关键词： 武器装备   故障知识图谱   结构原理   大模型   知识抽取  

摘要： 武器装备故障知识图谱不仅可以存储装备故障知识，而且可结合图上推理技术挖掘新的故障模式并进行故障因果溯源，有助于实现武器装备健康管理；提出一种基于大模型的武器装备知识图谱构建方法：围绕系统结构原理及故障案例数据设计本体框架，结合离线部署大模型对命名实体与关系进行识别，实现基于大模型的知识抽取，在知识融合基础上以Neo4j图数据库实现故障知识图谱的存储与可视化；结合专家思维方式以Cypher语言为框架进行了故障推理；以某型旋翼无人机装备为对象进行了故障知识图谱构建与推理，验证了所提方法的可行性与有效性。

关键词： 轨道车辆   加速度传感器   振动故障检测   传感器布置   神经网络   振动信号特征提取  

摘要： 针对当前由于车轮与轨道的磨损等因素导致的车辆振动问题，设计一种城市轨道交通车辆振动故障智能检测系统。对测振传感器与主控硬件进行科学的选型与配置，并设计两者之间的连接电路图。制定轨道车辆振动信号采集程序，完成振动信号的有效采集，采用低通滤波器去除振动信号中的噪声信号，提取振动信号的时域特征与频域特征，引入前馈神经网络构建轨道车辆振动故障检测模型，从复杂的振动信号中提取振动信号的重要特征，将待检测轨道车辆振动信号输入至训练好的模型中，其输出结果即为轨道车辆振动故障检测结果。实验结果显示：应用设计系统提取的轨道车辆振动信号特征与实际特征趋于一致，振动故障检测结果与实际结果相同，表明设计系统具有良好的检测能力。

关键词： 故障诊断   变压器   过采样   领域粗糙集   XGBoost   灰狼优化算法  

摘要： 为提高变压器故障诊断的准确性及降低样本不平衡对模型识别准确率的影响，提出了基于SMOTE和GWO-XGBoost的变压器故障诊断方法；该方法利用SMOTE技术扩大少数派样本，采用非编码比例法构建多维特征参数，并引入邻域粗糙集优化策略以及灰狼优化算法对XGBoost参数进行优化；实验验证显示，该方法显著减少了少数派样本的误判，并展示出高精度、低误判率及稳定性，适用于实际变压器故障诊断应用。

关键词： 光伏组件   红外图像   目标检测   YOLOv8   深度学习  

摘要： 通过无人机拍摄光伏组件红外图像进行检测时，图像背景较为复杂，且其中含有的小目标热斑故障在检测过程中容易丢失信息，出现误检或漏检等状况。针对上述问题，将HCF-Net与YOLOv8n网络结合，提出一种融合网络（HCF-YOLO）用于光伏组件红外图像热斑故障检测。加入并行化注意力机制（PPA），通过分层特征融合和注意力机制来增强小目标的表达，确保在多个降采样步骤后保留热斑关键信息。采用维度感知选择性集成模块（DASI），注重对高维和低维特征的自适应选择和精细融合，增强小目标的显著性。使用PIOU（Powerful IoU）作为HCF-YOLO的损失函数，在回归的早期阶段，引导预测框沿着有效路径回归，提升检测速度。HCF-YOLO算法相较于原有的YOLOv8n算法检测精度(average precision 50，AP50)由89.27%提升至97.28%，并且检测速度达到217.33帧/s，实验结果可证明模型的有效性。

关键词： 滚动轴承   故障重构   诊断分析   变分模态分解   粒子群算法  

摘要： 为了提高滚动轴承故障排出能力，选择多重分形方法处理信号数据，在峭度方法基础上加入多重分形谱参数(Mc)进行粒子群优化(PSO)优化变分模态分解(VMD)分解处理获得有限带宽的本征模态分量(BIMF)，从而实现阈值信号重构的过程。研究结果表明：仿真信号验证证明以PSO优化VMD方法可以获得理想的分解性能，BIMF分量与初始模态的相关系数都接近94%，PSO优化VMD具备优异分解性能。正常状态信号呈现明显非线性变趋势，发生了大幅波动，而分形盒维数量都在1～1.2区间中。对振动信号重构结果表明表明可以利用峭度和多重分形谱因子来实现轴承状态诊断。该研究能够满足有效性要求，能够有效应用于其他机械传动系统领域，具有很好的推广价值。

关键词： 特征模态分解   常春藤算法   集成极限学习机   Yager加权平均   小样本故障诊断   滚动轴承  

摘要： 针对滚动轴承故障特征提取难度大以及不同故障类型训练样本稀缺的问题，提出了一种基于参数优化特征模态分解（FMD）和集成极限学习机（EELM）的小样本滚动轴承故障诊断方法。首先，采用常春藤算法（IVYA）对FMD参数进行了优化，提升了模态分解的精确度，并采用最小残差指数（REI）作为最优模态分量的选取准则，从最优模态分量中提取了故障信号时域、频域及熵值的关键特征；然后，将所提取的特征输入EELM中进行了故障识别；最后，采用Yager加权平均规则对EELM的分类结果进行了融合，得到了综合故障诊断结果。研究结果表明：IVYA-FMD在信号处理过程中，具有优秀的特征提取和抗干扰能力，可有效提取原始信号的故障特征；IVYA-FMD和EELM-Yager模型在实验数据中，训练集与测试集按照8:2的比例进行分割时的准确率达到99.12%；当训练集与测试集按照2:8的比例进行分割时，该方法在实验数据中的准确率高达92.5%，在CWRU数据集和SEU数据集中的准确率均超过96.8%。与其他智能诊断模型相比，IVYA-FMD和EELM-Yager在小样本滚动轴承故障诊断领域展现出显著的可行性和优越性。

关键词： 提升深度自动编码器   轴承故障   迁移诊断   准确率  

摘要： 轴承作为机械传动中不可缺少的部件，其故障识别效率直接影响到传动设备的作业稳定性。为了提高轴承智能故障诊断能力，通过充足源域数据来完成深度自动编码器训练，采用不同故障测试该诊断方法的有效性。研究结果表明：因为受到噪声因素干扰，导致源域与目标域样本都出现了不同的分布特征。测试获得的诊断准确率均值为89.42%。本次设置的目标域内只包含了一个训练样本，按照以上方法同样可以实现对各类机械设备迁移诊断。本迁移模型可以达到89.51%的的诊断准确率，相对其它迁移模型获得了更高准确率。本次设计的迁移模型标准差只有0.624，比参考模型更小，表现出了优异稳定性。该研究对提高机械传动的稳定性具有很好的理论支撑价值，易于推广应用。

关键词： 有源消弧   模块化多电平矩阵式变换器   多频环流注入   共模电压  

摘要： 模块化多电平矩阵式变换器(Modular Multi-level Matrix Converter，M3C)构成的AC-AC直接变流器无需中间直流级和高变压比升压变压器，将其应用在有源消弧装置中，可有效缩小体积和提升可靠性。当M3C输入输出同频时，变流器内部直流功率大大增加，造成桥臂电容电压易于发散和波动幅度差距大。传统方法通过注入多频组合的非对称环流实现桥臂能量平衡，但导致桥臂电容电压产生大小不一的波动，影响部分电容的寿命。针对此问题，该文提出基于对称环流注入的多频组合电容电压稳定控制方法，采用对称环流与共模电压多频分量组合，通过abc-ΣΔαβ0变换方法得到M3C电路等效解耦模型，并建立了有效的电容电压平均值与功率的反馈控制模型。仿真和半实物实验结果表明，当配电网发生单相接地故障时，M3C装置能够实现接地故障可靠消弧和各桥臂电容电压纹波相对均衡。

关键词： 齿轮箱   卷积神经网络   优化鲸鱼算法   极端梯度提升树   故障诊断  

摘要： 针对齿轮箱故障特征难以提取和故障识别准确率低等问题，文章提出了一种基于双通道特征融合的CNN-GSWOA-XGBoost的齿轮箱故障诊断方法。首先，将原始振动信号采用GAF图像编码技术分别转化为GADF和GASF时频图，再将GADF和GASF时频图分别输入二维卷积神经网络（CNN）进行自适应故障特征提取并进行特征融合，并取其结果作为XGBoost分类器的输入；其次针对鲸鱼优化算法在收敛速度和全局搜索能力上存在的问题，通过改进的鲸鱼算法对XGBoost分类器的5个超参数（树木个数、树的深度、子节点的最小权重和、学习率、样本比例）进行优化，建立齿轮箱故障诊断模型；最后通过东南大学齿轮箱数据进行实验分析，结果表明：该模型可以充分提取齿轮箱原始振动信号的故障特征，与其它故障诊断模型相比故障识别准确率更高，性能更优越。

关键词： 旋转矢量减速器(RV减速器)   针齿故障   角度同步平均   最大相关峭度解卷积   瞬时角速度信号   特征阶次计算  

摘要： 针对工业机器人旋转矢量（RV）减速器低速级非完整周期旋转工况下，针齿故障特征提取困难的问题，提出了一种基于角度同步平均（ASA）和自适应最大相关峭度解卷积（MCKD）增强包络的瞬时角速度信号（IAS）的RV减速器针齿故障特征提取方法。首先，采用了向前差分法将编码器原信号转化为角度域的IAS信号，对IAS信号进行了角域同步平均处理，提高了信号信噪比；然后，采用了边带信噪比指标选择最优的解调频带后，设计了带通滤波器对平均后的信号进行滤波，根据故障特征指标自适应选取了最优MCKD参数；最后，对滤波后的信号进行了故障特征增强，对增强后的信号进行了包络解调阶次分析，提取了针齿故障特征。研究结果表明：根据边带信噪比指标选取中心频率为1 560×，带宽为80×的带通滤波器，采用故障特征指标选择MCKD最优滤波器长度为258，并采用该方法对针齿故障信号处理后能观察到40×及其谐波的特征阶次，可有效提取RV减速器低速级非完整周期旋转工况下的针齿故障特征。这说明与采用其他同类方法相比，MCKD在识别故障类型方面具有先进性。