针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。

将短时傅里叶变换应用于超细颗粒两相介质中超声脉冲信号处理和时频谱联合分析,采用变声程方式,提出了一种对超细颗粒两相介质声衰减谱与声速谱同时测量的方法,并对平均粒径281nm的ZnO-H2O悬浊液超声衰减谱与声速谱进行实验研究。

运用阶次跟踪分析方法,研究某车型手动变速箱二挡啸叫噪声现象.在阶次跟踪等角度间隔重采样算法中,提出用分段三次埃尔米特(Hermite)多项式代替传统最小二乘法多项式拟合变速箱输入轴转速曲线,再分段对其积分获得变速箱输入轴转角表达式,提高转速拟合与阶次跟踪分析精度；将短时傅里叶变换(STFT)用于阶次跟踪分析；对实车进行啸叫噪声实验,并结合变速箱噪声实验评价经验,定量分析与研究变速箱二挡啸叫现象.

将稳态视觉诱发电位作为多自由度机械手控制系统中一种新型、智能、实用的输入信号，设计了基于稳态视觉诱发电位的多自由度机械手控制系统，实现了脑电信号对机械手4个运动方向的实时控制。系统通过检测脑电信号中的稳态视觉诱发电位成分，通过离散平稳小波变换去除背景噪声，并利用短时傅里叶变换进行诱发电位的特征提取和识别，将其转换为外部机械手的控制命令。实验表明，控制系统的识别准确率达到75％以上。该系统的实现为延伸和提高人类对机器人的行为控制能力提供了一种新的方法。

针对"S"型金属焊接波纹管振动疲劳失效问题,采集相关工况下的振动信号,使用短时傅里叶变换编辑信号的方法识别损伤区间,并在区间端点等距插值拼接信号,得到用于零件疲劳分析的编辑信号。对原始信号和编辑后的信号用雨流计数法统计损伤循环次数,并求出信号的平均能量;将编辑信号加载至波纹管,通过仿真计算进一步验证,得到了编辑信号与原始信号影响下波纹管的疲劳损伤分布云图;并分析不同转速下,振动信号不同应力范围的能量循环次数。结果表明:通过信号缩减得到的编辑信号有效地保留了损伤片段并且缩减了信号的长度,表明基于短时傅里叶变换的缩减信号方法可以有效地缩短疲劳实验的时间,加速研发周期;低转速时波纹管径向应力较大、循环次数较高,更容易发生振动疲劳。

提取冲击特征是实现轴承、齿轮故障识别的关键,但是容易受到噪声和其他无关成分的干扰。区别于经典的时频分析方法如短时傅里叶变换和同步压缩小波变换,提出基于频域窗函数的短时傅里叶变换法。利用最大相关峭度反卷积的方法对振动信号进行滤波,使信号的质量得到提高;通过频域窗函数,实现二维时频平面中时间的精准定位和冲击特征的准确识别,进一步锐化了复杂多组分信号的时频脊线。利用所提方法对数值仿真信号和实际轴承故障信号进行分析,验证了所提方法的有效性。

阐述一种利用超声波测量管路内油液压力的方法:使用专用调压设备向钢管中的液压油施加压力,利用中心频率4 MHz的宽带超声换能器在钢管外壁对管内的液压油进行探测并获取反射超声回波信号,然后利用短时傅里叶变换对不同压力下超声回波信号的时间-频率谱与相同压力下时间-幅值谱进行分析。结果表明:随着钢管内液压油承受压力的增加,超声声速变大,声衰减系数变大。对管路内油液压力与超声声速、声衰减系数的关系进行拟合后得到函数关系,可以通过测得的超声声速、声衰减系数反演得出液压油压力。

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全,提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱,并将其划分为训练集和测试集;然后将训练集输入卷积神经网络模型中,进行训练样本信号的特征提取工作,通过前向传播和反向传播方式得到卷积神经网络的具体模型,并通过多次迭代更新网络参数;最后,将训练好的模型用于测试集,获得蛇行减振器故障诊断的准确率。为了验证

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理“大数据”的故障诊断方法。

针对转频波动工况下复杂齿轮箱系统振动信号中各啮合阶次成分相互干扰,导致对啮合频率估计困难的情况,提出一种基于时变滤波与连续小波变换(CWT)结合的无转速计阶次跟踪齿轮箱故障诊断技术。基于短时傅里叶变换(STFT)设置时变滤波器;通过时变滤波及连续小波变换(CWT),获得平滑的瞬时频率估计(IFE);再基于Vold-Kalman滤波(V KF)获得参考轴相位。该方法获得的阶次谱与计算阶次跟踪(COT)相当。最后,结合快速谱峭度算法可准确判断故障齿轮位置。通过仿真和实验表明,无转速计方法能为强噪声转速明显波动工况下的机械故障诊断提供一种新的有效手段。