响程度有限,当包裹刚度J>1000kN/m时,对沉降的影响逐渐减弱。     

环境因素对复合绝缘子积污特性的影响

复合绝缘子在电力系统中被广泛应用,研究复合绝缘子积污特性与影响因素对降低绝缘子污闪事故的发生有着重要意义。基于FXBW4-10/100型复合绝缘子,建立了欧拉双相流绝缘子积污模型,对不同风速、粒径、浓度下绝缘子的表面积污特性进行研究。结果表明：污秽颗粒主要集中在绝缘子的迎风侧以及背风侧,绝缘子侧风侧积污较少;下表面积污体积分数高于上表面;随着风速的增加,绝缘子迎风侧与背风侧积污体积分数逐渐增大,侧风侧的积污体积分数先增加后减小;绝缘子表面的污秽程度随颗粒浓度的增加近似呈线性增加,整体积污均呈伞形分布;背风侧的积污程度随着颗粒粒径的增加呈现先增大后减小的情况。     

考虑时变位移激励的轴承圆形故障动力学

建立轴承剥落故障的动力学模型是研究轴承故障机理的常用手段,由于滚动体在经过故障区时的接触情况较为复杂,所以准确地建立轴承剥落故障时变激励函数对轴承故障动力学模型的正确性具有很大影响。但是在解决轴承圆形故障时现有的单一化激励函数难以准确表达滚动体与故障的实际接触情况。因此,主要以深沟球轴承外圈剥落故障为研究对象,构建了考虑圆形剥落故障引起的弹性形变和滚动体经过故障区域瞬时位置的时变位移激励模型。研究了滚动体经过外圈圆形故障区域时的接触间隙变化规律,分析了不同故障尺寸的双冲击信号之间的时间间隔特征并通过仿真和实验进行对比的方法验证建立模型的有效性,为研究轴承剥落故障提供了理论支撑。     

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

一种快速自修复磁性聚合物高分子

通过简单的方法合成了一种兼具柔韧性和拉伸性的室温快速自修复磁性聚合物高分子。基于单分子磁体Mn₁₂-Ac和含有脲键的聚二甲基硅氧烷高分子基底之间的氢键作用,该复合物材料展现了出色的磁性和室温快速自修复性质（修复时间为60 s,修复效率为99.5%）。这项工作将为磁性自修复材料在未来智能器件、响应型机器人等领域的应用提供更多的机会。     

东准噶尔西部花岗岩带的岩石成因探讨

根据新疆东准噶尔西部花岗岩带各岩体在地质学、岩石学、岩石化学和稀土元素及同位素组成等方面的特征,探讨了它的成因和演化。结果表明,该区花岗岩,尤其是含锡花岗岩成岩方式为岩浆分异交代,物质来源主要为地幔与地壳的复合作用形成,属I型→同熔型→A型→改造型的过渡类型花岗岩,其中锡的来源主要与岩石演化的途径和方式有关。     

液相浸渗中纤维非润湿性的处理

纤维与金属液的非润湿性是液相浸渗制造纤维增强金属基复合材料的主要障碍之一。实验发现纤维的非润湿性使其在自然排布时的浸渗缺陷必须存在。通过提高液相浸渗压力可以改善复合材料的浸渗效果,但仍有细小的浸渗缺陷必然存在。通过提高液相浸渗压力可以改善复合材料的浸渗效果,但仍有细小的浸渗缺陷无法消除,采用颗粒与纤维的混杂使纤维丝相互分离,消除了充填“死角”而使纤维束内完整充填并且均匀分布,提高浸渗压力和混杂预制