基于小波包能量特征的滚动轴承故障监测方法

对滚动轴承的故障特点进行分析，根据小波包变换能将信号按任意时频分辨率分解到不同频段的特性，提出了小波包能量特征的概念及算法，并给出两个仿真算例，然后将小波包能量特征与径向基函数网络相结合，提出了一种新的滚动轴承故障诊断方法，数字仿真实验证实了该方法的正确性和有效性。     

综采工作面过超大断层的技术应用

介绍了杜儿坪矿68214工作面大断层,提出了通过大断层时采取的技术措施和打注高分子材料（马丽散N）的技术措施。     

高精度液压试验台的油温自动控制研究

从降低液压试验台温控系统的成本而又保证温控精度出发，分析影响温控精度提高的主要因素，提出了采用串级双闭环负反馈的温控方案，并应用辨识技术获得了被控对象的较精确的数学模型，通过两级校正，使温控精度达到了５０±１℃。     

论微观辨证

探讨了在中、西医理论不同的前提下，如何合理选择应用现代检测项目作为辩证的指标，并提出微观辩证的新概念。     

复杂机械系统实用故障诊断原则的研究

在总结现有诊断技术成功应用实例的基础上,提出了一种新的实用诊断原则-“最少试验故障模”原则,对于复杂的机械设备和系统,采用这种新的研究思路有利于降低研究难度,提高研究成果的实用性.还以滑动轴承为例,通过对滑动轴承主要失效形式和机理的分析,说明可将滑动轴承简化为-多输入（多种故障原因）-单输出（接触摩擦）的灰色系统模型,并以滑动轴承各种故障的共同特征-接触摩擦作为滑动轴承故障诊断研究的唯一故障基准模.根据上述研究思路,对静、动载荷工作条件下滑动轴承的故障诊断进行了大量的实验研究.实践表明,提出的诊断原则诊断效率高,实用性强,可借鉴用于许多领域的故障诊断.     

柴油机排气呈白色故障排除及分析

以红岩6-250ZCD柴油机故障为例,发现并分析了柴油机排气呈白色的特殊原因,有利于今后故障的快速确诊.     

滚动轴承疲劳故障的在线监视和诊断技术

本文研究振动诊断方法在滚动轴承疲劳故障在线监视和诊断中的应用。 文中指出:通过在轴承寿命试验机上所作的大量试验发现,当轴承疲劳后,在作为其二次效应的振动信号中,除存在已为国内外学者指出并广为使用的“通过频率(又称冲击振动发生间隔频率)”和“高频冲击脉冲”两种信息特征外,还存在另一种位于中高频段的鲜为人知的重要信息特征——某“高频峰群”。 本文对该高频峰群的形成机理、影响因素及检测方法进行了初步研究,并利用这种新的信息特征研制了“以带通滤波器或以精化信息特征DDS模型谱分析法为主体的两种轴承疲劳故障在线监视和诊断装置。     

基于降维观测器与多胞体方法的执行器故障检测

针对具有执行器故障且状态方程和输出方程同时受到外部扰动影响的离散系统,研究了降维观测器设计方法和基于多胞体理论的区间估计方法,并在此基础上提出了基于区间估计的执行器故障检测方法。首先,通过适当的状态等价变换,将原系统分解成2个降维子系统,使得一个子系统可以直接解耦干扰。然后,在无执行器故障发生的前提下,基于对干扰解耦的子系统,提出了一种降维观测器设计方法,实现了原系统状态的渐近收敛估计。其次,针对具有干扰的子系统,设计了Luenberger型观测器,并结合多胞体理论,提出了一种对可测输出的区间估计方法。之后,基于可测输出的区间估计,提出了一种残差的构造方法,以此提出了一种执行器故障检测新方法。最后,给出了仿真设计和分析,验证了方法的有效性。     

不确定车辆电子稳定控制系统传感器故障估计

针对车辆横摆角速度传感器故障问题,提出一种基于观测器的故障估计策略.首先,考虑由于轮胎侧偏刚度特性造成的不确定性以及系统中存在非线性干扰等因素,建立车辆四轮转向系统数学模型.然后,设计基于观测器的传感器故障估计策略,利用李雅普诺夫函数和线性矩阵不等式方法求解观测器增益.最后,通过Carsim与Simulink联合仿真验证所设计的传感器故障诊断策略的有效性.结果表明：在传感器发生故障时,该诊断策略能够对系统状态以及传感器故障具有良好的估计效果,能够为车辆安全稳定系统提供关键信息,并且对于下一步的传感器故障容错控制提供技术支持.     

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。