关键词： 异步电机故障诊断   麻雀搜索算法   变分模态分解   卷积神经网络  

摘要： 针对工业现场中异步电机长期工作于复杂环境和受到随机噪声的干扰，无法准确捕捉原始振动信号的故障特征，导致故障识别率低等问题，提出一种优化的变分模态分解（variational mode decomposition， VMD）与卷积神经网络（convolutional neural networks， CNN）结合的电机故障诊断方法。首先，利用麻雀搜索算法（sparrow search algorithm， SSA）自适应寻找VMD中的最优参数组合，以获得最佳的本征模态函数；然后通过设定能量熵的阈值选取恰当分量重构特征信号，作为CNN模型的输入；最终实现复杂工况下异步电机的智能诊断。为验证所提方法的有效性，设计并搭建电机故障诊断实验平台，实验结果表明，所提方法的准确率可达99.12%，相较于常规的故障识别方式，所提方法能够在复杂工况下有效提取故障信息，准确识别出故障类型。

关键词： 行波共振   裂纹扩展   声测法   模态分析   频率比  

摘要： 针对某型航空发动机中央传动锥齿轮在实际工况下裂纹扩展断裂失效问题，采取实验与数值仿真相结合的方法，探究齿轮处于行波共振状态下裂纹扩展频率特性演化规律。基于行波共振理论与声测法，开展了正常齿轮和预制缺陷齿轮疲劳特性实验，实验结果表明：预制缺陷齿轮处于行波共振状态下裂纹迅速扩展，共振频率不断减小，裂纹扩展后期无法跟踪行波共振点，齿轮发生瞬断。基于模态分析方法，建立了不同裂纹尺度齿轮有限元模型，提出了裂纹扩展前期裂纹长度与模态频率比的函数关系，实验所测频率比与预测模态频率比相对误差在0.02%以内。仿真结果表明：随着裂纹程度的加深，齿轮结构不对称性加大，相同节径型振动的两个对称模态逐渐分化为两个不同的振动模态，模态频率比差值增大。综合实验与仿真结果，裂纹扩展前期行波共振导致裂纹尖端应力强度因子过大而促使裂纹发生扩展，裂纹扩展后期齿轮两对称模态交替出现，齿轮无法维持行波共振状态，由于裂尖应力强度因子接近或超过材料断裂韧性导致裂纹快速扩展，进而剩余强度不足而瞬断。

关键词： 叶尖定时   转子叶片   压缩感知   动频监测   故障诊断  

摘要： 针对高速转子叶片裂纹监测需求，研究基于非接触式测量的高速转子叶片叶尖定时测量技术，提出了一种基于压缩感知的叶尖定时欠采样信号重构方法。基于叶片动频的时频稀疏特征，改进欠采样信号模型，并采用自适应分块正交匹配追踪方法对模型进行求解，以监测叶片在变转速工况下叶片动频随转速的变化规律。开展高速转子叶片高周疲劳试验，同时测量叶片动应变与叶尖振动信号，比较不同转速下正常叶片与裂纹叶片振动信号的时频特征，裂纹的存在会导致叶片振动频率的偏移，通过频移的变化能够实现对裂纹的早期诊断。当叶片出现裂纹时，动频降低了24.5 Hz，所提出的监测方法与应变片辨识结果对比动频误差均小于0.50%，该方法具有较高的信号重构精度和裂纹识别率，为旋转叶片的健康状态监测和早期故障诊断提供有效的解决方案。

关键词： 压缩感知   轴承   核函数   极限学习机   故障诊断  

摘要： 【目的】针对传统轴承故障诊断采样数据量大、诊断时间长和故障特征选择主观性强等问题，基于压缩感知（Compressed Sensing,CS）和深度多核极限学习机（Deep Multi-Kernel Extreme Learning Machine,D-MKELM）理论，提出了CS-DMKELM滚动轴承智能诊断模型。【方法】首先，对变换域信号阈值处理得到稀疏信号，使用高斯随机矩阵作为测量矩阵，对处理后的数据进行压缩；其次，使用压缩后的数据作为DMKELM的输入信号，利用粒子群优化（Particle Swarm Optimization,PSO）算法对关键参数进行优化，实现故障的智能诊断。【结果】结果表明，所提方法可使用较少的轴承诊断数据，利用DMKELM从少量测量信号中自动提取轴承的特征信息，实现了轴承的快速故障诊断。在诊断时间0.55 s的情况下，最终识别准确率可达99.29%。所提方法不仅诊断时间更短，而且诊断精度较高，为处理海量轴承数据的故障诊断提供了新的方法。

关键词： 动载荷识别   物理嵌入式神经网络   可解释神经网络   模态分析   参数校正   凸优化  

摘要： 针对传统动载荷识别方法中频响函数矩阵求逆运算导致的不适定性问题，以及深度学习方法缺乏物理可解释性的局限，提出了一种全新的物理嵌入式神经网络（Physical Embedded Neural Network, PENN）动载荷识别模型与方法。通过将结构动力学参数（如模态质量、模态刚度、模态阻尼等）直接嵌入神经网络中，构建出具有物理可解释性的PENN动载荷识别模型。PENN模型能够以正向计算过程直接识别动载荷的功率谱密度，避免了传统方法的频响函数矩阵求逆运算，并能够对其内部的物理参数进行自适应修正，保证了在先验物理参数不准确时仍能实现动载荷的高精度识别。详细阐述了方法机理、PENN模型构建规则、参数设定及训练流程，并对多种工况下的动载荷进行了数值仿真与实验验证，结果表明，本方法在动力学系统先验参数不准确和仅有1组训练样本的情况下，识别动载荷的皮尔逊相关系数均不低于95%，展现出较好的鲁棒性和工程应用潜力。

关键词： 侧前方腰椎椎间融合术   振动载荷   有限元   腰椎退变  

摘要： 为了研究在乘车振动环境中腰椎退变以及侧前方腰椎椎间融合术对其临近节段振动特性的影响，本研究建立了L3-S1正常腰椎有限元模型，并在此基础上分别建立了轻度、中度和重度L4-L5退行性病变及侧前方腰椎椎间融合术四种模型，并对它们在振动载荷下的力学响应进行了研究。结果表明：相较于退变模型和正常模型，椎间融合会造成临近节段的椎间盘压力和纤维环应力的显著增加。因此本研究不建议已经做了侧前方腰椎椎间融合术的患者从事司机等处于振动环境中的工作。

关键词： 深度学习   电厂输煤系统   故障诊断  

摘要： 电厂输煤系统作为关键燃料供应环节,其运行状态对电厂整体效率和安全性至关重要.然而,受设备复杂性和恶劣工作环境的影响,输煤系统电气故障频发且难以预测,为电厂安全运行带来了巨大挑战.基于此,本文提出了基于深度学习算法的电厂输煤系统电气故障诊断方法.实验结果表明,本文提出的方法故障诊断准确率在95％以上,故障检测时间更短,具有良好的应用价值.

关键词： 元动作单元   故障可诊断性   减法平均优化   相似性度量  

摘要： 为了判断并量化元动作单元故障诊断的难度，本文提出一种元动作单元的故障可诊断性评价方法，首先，利用减法平均优化算法（SABO）优化的变分模态分解（VMD）对元动作单元的故障信号进行分解，利用峭度准则筛选IMF分量，构建基于包络熵的元动作单元特征向量；其次，以余弦距离作为相似性度量指标，将故障可诊断性定量评价问题转换为不同故障模式下振动信号特征向量的相似性度量问题；然后，构建元动作单元故障可诊断性评价矩阵，从而建立元动作单元的故障可诊断性评价指标。最后，以蜗杆元动作单元为例进行实验验证分析，结果表明本文方法能够实现元动作单元不同故障模式的可诊断性的定量评价。

关键词： 电力变压器   故障检测   声纹信号   图注意力网络   频域信号  

摘要： 为解决变压器故障诊断中基于声纹信号的多种故障类型的快速准确识别问题，提出了一种基于变压器声纹信号的图注意力网络（TAS-GAT）故障诊断模型。TAS的核心创新在于引入了多片段关联图构建方法和特征融合策略，充分利用不同时间片段的声纹信号特征，并通过k近邻（KNN）算法建立时序关联，克服了传统模型的短期依赖问题。该模型通过快速傅里叶变换（FFT）将时域信号转换为频域特征，从而在特征表示上提供更丰富的信息，减少噪声干扰，并与多片段关联图构建和特征融合策略结合，进一步提升了故障诊断的精度与鲁棒性。实验结果表明，TAS-GAT模型在少量带标签数据的情况下，显著优于现有的时序分析方法，具有更高的诊断精度和鲁棒性，为复杂工况下的变压器故障诊断提供了一种可靠的解决方案。

关键词： 电力   计量装置   故障   智能诊断  

摘要： 随着社会经济的飞速发展,电力客户的用电需求不断增加,计量装置故障问题也逐渐突出,这对电力企业的管理工作造成了很大的困难,一定程度上影响了企业的运营效率.为解决这一难题,电力企业对计费方式进行了多次的改革和调整,使用先进的电能计量装置,能够更好地监测电力客户的用电情况,在故障诊断和预防方面也取得了很好的效果.本文简单探讨了诊断电力计量装置故障的智能技术,旨在提高故障消缺效率,实现计量工作提质增效.