基于深度学习波形图像识别的轴承故障诊断方法

为解决传统的轴承故障诊断方法需要大量专业知识的问题,提出了一种基于深度学习振动信号波形图像识别的轴承故障在线自动诊断方法.首先,采用InceptionV3模型作为预训练模型,设计了深度学习和迁移学习相结合的InceptionV3模型训练方法;然后,采用交叉熵作为损失函数,用于评价模型训练效果,给出了进行故障诊断的方法步...     

基于部件危害度的自航水雷贮存可靠性分析

为了研究自航水雷贮存可靠性,根据自航水雷功能原理,建立以部件级故障为底事件的系统故障树.在此基础上,根据自航水雷战备转进检测数据,运用改进的故障模式影响及危害度分析(FMECA)方法,分析并计算各部件故障的危害度,从而确定主要影响自航水雷长期贮存可靠性的关键部件.供电及信息控制器故障危害度最大,其次是密封圈失效、控制系...     

基于阶次跟踪和BP网络的齿轮箱故障模式识别

在对齿轮箱的原始振动信号进行时域采样的基础上,利用小波包分析对其进行消噪,然后对得到的数据进行角域重采样,得到基于阶次跟踪的采样信号,再对该信号进行特征参量提取,最后利用BP网络对得到的故障特征参量集进行模式识别。该方法能够避免传统分析方法中难以克服的“频率模糊”现象,对于瞬态信号有较好的分析处理能力,是对传统频谱分析法的有力补充。     

自行火炮液压系统油液内泄漏量数学模型研究

通过对自行火炮油液泄漏故障形式和原因分析,综合考虑系统的工作压力、温度和混入空气量影响,建立了自行火炮油液泄漏量的数学模型。该模型指出了自行火炮液压系统内泄漏量主要取决于系统的温度、压力、液压油的动力粘度、油液的体积模量和热膨胀系数,揭示了泄漏量随工作参数峰值变化的规律,可为自行火炮的油液泄漏检测与定位提供参考。     

基于BP神经网络的D-S证据理论及其应用

命题基本概率分配(BPA)的确定是D-S证据理论得以广泛应用的关键之一.目前,大部分确定方法受专家知识偏好影响较大,难以反映客观情况.将BP网络运用到基本概率分配的确定过程中,使得BP网络和D-S证据理论两者有机地联合应用,这样既可利用D-S证据理论来表达和处理不确定信息,又可以充分发挥BP网络的自学习、自适应和容错能力.文中建立了基于BP网络的D-S证据理论的故障诊断模型,并给出了证据的融合算法.仿真实验表明,该模型可行.     

面向售后保障的导弹装备健康管理系统研究

随着战争向信息化、体系化、智能化方向发展,部队用户对导弹装备保障的需求从事后维修、定期维护向视情维修和智能保障转变,对导弹装备故障预测与健康管理提出了更高要求。通过开展导弹装备健康管理系统的需求分析,提出了面向导弹装备保障的系统总体架构、面向军厂复杂应用场景的系统物理架构和基于微服务的系统软件技术架构,采用结构化设计方法开展了系统功能模块结构设计,对系统关键技术进行了阐述和分析,并完成了面向试点型号的系统阶段性建设和应用。应用结果表明了本研究的可行性,可为其他型号装备的健康管理提供参考。     

基于CNN的三相逆变器开路故障诊断及其样本条件分析

为了合理选择样本条件以实现高效的智能化诊断,以及克服智能化方法中传统反向传播(back propagation, BP)网络权值较多、局部信息提取能力不足的问题,对基于卷积神经网络(convolutional neural network, CNN)的开路故障诊断方法进行研究,并以典型的三相两电平逆变器为具体对象,着重分析样本时长、样本数量变化时,CNN方法相较于BP网络方法在网络权值数量、训练稳定性、诊断准确率上的量化优势。结果表明,基于CNN的方法可在权值数量远少于BP网络方法的情况下构建深度更深的诊断模型,并在更短样本时长、更少训练样本数量下实现高效、准确的开路故障诊断。