关键词： 电力通信网   故障诊断   蚁狮优化算法   支持向量机  

摘要： 为了提高电力通信网故障诊断的准确性，以告警数据为输入量，以电力通信网故障类型为输出量，采用蚁狮算法对支持向量机进行参数寻优，建立基于蚁狮算法优化支持向量机的电力通信网故障诊断模型，采用电力通信网故障数据进行仿真分析，并与贝叶斯算法和卷积神经网络算法对比，结果表明，所提ALO-SVM电力通信网故障诊断正确率高达98%，高于其他两种算法，验证了所提方法的正确性和实用性。

关键词： G-M制冷机低温泵   故障诊断   深度学习   遗传算法  

摘要： G-M制冷机低温泵是一种广泛应用于半导体制造等领域的重要设备，对超高真空的获得与维持至关重要。由于其长期连续运行，容易引发机械磨损等故障，导致制冷能力和抽气特性下降。因此，开展有效的故障诊断显得尤为关键，文章提出一种改进型遗传算法与反向传播神经网络的故障诊断方法，克服了传统反向传播神经网络依赖初始权重与阈值设置、优化效率低的问题。研究结果表明，该方法在故障诊断中的准确率达98.05%。为低温泵健康监测与故障预警提供了科学依据。

关键词： 煤机故障声音   干扰背景   生成对抗网络   Mc-Mobilenet   声音识别   故障检测  

摘要： 煤机的正常运行对于煤矿的生产效率和安全性至关重要。为解决干扰背景下的煤机故障声音识别问题，提出了一种基于生成对抗网络（RaGAN）和Mc-Mobilenet的识别算法。首先，采用改进的RaGAN模型增强煤机故障声音，提高信噪比。其次，利用Mc-Mobilenet模型对增强后的故障声音进行识别，提高识别的鲁棒性和准确率。最终，结合两者构建了端到端的故障声音识别系统。重点阐述了RaGAN模型声音增强方法和Mc-Mobilenet模型，通过引入辅助分类器和循环一致性损失，提高了声音生成器的性能，增强了生成样本的逼真度，具有较高的运算效率和识别准确率。实验结果表明，相比于传统的声音增强方法，本文提出的RaGAN方法能够显著提高分类准确率约10%，在嘈杂环境下具有更好的性能表现，可有效用于煤矿等噪声环境下的故障检测。

关键词： 电子雷管   薄壁管   缩径成型   工艺参数   应力分布   有限元   正交优化  

摘要： 针对薄壁管类零件在冷挤压缩径成型过程中出现的缺陷问题，利用ANSYS软件建立缩径工艺的有限元模型，选取外径6.3 mm、壁厚为0.20 mm的小尺寸薄壁管进行数值模拟分析。通过分析管壳体外壁的应力及应力分布规律，探讨了管壳体厚度、推环进给速度和模具压力角对管壳体表面成型的影响。基于正交实验方法评估了不同工艺参数对成型质量影响的显著性及参数优化。结果表明：对电子雷管缩径工艺成型质量的影响从高到低依次为：等效应力方面，压力角、管壳体厚度、进给速度；等效应变方面，进给速度、管壳体厚度、压力角。当模具压力角为12.5°、推环进给速度为6 mm·s-1、管壳体厚度为0.20 mm时，管壳体缩径质量最佳。与现有方案相比，本研究改善了材料流动的均匀性，并显著降低了等效应变和等效应力，分别降低0.46和79.88 MPa。

关键词： 牵引供电   电气化铁路   故障识别   长短时记忆网络   卷积神经网络  

摘要： 为了减少牵引供电故障对电气化铁路运行安全的影响，需要提供更准确、快速的牵引供电故障识别方法。为此研究在牵引供电故障分析的基础上，基于长短时记忆神经网络，构建故障识别模型，并引入卷积神经网络进一步加快识别速度。测试结果中，研究所提模型的准确率达到了0.98，而单一的卷积神经网络为0.81，长短时记忆神经网络为0.82。相较于其他两个模型，研究所提模型的准确率至少提高了20%。此外，在数据量为100时，相较于长短时记忆神经网络，研究所提模型的运行时间减少了2.36 s，验证了研究的有效性。研究旨在为保障牵引供电安全提供参考。

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。