环境振动是自然环境中一种普遍存在的能量方式,具有振幅随机、方向往复、频率低等特点。首先,设计了一种机械整流电磁式振动能量吸能器,其可将环境振动整流为输出轴的单向转动,实现直流电能的输出。其次,对吸能器进行动力学建模及输出特性的推导,仿真分析其在不同振幅、频率及负载电阻条件下的电压输出特性,并研究输出电压的影响规律。最后,开展定量输入下的吸能器输出特性实验测试。结果表明,该装置可将环境振动转换为连续不间断的直流电能输出;振动幅值、频率及负载电阻对输出电压均有影响,当振动幅值为50mm,频率为0.8Hz,负载电阻为100Ω时,输出电压峰值为14.2V,瞬时功率达到2W。

针对滚动轴承不同故障位置、不同损伤程度的振动加速度信号的智能分类,提出一种基于随机搜索与长短时记忆（long short term memory,LSTM）神经网络的滚动轴承故障状态识别算法。该算法直接利用原始数据作为非线性输入,避免因人工提取特征值造成的原始信息缺失;使用LSTM与深度神经网络的混合网络提高模型性能;引入随机搜索算法自动优化超参数得到最优的网络配置;使用不同量纲、不同来源、不同损伤结构的两类数据集对模型进行试验验证。试验结果表明,在两类单一数据集及随机混合数据集均可达到99.8%以上的诊断准确度,表明本算法具有较高的泛化能力和鲁棒性。与BP、支持向量机、粒子群算法最小二乘支持向量机、LSSVM、浅层LSTM等方法在同等试验条件下的诊断结果进行比较,本文算法具有更高的识别准确度。