工程结构在使用寿命周期内，各种环境因素会导致连接部位出现损伤，从而威胁结构的完整性和功能性，甚至诱发安全事故．本文研究了一种利用混沌激励与吸引子几何特征进行连接损伤状态识别的方法，采用混沌振动信号激励待测结构，利用采集到的加速度响应时间序列信号进行相空间重构，并构造了一种基于吸引子局部方差计算的特征参量用于小程度连接损伤的识别，并对特征参量进行了统计分析计算．设计了悬臂梁连接损伤识别实验，通过控制固定端螺栓的预紧力来模拟连接损伤，利用上述方法对连接的损伤状态进行了识别．结果表明，本文方法能够有效识别连接的损伤状态，所构造的特征参量随损伤程度改变单调变化，特征参量能以一定置信度较好地区分不同的损伤水平。

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。

鉴于多重分形理论在精细刻画系统非线性现象和过程方面具有的独特优势,该文提出了基于多重分形去趋势波动分析和最小二乘支持向量机的刀具磨损状态识别方法。首先,用MF-DFA（multifractal detrended fluctuations analysis）方法处理去噪后的刀具磨损声发射信号,讨论其长程相关性和分形特性;然后,分析对比了不同磨损阶段下多重分形谱参数的变化,筛选出能灵敏表征刀具磨损状态的多重分形谱参数：分形维数最大值点对应的奇异指数α0,多重分形谱谱宽△α和广义Hurst指数波动均值△h（q）作为特征量;最后,利用LS-SVM（least square support vector machine）算法并对比支持向量机和神经网络算法实现刀具磨损状态识别,结果表明LS-SVM算法识别率最高,平均识别准确率达97.78%,验证了本文所提方法的有效性。试验结果表明,提取的特征对刀具磨损状态的变化非常敏感,可以分离相...

针对舰用燃气轮机结构复杂、工作环境恶劣,难以对其状态进行有效识别问题,提出一种基于核主元分析(kernel principal component analysis,简称KPCA)和模糊积分相结合的状态识别新方法’采用专用试验平台对舰用燃气轮机进行试验,获取其不同工况下的高压转子转速、低压转子转速、涡轮后排气温度及机匣振动等I个状态表征参数的原始信息,采用EPCA方法提取其状态表征参数的不同核主元,构建特征向量空间。并由提取的核主元特征向量分别创建GRNN,Elman神经网络状态识别模型,对燃气轮机状态进行识别。在此基础上,采用模糊积分方法对两种状态识别结果进行决策层融合,得到唯一的状态识别结果,提升了状态识别准确率。研究表明,采用核主元分析和模糊积分相结合的方法,能有效识别出舰用燃气轮机健康与故障状态,具有很好的实际应用价值。