摘要:针对风机滚动轴承故障诊断需要提取大量复杂特征,提出一种基于注意力机制、ResNext网络和长短时记忆(Long Short Term Memory, LSTM)网络的并行轴承故障诊断模型。首先,将采集的一维振动信号进行预处理;然后,分两路输入到模型中提取特征,其中一路输入到嵌入注意力机制的ResNext模块中,注意力机制可以增加重要特征的权重,减少模型运算量,另一路输入到LSTM网络中提取振动信号在时间序列上的依赖关系;最后,将两路提取到的特征进行融合输入到Softmax层进行故障分类。实验结果表明,与目前基于深度学习的轴承故障诊断方法相比,所提方法在轴承故障分类准确率上表现更好。
摘要:参数时变失效概率函数(Time-Dependent Failure Probability Function, TDFPF)是结构时变可靠性优化设计的关键问题之一,其估计的精度与效率决定了结构时变可靠性优化的效果。针对时变失效概率函数计算成本高的问题,基于结构复合极限状态思想提出了基于加权重要抽样的结构时变失效概率函数估计策略。对于加权重要抽样进行扩展,仅需一次可靠性分析,即可得到时变失效概率函数的估计,避免了多次重复计算。为了验证所提方法的精度与效率,给出数值算例及工业机器人减速器结构时变算例。结果表明,对于时变失效概率函数估计问题,所提方法适用性好,能够以较高效率获得满意的结果。
摘要:提出了一种用交叉模型交叉模态(Cross Model Cross Mode, CMCM)方法与L1正则化结合的损伤识别方法。首先介绍了CMCM方法的基本原理,以及L2正则化与L1正则化的特点。然后通过一个实验室的钢框架结构对提出的方法进行了验证。结果表明,CMCM方法与L2正则化结合容易造成非损伤单元的误判,而在CMCM方法中使用L1正则化则能更准确地识别结构的损伤。即使仅用第一阶测量模态,用L1正则化技术求解CMCM方程也能很准确地识别框架结构的损伤。