推荐文章
2025, 45(6):1261-1268.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.026
摘要:
基于结构的轮胎柔性圆环模型是轮胎动力学建模的重要发展方向，针对阻尼等建模所需结构参数测量困难的问题，提出考虑结构阻尼的锤击实验模态分析、动力学建模和参数辨识方法。首先，开展轴头固定状态下的轮胎面内振动模态实验，获取前10阶固有频率、阻尼比与0~320 Hz频段上的频率响应函数（frequency response function，简称FRF）；其次，基于经典二维柔性圆环模型，考虑轮胎充气压力引起的预应力和材料损耗因子，建立改进的环模型动力学方程，推导轮胎径向振动固有频率、阻尼比和FRF表达式；最后，以轮胎面内模态的实验结果和模型解析解之间的误差均方值为目标函数，借助遗传算法对未知参数进行辨识，并讨论计算结果的准确性。结果表明：提出的理论模型可较好地反映轮胎模态参数与模型结构、阻尼参数之间的关系，所提方法能够提升轮胎结构模型辨识精度。
基于结构的轮胎柔性圆环模型是轮胎动力学建模的重要发展方向，针对阻尼等建模所需结构参数测量困难的问题，提出考虑结构阻尼的锤击实验模态分析、动力学建模和参数辨识方法。首先，开展轴头固定状态下的轮胎面内振动模态实验，获取前10阶固有频率、阻尼比与0~320 Hz频段上的频率响应函数（frequency response function，简称FRF）；其次，基于经典二维柔性圆环模型，考虑轮胎充气压力引起的预应力和材料损耗因子，建立改进的环模型动力学方程，推导轮胎径向振动固有频率、阻尼比和FRF表达式；最后，以轮胎面内模态的实验结果和模型解析解之间的误差均方值为目标函数，借助遗传算法对未知参数进行辨识，并讨论计算结果的准确性。结果表明：提出的理论模型可较好地反映轮胎模态参数与模型结构、阻尼参数之间的关系，所提方法能够提升轮胎结构模型辨识精度。
2025, 45(6):1247-1253.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.024
摘要:
为实现异步电机在运行状态下快速准确诊断故障类型，构建了优化的最小二乘支持向量机（least squares support vector machine，简称LSSVM）智能故障诊断模型。首先，LSSVM将不等式约束改为等式约束，收敛速度更快；其次，改进粒子群优化算法（particle swarm optimization algorithm，简称PSO）在迭代过程设置1个粒子变异过程，随机放置的粒子可带领种群摆脱局部最优的束缚，找到全局最优点；最后，采用智能诊断模型对西储大学轴承数据及异步电机等7类故障诊断实验数据进行诊断。结果表明：LSSVM的诊断时间仅不到传统支持向量机（support vector machine，简称SVM）的30%，对轴承和异步电机的诊断精度分别为100%和94.3%，相较于传统SVM，LSSVM具有更快的收敛速度和更高的诊断精度。
为实现异步电机在运行状态下快速准确诊断故障类型，构建了优化的最小二乘支持向量机（least squares support vector machine，简称LSSVM）智能故障诊断模型。首先，LSSVM将不等式约束改为等式约束，收敛速度更快；其次，改进粒子群优化算法（particle swarm optimization algorithm，简称PSO）在迭代过程设置1个粒子变异过程，随机放置的粒子可带领种群摆脱局部最优的束缚，找到全局最优点；最后，采用智能诊断模型对西储大学轴承数据及异步电机等7类故障诊断实验数据进行诊断。结果表明：LSSVM的诊断时间仅不到传统支持向量机（support vector machine，简称SVM）的30%，对轴承和异步电机的诊断精度分别为100%和94.3%，相较于传统SVM，LSSVM具有更快的收敛速度和更高的诊断精度。
2025, 45(6):1223-1230.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.021
摘要:
为提升煤矿井下移动装备的定位精度，提出一种基于冗余惯性测量单元（inertial measurement unit，简称IMU）的数据融合与解算方法。首先，设计6种冗余IMU的布局方式，建立不同布局方式下的比力加速度和角速度融合方程与解算模型；其次，对井下移动设备的运动轨迹进行仿真模拟，并对冗余IMU的不同布局方式展开对比分析；然后，搭建轮式小车运动实验台，根据设计的轨迹进行运动位姿检测，验证正四棱锥式IMU布局在静止状态和运动状态下的位姿解算精度；最后，为进一步测试冗余IMU布局的实用性，开展履带式钻孔机器人沿“直线-坡道”轨迹的运动实验。结果表明：正四棱锥式IMU布局具有更小的位置误差与姿态解算误差，优于其他冗余布局方式；正四棱锥式IMU布局解算的俯仰角、航向角、横滚角平均绝对误差分别为0.479 4°、0.210 8°、0.214 3°，在东、北、天方向位移的平均绝对误差分别为0.113 3、0.075 2、0.166 9 m，证明该布局方式可更好地抑制误差累积。
为提升煤矿井下移动装备的定位精度，提出一种基于冗余惯性测量单元（inertial measurement unit，简称IMU）的数据融合与解算方法。首先，设计6种冗余IMU的布局方式，建立不同布局方式下的比力加速度和角速度融合方程与解算模型；其次，对井下移动设备的运动轨迹进行仿真模拟，并对冗余IMU的不同布局方式展开对比分析；然后，搭建轮式小车运动实验台，根据设计的轨迹进行运动位姿检测，验证正四棱锥式IMU布局在静止状态和运动状态下的位姿解算精度；最后，为进一步测试冗余IMU布局的实用性，开展履带式钻孔机器人沿“直线-坡道”轨迹的运动实验。结果表明：正四棱锥式IMU布局具有更小的位置误差与姿态解算误差，优于其他冗余布局方式；正四棱锥式IMU布局解算的俯仰角、航向角、横滚角平均绝对误差分别为0.479 4°、0.210 8°、0.214 3°，在东、北、天方向位移的平均绝对误差分别为0.113 3、0.075 2、0.166 9 m，证明该布局方式可更好地抑制误差累积。
2025, 45(6):1202-1207.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.018
摘要:
针对狭小空间探索机器人结构复杂或需绳驱动的问题，设计一种无传动系统的三足小型爬行机器人。首先，利用振动电机旋转时离心力的周期性变化，驱动机器人产生前向或者旋转运动；其次，建立小型爬行机器人运动理论模型，通过数值计算绘制其运动轨迹；然后，研制出尺寸为38 mm×36 mm×33 mm、质量为17.70 g的原理样机；最后，研发机器人的电路驱动控制系统，实现内置电源和独立控制。结果表明：通过调节电压占空比，小型爬行机器人在橡胶和聚乙烯表面可实现对直线速度、转向半径、速度以及负载的控制；在驱动电压为3.3 V时，小型爬行机器人在橡胶表面可达到81 mm/s的最大直线速度和35.00 g的最大负载。该机器人具有轻质小型、结构简单、运动可控以及自带电源的优点。
针对狭小空间探索机器人结构复杂或需绳驱动的问题，设计一种无传动系统的三足小型爬行机器人。首先，利用振动电机旋转时离心力的周期性变化，驱动机器人产生前向或者旋转运动；其次，建立小型爬行机器人运动理论模型，通过数值计算绘制其运动轨迹；然后，研制出尺寸为38 mm×36 mm×33 mm、质量为17.70 g的原理样机；最后，研发机器人的电路驱动控制系统，实现内置电源和独立控制。结果表明：通过调节电压占空比，小型爬行机器人在橡胶和聚乙烯表面可实现对直线速度、转向半径、速度以及负载的控制；在驱动电压为3.3 V时，小型爬行机器人在橡胶表面可达到81 mm/s的最大直线速度和35.00 g的最大负载。该机器人具有轻质小型、结构简单、运动可控以及自带电源的优点。
2025, 45(6):1195-1201.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.017
摘要:
农业机械的稳定运行直接影响农业生产效率，但关于农机设备的状态检测和故障诊断研究尚未广泛普及与应用。针对该问题，以小麦收割机为例，开展强背景噪声下的农业机械故障诊断研究。首先，设计一种基于自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，简称CEEMDAN）和小波阈值（wavelet thresholding，简称WT）相结合的方法（记作CEEMDAN-WT），对采集的小麦收割机声信号进行去噪预处理；其次，提取小麦收割机的15种相关参数表征信号特征，作为诊断模型的输入，以提高诊断精度；最后，建立一种基于卷积神经网络（convolutional neural networks， 简称CNN）和正则化极限学习机（regularized extreme learning machine，简称RELM）的诊断模型（CNN-RELM），实现小麦收割机的声信号故障诊断。结果表明：相较于单一的CNN模型和极限学习机模型，CNN-RELM模型具有更好的诊断性能，CEEMDAN-WT与CNN-RELM相结合的方法可有效实现强背景噪声下小麦收割机的故障识别。
农业机械的稳定运行直接影响农业生产效率，但关于农机设备的状态检测和故障诊断研究尚未广泛普及与应用。针对该问题，以小麦收割机为例，开展强背景噪声下的农业机械故障诊断研究。首先，设计一种基于自适应噪声完备集合经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，简称CEEMDAN）和小波阈值（wavelet thresholding，简称WT）相结合的方法（记作CEEMDAN-WT），对采集的小麦收割机声信号进行去噪预处理；其次，提取小麦收割机的15种相关参数表征信号特征，作为诊断模型的输入，以提高诊断精度；最后，建立一种基于卷积神经网络（convolutional neural networks， 简称CNN）和正则化极限学习机（regularized extreme learning machine，简称RELM）的诊断模型（CNN-RELM），实现小麦收割机的声信号故障诊断。结果表明：相较于单一的CNN模型和极限学习机模型，CNN-RELM模型具有更好的诊断性能，CEEMDAN-WT与CNN-RELM相结合的方法可有效实现强背景噪声下小麦收割机的故障识别。
2025, 45(6):1181-1187.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.015
摘要:
以某典型带厚板转换的高层框剪结构为研究对象，基于增量动力分析（incremental dynamic analysis，简称IDA）方法进行地震易损性分析，得到结构转换层以上及以下结构在不同极限状态下的地震易损性曲线及易损性矩阵。结果表明：在同一峰值地面加速度（peak ground acceleration，简称PGA）下，结构转换层以上的最大层间位移角均小于转换层以下的相应值；在PGA<0.2g时，结构转换层以下框架部分的轻微破坏状态超越概率明显大于转换层以上框剪部分；当PGA>0.4g时，框架部分的严重破坏状态超越概率迅速增大，表明其倒塌风险迅速增加；在7度罕遇及以下地震作用下，结构整体较高概率处于轻微破坏状态；当遭遇7度极罕遇地震作用时，结构转换层以下更趋于发生中等破坏，而转换层以上依然以轻微破坏状态为主；同时，结构转换层以下及以上的倒塌概率分别为0.91%和0.38%，可见该结构的破坏及倒塌风险由转换层以下的框架部分引起。总体而言，结构整体表现出良好的抗震性能，可满足“大震及巨震不倒”的抗震要求。
以某典型带厚板转换的高层框剪结构为研究对象，基于增量动力分析（incremental dynamic analysis，简称IDA）方法进行地震易损性分析，得到结构转换层以上及以下结构在不同极限状态下的地震易损性曲线及易损性矩阵。结果表明：在同一峰值地面加速度（peak ground acceleration，简称PGA）下，结构转换层以上的最大层间位移角均小于转换层以下的相应值；在PGA<0.2g时，结构转换层以下框架部分的轻微破坏状态超越概率明显大于转换层以上框剪部分；当PGA>0.4g时，框架部分的严重破坏状态超越概率迅速增大，表明其倒塌风险迅速增加；在7度罕遇及以下地震作用下，结构整体较高概率处于轻微破坏状态；当遭遇7度极罕遇地震作用时，结构转换层以下更趋于发生中等破坏，而转换层以上依然以轻微破坏状态为主；同时，结构转换层以下及以上的倒塌概率分别为0.91%和0.38%，可见该结构的破坏及倒塌风险由转换层以下的框架部分引起。总体而言，结构整体表现出良好的抗震性能，可满足“大震及巨震不倒”的抗震要求。
2025, 45(6):1173-1180.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.014
摘要:
为研究钢弹簧浮置板在160 km/h的市域快线中应用的合理性，首先，通过室内试验确定适用于市域快线的钢弹簧隔振器，以及共享式隔振器的刚度和阻尼参数；其次，基于这些参数建立高速钢弹簧浮置板（high-speed steel spring floating slab track， 简称HSFST）有限元模型，通过谐响应分析，对比HSFST与普通钢弹簧浮置板（steel spring floating slab track， 简称FST）以及普通道床（ordinary track， 简称OT）的隔振性能表现。结果表明：相比于OT，浮置板轨道具有更低的传递力和基础反力，且沿纵向能够更有效地传递变形和作用力；HSFST具有更高的隔振率，其固有频率和放大频段的范围均低于FST；共享式隔振器的应用可有效提高板间连接强度和力的传递效率，尽管这会增加共享隔振器所在位置的基础反力，但其他位置的基础反力得以显著降低；HSFST具有更低的变形、传递力、基础反力以及更高的隔振率，在市域快线中综合性能更优。
为研究钢弹簧浮置板在160 km/h的市域快线中应用的合理性，首先，通过室内试验确定适用于市域快线的钢弹簧隔振器，以及共享式隔振器的刚度和阻尼参数；其次，基于这些参数建立高速钢弹簧浮置板（high-speed steel spring floating slab track， 简称HSFST）有限元模型，通过谐响应分析，对比HSFST与普通钢弹簧浮置板（steel spring floating slab track， 简称FST）以及普通道床（ordinary track， 简称OT）的隔振性能表现。结果表明：相比于OT，浮置板轨道具有更低的传递力和基础反力，且沿纵向能够更有效地传递变形和作用力；HSFST具有更高的隔振率，其固有频率和放大频段的范围均低于FST；共享式隔振器的应用可有效提高板间连接强度和力的传递效率，尽管这会增加共享隔振器所在位置的基础反力，但其他位置的基础反力得以显著降低；HSFST具有更低的变形、传递力、基础反力以及更高的隔振率，在市域快线中综合性能更优。
2025, 45(6):1143-1150.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.010
摘要:
地铁车辆在服役过程中横向低频晃动问题时有发生，严重影响乘客的乘坐舒适性。为掌握地铁在服役过程中的横向低频晃动特性，首先，调研上海某地铁线路车轮磨损情况，建立考虑轨道不平顺输入的地铁车辆横向动力学模型，以模拟地铁横向低频晃动现象；其次，研究服役条件下等效锥度变化对横向平稳性的影响，分析车辆系统主要模态随速度变化情况；最后，针对横向低频晃车问题，对抗蛇行减振器参数进行初步选择，讨论地铁车辆采用抗蛇行减振器的必要性。结果表明：低等效锥度下，轮对蛇行模态振型与车体摇头模态振型变化趋势发生交换，阻尼比出现突变是导致横向低频晃动现象的原因；随着等效锥度的增大，蛇行运动阻尼比过低使得横向振动能量未能及时衰减，车辆在较低速度下不经历横向晃动现象而直接出现晃车问题，恶化了车辆运行品质；通过加装抗蛇行减振器，地铁车辆横向低频晃车问题得到有效控制。研究结果为解决服役地铁车辆进一步提速而面临晃车的瓶颈问题提供理论支撑。
地铁车辆在服役过程中横向低频晃动问题时有发生，严重影响乘客的乘坐舒适性。为掌握地铁在服役过程中的横向低频晃动特性，首先，调研上海某地铁线路车轮磨损情况，建立考虑轨道不平顺输入的地铁车辆横向动力学模型，以模拟地铁横向低频晃动现象；其次，研究服役条件下等效锥度变化对横向平稳性的影响，分析车辆系统主要模态随速度变化情况；最后，针对横向低频晃车问题，对抗蛇行减振器参数进行初步选择，讨论地铁车辆采用抗蛇行减振器的必要性。结果表明：低等效锥度下，轮对蛇行模态振型与车体摇头模态振型变化趋势发生交换，阻尼比出现突变是导致横向低频晃动现象的原因；随着等效锥度的增大，蛇行运动阻尼比过低使得横向振动能量未能及时衰减，车辆在较低速度下不经历横向晃动现象而直接出现晃车问题，恶化了车辆运行品质；通过加装抗蛇行减振器，地铁车辆横向低频晃车问题得到有效控制。研究结果为解决服役地铁车辆进一步提速而面临晃车的瓶颈问题提供理论支撑。
2025, 45(6):1112-1119.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.006
摘要:
针对单一传感器获取表征轴承故障的信息有限，且易受背景噪声干扰的问题，提出一种基于张量正则多元（canonical polyadic，简称CP）分解的滚动轴承微弱故障特征提取方法。首先，基于稳定工况下轴承故障脉冲信号的循环平稳特性，采用循环谱相关（spectral correlation，简称SC）分析方法将多通道测量信号分别转换至循环SC域中；其次，将多通道循环SC矩阵按照频率、循环频率与通道索引构建成张量；然后，采用CP分解对故障信息张量进行提取，并将提取的故障特征张量在通道中取均值，得到可有效表征故障特征的循环SC矩阵；最后，使用设计的滤波器和增强包络谱（enhanced envelope spectrum，简称EES）进一步增强故障特征的循环SC矩阵，并通过仿真和实验验证所提方法的有效性。结果表明：所提方法可从较强背景噪声干扰的轴承故障信号中准确有效地提取微弱故障特征。
针对单一传感器获取表征轴承故障的信息有限，且易受背景噪声干扰的问题，提出一种基于张量正则多元（canonical polyadic，简称CP）分解的滚动轴承微弱故障特征提取方法。首先，基于稳定工况下轴承故障脉冲信号的循环平稳特性，采用循环谱相关（spectral correlation，简称SC）分析方法将多通道测量信号分别转换至循环SC域中；其次，将多通道循环SC矩阵按照频率、循环频率与通道索引构建成张量；然后，采用CP分解对故障信息张量进行提取，并将提取的故障特征张量在通道中取均值，得到可有效表征故障特征的循环SC矩阵；最后，使用设计的滤波器和增强包络谱（enhanced envelope spectrum，简称EES）进一步增强故障特征的循环SC矩阵，并通过仿真和实验验证所提方法的有效性。结果表明：所提方法可从较强背景噪声干扰的轴承故障信号中准确有效地提取微弱故障特征。
2025, 45(6):1098-1104.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.004
摘要:
针对常规方法难以检测镁合金涂层缺陷的问题，提出采用非线性超声检测技术对含有不同程度微缺陷的镁合金聚乳酸涂层试件进行检测。同时，由于镁合金涂层试件较小，可容纳的正弦脉冲周期数较少，导致超声非线性系数β的计算易受到噪声和频率偏移的干扰而产生较大误差，提出采用截断-最小二乘法（truncation least square method，简称TC-LS）等4种信号处理方法对涂层试件检测信号进行处理，并进行仿真试验研究。结果表明：TC-LS计算β的误差在5%以内，在抗噪能力和处理少周期数信号能力上比其他3种方法更强、精度更高。对实测信号研究分析表明，TC-LS比离散傅里叶变换（discrete Fourier transform，简称DFT）得到的β值趋势变化更加明显，能够更有效计算β值，为非线性超声信号处理提供了一种新方法。
针对常规方法难以检测镁合金涂层缺陷的问题，提出采用非线性超声检测技术对含有不同程度微缺陷的镁合金聚乳酸涂层试件进行检测。同时，由于镁合金涂层试件较小，可容纳的正弦脉冲周期数较少，导致超声非线性系数β的计算易受到噪声和频率偏移的干扰而产生较大误差，提出采用截断-最小二乘法（truncation least square method，简称TC-LS）等4种信号处理方法对涂层试件检测信号进行处理，并进行仿真试验研究。结果表明：TC-LS计算β的误差在5%以内，在抗噪能力和处理少周期数信号能力上比其他3种方法更强、精度更高。对实测信号研究分析表明，TC-LS比离散傅里叶变换（discrete Fourier transform，简称DFT）得到的β值趋势变化更加明显，能够更有效计算β值，为非线性超声信号处理提供了一种新方法。
2025, 45(6):1082-1089.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.06.002
摘要:
针对单一传感器数据在复杂工程系统的故障诊断中难以全面获取机械设备的状态信息、且易受工况变化干扰的问题，提出了一种基于卷积神经网络（convolutional neural network，简称CNN）的多模态数据融合轴承故障诊断方法。首先，构建小波滤波器组，对振动信号和声发射信号自适应选择时频变换尺度区间，进行连续小波变换生成时频图样本；其次，搭建深度学习诊断模型，设计多尺度模块、密集耦合模块以及融合与决策模块，提取不同模态数据的故障特征，并引入相似性约束学习联合特征信息；最后，利用Softmax分类函数实现滚动轴承不同故障位置和程度的精确分类。实验室多模态数据集的验证结果表明，当测试集中加入未训练过的转速数据时，所提出的多尺度特征密集耦合卷积神经网络（multi-scale feature dense coupled convolutional neural network，简称MFDCCNN）的平均识别准确率达到99.21%，且在分类准确性、诊断稳定性和泛化能力这3个方面均优于经典深度学习模型、消融实验模型和单一源数据诊断方法。
针对单一传感器数据在复杂工程系统的故障诊断中难以全面获取机械设备的状态信息、且易受工况变化干扰的问题，提出了一种基于卷积神经网络（convolutional neural network，简称CNN）的多模态数据融合轴承故障诊断方法。首先，构建小波滤波器组，对振动信号和声发射信号自适应选择时频变换尺度区间，进行连续小波变换生成时频图样本；其次，搭建深度学习诊断模型，设计多尺度模块、密集耦合模块以及融合与决策模块，提取不同模态数据的故障特征，并引入相似性约束学习联合特征信息；最后，利用Softmax分类函数实现滚动轴承不同故障位置和程度的精确分类。实验室多模态数据集的验证结果表明，当测试集中加入未训练过的转速数据时，所提出的多尺度特征密集耦合卷积神经网络（multi-scale feature dense coupled convolutional neural network，简称MFDCCNN）的平均识别准确率达到99.21%，且在分类准确性、诊断稳定性和泛化能力这3个方面均优于经典深度学习模型、消融实验模型和单一源数据诊断方法。
2025, 45(5):1028-1036.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.05.023
摘要:
为研究数据驱动的地铁钢轨波磨状态演变规律，针对地铁钢轨波磨的快速检测问题，提出了一种时空密集型的地铁钢轨波磨快速测量方式。首先，采用高精度传感器检测列车编组车体振动，收集车体三向振动加速度数据；其次，融合不同车体三向振动加速度估计车速和里程位置；然后，采用小波包分解车体垂向振动加速度，定义振动能量比指标，即钢轨波磨波长激发的车体振动特征频带能量与振动总能量的比值，确定振动能量比阈值自动识别钢轨波磨，并输出里程信息；最后，通过车速与特征频率的比值得到钢轨波磨波长信息，并分析振动能量比和钢轨波磨幅值的映射关系。结果表明：振动能量比阈值取为0.2时识别的钢轨波磨里程分布与车厢噪声识别结果一致，计算的钢轨波磨波长与波磨仪实测波长均为175 mm；统计聚类发现钢轨波磨幅值与振动能量比不是单一线性映射关系；基于振动能量比快速检测全线钢轨波磨分布，发现无波磨区段占比为76.56%，波磨区段占比为23.44%，其中钢轨波磨波长以60 mm以下为主，占比为77.88%，波长60 mm以上的波磨占比为22.12%。
为研究数据驱动的地铁钢轨波磨状态演变规律，针对地铁钢轨波磨的快速检测问题，提出了一种时空密集型的地铁钢轨波磨快速测量方式。首先，采用高精度传感器检测列车编组车体振动，收集车体三向振动加速度数据；其次，融合不同车体三向振动加速度估计车速和里程位置；然后，采用小波包分解车体垂向振动加速度，定义振动能量比指标，即钢轨波磨波长激发的车体振动特征频带能量与振动总能量的比值，确定振动能量比阈值自动识别钢轨波磨，并输出里程信息；最后，通过车速与特征频率的比值得到钢轨波磨波长信息，并分析振动能量比和钢轨波磨幅值的映射关系。结果表明：振动能量比阈值取为0.2时识别的钢轨波磨里程分布与车厢噪声识别结果一致，计算的钢轨波磨波长与波磨仪实测波长均为175 mm；统计聚类发现钢轨波磨幅值与振动能量比不是单一线性映射关系；基于振动能量比快速检测全线钢轨波磨分布，发现无波磨区段占比为76.56%，波磨区段占比为23.44%，其中钢轨波磨波长以60 mm以下为主，占比为77.88%，波长60 mm以上的波磨占比为22.12%。
2025, 45(5):961-968.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.05.014
摘要:
行星齿轮箱出现早期故障时，由于工业环境的背景噪声干扰和故障冲击在复杂传递路径中衰减，其微弱故障特征难以有效提取和识别。针对此问题，提出了稀疏引导的改进经验小波变换（improved empirical wavelet transform，简称IEWT）结合多点最优最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted，简称MOMEDA）的微弱故障特征提取方法。首先，提出了一种新的故障综合指标（fault composite index，简称FCI），结合信号频谱的幅值包络线将原始信号自适应分解为一组IEWT分量；其次，通过稀疏引导方法选出敏感分量作为原始微弱故障信号的稀疏表示；最后，对敏感分量信号进行MOMEDA处理，降低信号噪声并提取微弱信号故障特征频率用于检测。仿真和实验结果表明，所提方法对含有噪声的非平稳非线性行星齿轮箱故障信号有良好的诊断效果，验证了该方法的有效性，为工程实践中行星齿轮箱弱故障的诊断和检测提供了一种方法。
行星齿轮箱出现早期故障时，由于工业环境的背景噪声干扰和故障冲击在复杂传递路径中衰减，其微弱故障特征难以有效提取和识别。针对此问题，提出了稀疏引导的改进经验小波变换（improved empirical wavelet transform，简称IEWT）结合多点最优最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted，简称MOMEDA）的微弱故障特征提取方法。首先，提出了一种新的故障综合指标（fault composite index，简称FCI），结合信号频谱的幅值包络线将原始信号自适应分解为一组IEWT分量；其次，通过稀疏引导方法选出敏感分量作为原始微弱故障信号的稀疏表示；最后，对敏感分量信号进行MOMEDA处理，降低信号噪声并提取微弱信号故障特征频率用于检测。仿真和实验结果表明，所提方法对含有噪声的非平稳非线性行星齿轮箱故障信号有良好的诊断效果，验证了该方法的有效性，为工程实践中行星齿轮箱弱故障的诊断和检测提供了一种方法。
2025, 45(5):929-936.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.05.010
摘要:
针对直线超声电机参数时变性以及驱动电压谐波影响其运行稳定性的问题，通过设计两电感-两电容（简称LLCC）谐振网络拓扑及优化其输出电压总谐波畸变率（total harmonic distortion， 简称THD）的方法，提升了电机运行稳定性。首先，采用考虑定/动子接触状态下的等效电路模型，推导出LLCC阻抗匹配的计算公式，引入补偿电容改善阻抗匹配的弹性裕度与稳定性；其次，探讨了谐振点附近的LLCC匹配电路滤波特性，推导出输出电压THD与LLCC谐振电路参数的数学关系，分析了变压器寄生参数对LLCC谐振电路的影响，并提出以正弦输出电压THD 值为主要指标的LLCC 谐振电路优化设计方法；最后，设计了V型直线超声电机的LLCC谐振驱动器。实验结果表明：谐振网络中串、并联电容的比值决定输出电压幅值增益水平、THD和串联电容两端电压峰值，且前两者相互制衡；并联电感值为软开关特性的主要决定因素；驱动电压THD值控制在3%以内，相比优化前提升了70%以上。
针对直线超声电机参数时变性以及驱动电压谐波影响其运行稳定性的问题，通过设计两电感-两电容（简称LLCC）谐振网络拓扑及优化其输出电压总谐波畸变率（total harmonic distortion， 简称THD）的方法，提升了电机运行稳定性。首先，采用考虑定/动子接触状态下的等效电路模型，推导出LLCC阻抗匹配的计算公式，引入补偿电容改善阻抗匹配的弹性裕度与稳定性；其次，探讨了谐振点附近的LLCC匹配电路滤波特性，推导出输出电压THD与LLCC谐振电路参数的数学关系，分析了变压器寄生参数对LLCC谐振电路的影响，并提出以正弦输出电压THD 值为主要指标的LLCC 谐振电路优化设计方法；最后，设计了V型直线超声电机的LLCC谐振驱动器。实验结果表明：谐振网络中串、并联电容的比值决定输出电压幅值增益水平、THD和串联电容两端电压峰值，且前两者相互制衡；并联电感值为软开关特性的主要决定因素；驱动电压THD值控制在3%以内，相比优化前提升了70%以上。
2025, 45(5):869-876.
DOI: 10.16450/j.cnki.issn.1004-6801.2025.05.002
摘要:
为了研究叶片裂纹故障机理，分析叶片裂纹对转子系统三维叶尖间隙的影响，并综合考虑叶片的径向变形、摆振方向和弦长方向的弯曲变形，基于连续梁理论建立了转子系统动力学模型。首先，基于三维应力状态的叶片呼吸裂纹模型，进一步建立了含叶片裂纹的转子系统三维叶尖间隙动态响应模型；其次，通过与有限元模型和实验结果进行对比，验证了动力学模型的准确性；最后，分析了叶片裂纹深度和位置对转子系统三维叶尖间隙的影响。结果表明，转子系统三维叶尖间隙高倍频分量的幅值随着叶片裂纹深度的增加而增加，三维叶尖间隙基频分量和高倍频分量的幅值均随着叶片相对裂纹位置增大而呈现非单调的变化趋势。该研究结果对基于三维叶尖间隙的航空发动机叶片裂纹监测诊断方法研究具有理论指导作用。
为了研究叶片裂纹故障机理，分析叶片裂纹对转子系统三维叶尖间隙的影响，并综合考虑叶片的径向变形、摆振方向和弦长方向的弯曲变形，基于连续梁理论建立了转子系统动力学模型。首先，基于三维应力状态的叶片呼吸裂纹模型，进一步建立了含叶片裂纹的转子系统三维叶尖间隙动态响应模型；其次，通过与有限元模型和实验结果进行对比，验证了动力学模型的准确性；最后，分析了叶片裂纹深度和位置对转子系统三维叶尖间隙的影响。结果表明，转子系统三维叶尖间隙高倍频分量的幅值随着叶片裂纹深度的增加而增加，三维叶尖间隙基频分量和高倍频分量的幅值均随着叶片相对裂纹位置增大而呈现非单调的变化趋势。该研究结果对基于三维叶尖间隙的航空发动机叶片裂纹监测诊断方法研究具有理论指导作用。
2023, 43(1):119-125.
DOI: 10.16450/j.cnki.issn.1004-6801.2023.01.018
摘要:
采用低弹性模量且具有高介电常数的材料作为电容式压力传感器的介电层，是一种提高传感器灵敏度与初始电容信号的理想方法，然而这2个材料特性往往相互冲突。针对这一问题，提出了一种液态金属弹性体泡沫，其具有较低的弹性模量（10.2 kPa）、较强的可压缩性（70%应变）与高介电常数（5.5~20.9）。以该泡沫作为介电层，并设计带有屏蔽层的柔性电极，研制了一种高灵敏度、大初始电容信号的柔性电容式压力传感器。试验结果表明，该传感器灵敏度高达0.36 kPa-1，响应/恢复速度快（<49 ms），迟滞低（8.7%），同时可检测低至4.9 Pa的微小压力，具有良好的稳定性与可靠性。此外，通过驰张筛筛板弯曲挠度变化测试验证了所研发传感器的有效性，与激光位移传感器的测量结果对比表明，该柔性压力传感器可准确检测弛张筛筛板弯曲挠度的变化。
采用低弹性模量且具有高介电常数的材料作为电容式压力传感器的介电层，是一种提高传感器灵敏度与初始电容信号的理想方法，然而这2个材料特性往往相互冲突。针对这一问题，提出了一种液态金属弹性体泡沫，其具有较低的弹性模量（10.2 kPa）、较强的可压缩性（70%应变）与高介电常数（5.5~20.9）。以该泡沫作为介电层，并设计带有屏蔽层的柔性电极，研制了一种高灵敏度、大初始电容信号的柔性电容式压力传感器。试验结果表明，该传感器灵敏度高达0.36 kPa-1，响应/恢复速度快（<49 ms），迟滞低（8.7%），同时可检测低至4.9 Pa的微小压力，具有良好的稳定性与可靠性。此外，通过驰张筛筛板弯曲挠度变化测试验证了所研发传感器的有效性，与激光位移传感器的测量结果对比表明，该柔性压力传感器可准确检测弛张筛筛板弯曲挠度的变化。
2023, 43(1):24-30.
DOI: 10.16450/j.cnki.issn.1004-6801.2023.01.004
摘要:
由于在工程实际中采集的故障振动数据分布不同且难以标记，使得卷积神经网络（convolutional neural network， 简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题，提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先，建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练；其次，利用最大均值差异（maximum mean discrepancy， 简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离，并通过MMD判断卷积层和全连接层能否迁移，若不能迁移则使用初始化方式补全模型；最后，使用少量标记的目标域数据再次训练模型，进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证，结果显示，该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类，并达到较高的诊断准确率。
由于在工程实际中采集的故障振动数据分布不同且难以标记，使得卷积神经网络（convolutional neural network， 简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题，提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先，建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练；其次，利用最大均值差异（maximum mean discrepancy， 简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离，并通过MMD判断卷积层和全连接层能否迁移，若不能迁移则使用初始化方式补全模型；最后，使用少量标记的目标域数据再次训练模型，进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证，结果显示，该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类，并达到较高的诊断准确率。
2022, 42(6):1233-1238.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.026
摘要:
深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题，提出了一种基于深度学习长短时记忆（long short time memory， 简称LSTM）网络结合深度置信网络（deep belief networks，简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合，提取高维故障统计特征，利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示，准确地判断故障种类，并凭借LSTM对时序信号强大的预测能力，预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。
深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题，提出了一种基于深度学习长短时记忆（long short time memory， 简称LSTM）网络结合深度置信网络（deep belief networks，简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合，提取高维故障统计特征，利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示，准确地判断故障种类，并凭借LSTM对时序信号强大的预测能力，预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。
2022, 42(6):1108-1114.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.008
摘要:
针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ，简称SNR）低的特点，提出了一种利用注意力循环机制（attention recurrent，简称AR）构建数字胶囊并与胶囊网络（capsule network，简称Caps）相融合的微弱故障诊断模型。首先，在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network，简称Bi?LSTM），对时频图中的时序特征进行提取，并建立胶囊间的非线性关联；其次，引入注意力循环机制构建数字胶囊，提高时频图中不同时间和频带的能量强度变化的影响力；然后，通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合，实现特征的多样提取；最后，利用softmax分类器将融合特征映射到输出层，实现高噪声环境下的滚动轴承故障诊断。结果表明，该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度，并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。
针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ，简称SNR）低的特点，提出了一种利用注意力循环机制（attention recurrent，简称AR）构建数字胶囊并与胶囊网络（capsule network，简称Caps）相融合的微弱故障诊断模型。首先，在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network，简称Bi?LSTM），对时频图中的时序特征进行提取，并建立胶囊间的非线性关联；其次，引入注意力循环机制构建数字胶囊，提高时频图中不同时间和频带的能量强度变化的影响力；然后，通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合，实现特征的多样提取；最后，利用softmax分类器将融合特征映射到输出层，实现高噪声环境下的滚动轴承故障诊断。结果表明，该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度，并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。
2022, 42(6):1062-1067.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.002
摘要:
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理，再结合神经网络进行特征提取与分类，不仅流程复杂、耗费时间，而且识别准确率不高。针对此问题，采用一维卷积神经网络（one dimensional convolutional neural network，简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类，其准确率可达80%，相较于采用传统的前馈神经网络63.9%的识别准确率，提高了15.07%；与采用支持向量机（support vector machine ，简称SVM）对故障进行分类识别相比，该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入，通过卷积、池化等一系列操作，输出最后的分类结果，简化了传统方法先进行信号处理再通过机器学习诊断的步骤，为航空发动机故障诊断提供一种可行方法。
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理，再结合神经网络进行特征提取与分类，不仅流程复杂、耗费时间，而且识别准确率不高。针对此问题，采用一维卷积神经网络（one dimensional convolutional neural network，简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类，其准确率可达80%，相较于采用传统的前馈神经网络63.9%的识别准确率，提高了15.07%；与采用支持向量机（support vector machine ，简称SVM）对故障进行分类识别相比，该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入，通过卷积、池化等一系列操作，输出最后的分类结果，简化了传统方法先进行信号处理再通过机器学习诊断的步骤，为航空发动机故障诊断提供一种可行方法。
2022, 42(5):1009-1016.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.05.025
摘要:
针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN?BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。
针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN?BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。
2022, 42(4):636-643.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.04.002
摘要:
针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出了基于均方谐噪比（mean square harmonic noise ratio，简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter， 简称RPF）相结合的剩余寿命预测方法。首先，在局部均值进行信号分解的基础上，通过MSHNR指标实现轴承退化过程的特征提取；其次，分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型，并利用基于欧式距离的核函数实现重采样过程的改进，实现轴承健康状态评估和剩余寿命预测；最后，通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据，提高公众对核动力旋转设备运行的认识与信赖。
针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出了基于均方谐噪比（mean square harmonic noise ratio，简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter， 简称RPF）相结合的剩余寿命预测方法。首先，在局部均值进行信号分解的基础上，通过MSHNR指标实现轴承退化过程的特征提取；其次，分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型，并利用基于欧式距离的核函数实现重采样过程的改进，实现轴承健康状态评估和剩余寿命预测；最后，通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据，提高公众对核动力旋转设备运行的认识与信赖。
您是第位访问者
振动、测试与诊断 ® 2026 版权所有
技术支持：北京勤云科技发展有限公司
振动、测试与诊断 ® 2026 版权所有
技术支持：北京勤云科技发展有限公司