摘要:总结了基于数据驱动的故障诊断技术理论、方法及其在航天器上的应用现状，指出其面临的挑战并提出一种解决方案。将基于数据驱动的故障诊断方法按照技术发展顺序分为基于传统机器学习的方法、基于深度学习的方法以及基于迁移学习的方法。基于传统机器学习的方法需要大量的人工参与和丰富的专家经验，在小样本数据上有着优异的性能，但不适合处理大数据。在大数据背景下，重点介绍了卷积神经网络、循环神经网络、深度自编码器以及深度信念网络的基本概念以及原理，对其在航天器故障诊断领域的研究现状进行了阐述和总结。针对深度学习严重依赖于带标签数据这一问题，介绍了基于迁移学习的故障诊断技术，并提出适应航天器应用的场景，为数据驱动的故障诊断技术工程应用提供了一种方法和思路。

摘要:柔性生产线的数字孪生可以实现柔性生产过程运行状态的实时感知，并利用孪生数据优化生产。为此，提出了一种基于数字孪生的柔性生产线状态感知方法。首先建立了该方法的体系架构，并对系统实现中的3大关键技术,基于Unity 3D的数字孪生模型搭建、基于OPC UA的异构设备数据实时获取及基于孪生模型的状态感知分别进行了详细论述。最后，基于某柔性生产车间进行了试验验证，实现了状态感知及故障诊断，验证了所提方法的可行性与有效性，为柔性生产线状态感知的实现提供了有效的解决方案。

摘要:针对实时工况下起重机回转系统整体健康状况难以评估的问题，研究基于拉普拉斯映射与KullbackLeibler距离结合的回转系统整体健康评估方法。在采集回转系统的多维信号后，使用随机森林和拉普拉斯映射对信号进行降噪降维，然后结合回转系统工作原理，利用高斯核密度估计表征回转系统健康性能，最后通过概率密度计算不同回转系统之间的KullbackLeibler距离，实现回转系统健康性能的评估。试验结果表明，该方法能避免数据中的噪声干扰，健康评估结果与专家评估结果相一致。

摘要:智能故障诊断技术能有效保障机械设备安全运行，传统的轴承故障诊断通常假设标记的源域和未标记的目标域数据服从同一分布。然而，在实际的诊断场景中，轴承数据的条件分布和边缘分布往往不满足同分布假设。此外，在原始欧氏空间执行自适应分布对齐时，特征扭曲难以消除，从而影响故障诊断性能。通过提出一种具有流形特征学习和动态分布对齐的自适应轴承故障诊断模型，来解决上述问题。首先，在格拉斯曼流形中构造测地线流式核，提取与轴承故障信息相关的固有流形特征表示，以避免数据特征扭曲;其次，通过distance定义一个跨域自适应因子来动态评估流形特征的条件分布和边缘分布;最后，基于结构风险最小化原则迭代求解一个跨域分类器，进而预测目标域样本标签。通过多个指标的实验分析，表明该模型能够有效避免特征扭曲，并利用动态权值调整跨域数据条件分布和边缘分布的相对重要性，验证了所提方法的有效性。

摘要:为了提高自适应噪声完备经验模态分解（complete ensemble empirical mode decomposition with adaptive noise，CEEMDAN）的分解能力和分解精度，解决CEEMDAN方法中噪声残留等问题，提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解（meanoptimized ensemble empirical mode decomposition with adaptive noise，MEEMDAN）。MEEMDAN在迭代筛分过程中引入不同的权重，以正交性指标最小为依据，从不同权重下的分解结果中选取最优模态函数(IMF)，确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时，将MEEMDAN和最大相关峭度反褶积相结合，并应用于滚动轴承仿真数据和实测数据分析，结果表明，与现有方法相比，所提方法能够更为准确地提取出故障特征频率，且在分解能力和抑制干扰频率方面更具有优越性。

摘要:局部特征尺度分解（local characteristicscale decomposition, LCD）方法在改善了经验模态分解（empirical mode decomposition, EMD）方法的同时，也继承了EMD的模态混叠问题。噪声辅助分解是解决EMD模态混叠问题的主要方法之一，但由于LCD对于噪声更加敏感，如果采用总体平均经验模态分解（ensemble empirical mode decomposition， EEMD）方法中的白噪声作为辅助信号不仅不能够有效地改善LCD中的模态混叠问题，还会产生较多的虚假分量。对此，提出一种改进的LCD方法——匀相窄波局部特征尺度分解方法（uniform phase local characteristicscale decomposition, UPLCD）。UPLCD采用具有均变相位的窄波信号来代替白噪声作为辅助分解信号，能够在抑制LCD模态混叠的同时，避免白噪声带来虚假分量增多的情况。通过仿真信号分析，验证了UPLCD方法抑制模态混叠的有效性。并将所提出的方法应用到机械故障诊断中，和EEMD、LCD和匀变相位经验模态分解（uniform phase empirical mode decomposition， UPEMD）等方法对比，结果表明，所提出的UPLCD方法能够有效地处理旋转机械故障模态信号，在分解精度和抑制干扰信号等方面更具优势。

摘要:主轴轴承作为机床关键零部件，针对轴承故障信息比较复杂难以获取，并且故障数据样本少问题，提出了基于小波包混合特征和支持向量机（SVM）的数控机床轴承故障诊断方法。首先对轴承振动信号进行小波包分解和重构，提取信号的混合特征构建联合特征空间；然后使用t-分布式随机邻域嵌入法对样本数据进行降维，观测混合特征样本集的数据分布；最后使用非线性SVM进行故障分类。经过现场数控机床数据验证，对主轴轴承内圈、外圈和滚珠的故障识别的准确率为100%，与线性SVM以及BP神经网络的故障分类效果来比较,该方法能更加精准地识别出了数控机床主轴轴承故障。

摘要:针对单向阀振动信号易被噪声淹没和故障表征不明显的问题，提出了一种基于总变差降噪(TVD)和递归定量分析(RQA)的单向阀故障诊断方法。首先利用总变差降噪方法对振动信号进行降噪，提高信号的信噪比；然后对降噪后的信号绘制递归图，通过递归定量分析方法提取递归图中的非线性特征参数，并对所提取特征参数进行敏感度分析，找出敏感度较高的特征参数构成特征向量；最后将得到的特征向量输入加权K近邻分类器(WKNN)完成单向阀故障类型的识别。实验结果表明，该方法在降低背景噪声、表征故障信息和保证故障诊断准确性方面具有明显的效果，具有一定的工程应用价值。

摘要:针对滚动轴承故障信号易受环境噪声干扰，故障特征信息获取相对困难的问题，提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF)，然后利用最大相关峭度解卷积算法对各阶模态分量进行计算，选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象，并对其进行快速谱峭度分析；最后根据快速谱峭度图结果设置滤波频率，对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障

摘要:轴承作为旋转机械设备的重要部件之一，利用监测数据对其开展性能退化评估及剩余寿命预测，对于提高设备可靠性、降低维修成本至关重要。针对传统数据驱动方法在特征提取中过度依赖先验知识和专家经验，未能有效利用时间序列数据中的中长期依赖关系进行建模等问题，提出了一种基于卷积神经网络（CNN）和双向长短期记忆（BLSTM）网络的端到端深度模型进行轴承性能退化预测。该模型采用3层结构，首先，采用CNN直接从原始数据中提取特征向量；然后，将特征向量以时间序列方式重新构造，引入BLSTM网络捕获数据的时序特征；最后，利用一个全连接层和线性回归层来输出模型的最终预测结果。轴承加速寿命实验结果显示所提方法的RMSE和MAPE相比传统方法分别降低了127%和171%，说明该方法能够有效提高轴承性能退化的预测精度。

摘要:随着高端装备在工业领域的广泛应用，其运行状态对装备的安全性和产品的性能影响重大，突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定。机电系统多处于变转速工作状态，其状态特征信息难以获取，为机电系统的故障诊断和预测带来困难。针对此问题，提出了深度学习的机电系统故障分类识别诊断模型。首先将采集到的关键部位的振动信号进行时频变换转换为时频图构成输入样本；其次将样本输入深度学习神经网络进行特征学习和状态识别；研究了不同变换与深度学习卷积神经网络相结合的方法，应用于某机电系统试验台进行故障状态分类性能对比，实验结果表明该方法为机电系统的故障诊断提供了一种新途径。

摘要:为深入分析不同转静碰摩故障引起振动响应信号波内调制特征的变化规律，以Jeffcott转子模型为基础，采用基于变分模态分解的Hilbert变换方法对不同碰摩故障仿真信号进行波内调制特征的提取与分析，揭示了碰摩转子的动力学特性与其故障信号波内调制特性间的关联机理。仿真结果表明，周期k碰摩故障将导致振动响应信号中低频段波内调频模态的瞬时频率以1/k倍频为中心振荡，且振荡频率依然为1/k倍频，进而造成了频谱中的1/k边频带；在概周期碰摩故障中，波内调制频率为靠近1/k倍频的无理数倍频和整数倍频，且造成振动信号频谱中的无理数边频带。离心泵转子故障诊断试验表明，波内调制特征能够有效地对转子碰摩故障进行有效的诊断。

摘要:可编程逻辑控制(fieldprogrammable gate array, FPGA) 既具有硬件电路的运算速度和稳定性，又具有软件的可编程和灵活性，可进行多通路的高速并行快速傅里叶变换。因此，FPGA在工业设备在线监测、振动信号处理和边缘计算中获得越来越多的应用。为了充分利用FPGA的性能，提高FPGA的计算精度，使用转子实验台和基于FPGA的振动监测设备，对影响振动结果准确性的关键运算步骤进行试验研究，寻找振动信号采集和处理过程中的信号滤波、数字积分、峰值检测等关键步骤的最优参数配置。结果表明，积分截止频率的大小会极大影响积分的效果，应该根据设备的转速合理设置截止频率提高积分效果；加入带通4阶巴特沃斯滤波能够消除高频噪声的影响，提高采集信号峰值的稳定性；模拟电容充放电计算信号峰值灵敏度适中，适合计算存在“毛刺”的原始信号峰值，结果可以用于设备振动保护；1 s的峰峰值灵敏度较高，适合设备的预警检测，发现设备的早期故障，而4个旋转周期峰峰值灵敏度较低，且不易实现。

摘要:提出了一种基于核主成分分析(KPCA)方法和运用了Dropout策略的长短时记忆神经网络(LSTM)的轴承剩余寿命预测方法。首先，提取了振动信号的有效值、最大值、峰峰值、峭度等14个时域特征指标。然后，利用KPCA方法融合轴承振动信号时域特征指标得到若干的主成分。提取若干主成分之中的第一主成分来评估研究对象的性能退化状态，利用主成分选取标准选择多个主成分作为本文预测模型的输入。接着建立利用Dropout策略进行改进的LSTM预测模型。最后，采用某轴承数据对本文所提方法进行了有效性验证。计算结果表明，对轴承退化程度的预测准确度达到了9592%，所提方法可以有效地来对轴承的剩余寿命进行预测，预测精度较高。

摘要:气流激振故障是燃汽轮机由于工作介质引发的常见故障,针对某型燃气轮机气流激振故障,建立峰值保持降采样算法和粒子群算法优化的深度置信网络故障诊断模型。使用峰值保持降采样法对振动数据进行缩减,并以之作为深度置信神经网络的输入,降低模型训练时间,同时采取粒子群算法对深度置信网络结构参数寻优,搜索诊断性能最好的深度置信模型所对应的网络结构参数。实例结果表明,优化后的模型不仅降低模型训练时间，实现网络结构参数智能寻优，还有效实现燃气轮机气流激振故障诊断,测试准确率约为998%。

摘要:针对基于卷积神经网络（CNN）的域自适应技术在提取可迁移特征的训练过程中，存在内部协变量移位的问题，提出一种多层域自适应滚动轴承故障诊断方法。首先，利用CNN提取原始振动数据的可迁移特征；其次，提出了多层域自适应和权重正则化项约束CNN参数，进一步减少可迁移特征的分布差异，从而解决域移位问题；最后，利用凯斯西储大学的滚动轴承数据集进行实验验证。结果表明，该方法能够有效地减少源域和目标域之间的特征分布差异，提高CNN模型对目标域数据集的诊断性能，相对于最高层域自适应的故障诊断方法，所提方法能在两个数据集之间的迁移故障诊断中得到较高的分类识别结果。

摘要:驱动电机轴承健康状态是实现纯电动车可靠运行，避免发生安全事故的重要前提，针对纯电动车电机滚动轴承状态监测方法缺失的问题，提出一种基于稀疏自编码器(sparse autoencoder, SAE)与支持向量机(support vector machine, SVM)的纯电动车用电机滚动轴承状态监测方法。在特征提取方面，利用电机轴承振动信号的时域、频域以及时频域特征集构建高维数据集，通过多层SAE进行数据融合从而消除特征的冗余性并获得更鲁棒的简明特征。在状态监测方面，将轴承状态的特征表示输入到SVM中进行训练得到轴承状态监测模型，最后通过设计纯电动客车用电机轴承状态变化实验评估该方法的有效性。试验结果表明，相比于传统特征+SVM，基于SAESVM的监测方法对纯电动车用电机滚动轴承状态监测精度更加准确可靠。

摘要:可控震源是物探领域的重要设备，其在低频段的隔振性能不理想，在一定程度上影响了勘探的效果。以KZ28型可控震源车为研究对象，建立了负刚度隔振系统，通过降低刚度提高原隔振系统在低频段的隔振效率，并通过仿真验证该系统可以应用于可控震源车隔振。将负刚度系统引入可控震源车实物模型，进行了隔振效果测试。结果表明，该负刚度隔振系统能将提高隔振效率提升15%以上。负刚度隔振系统应用于可控震源车具有可行性，为后续工程应用奠定了基础。

摘要:针对一种新型的陶瓷基多孔复合材料粘接结构件，利用超声C扫描系统对构件脱粘缺陷进行检测时，由于材料多孔性和各向异性导致超声数据产生强烈的声学噪声，造成重构图像边缘模糊。针对此问题，提出利用小波包时频域分析及能量谱分析的方法获取超声回波信号的频谱和能量谱特征。为增强回波信号的特征，采用自适应小波包阈值算法进行消噪处理，相较于传统的超声信号消噪方法信噪比提高了近20%，有效减小噪声信号对原始超声信号的干扰。在此基础上，对陶瓷基复合材料的粘接缺陷进行图像重建，对于直径为2 mm的微型脱粘缺陷也能够实现清晰表征。结果表明了所提超声信号处理方法的有效性，通过较大程度改善重构图像的质量，更清晰的反映了微小缺陷的边缘，从而提高了量化表征精度。

摘要:针对实际复杂系统诊断与测试过程中普遍存在的不确定性问题，提出测试不可靠条件下基于人工免疫克隆选择算法（artificial immune clone selection algorithm, AICS）的测试点优化选择方法。通过综合考虑故障检测率、隔离率、虚警率以及测试总费用等性能指标，构造了反映测试点集性能的适应度函数，并设计了基于AICS的不可靠测试点优化方案，有效地降低了算法复杂度，时间开销缩减到0496 s，提高了运行效率。最后用燃油耗量测量系统的耗量组件进行实例验证，结果表明该方法能够获得在满足故障检测率、隔离率、虚警率等性能指标要求下,使得测试总费用最少的测试点集合，并且其综合性能指标优于遗传算法和模拟退火粒子群算法。

摘要:针对复杂工况下管道系统堵塞状态识别模型精度出现偏差的问题，提出一种基于时频图像和卷积神经网络（CNN）对管道内的堵塞物和三通件个体识别方法。首先，利用声波检测管道得到不同工况的低频声压信号，滤波处理后进行平滑伪WignerVille时频分析得到声信号时频分布图；然后，采用大津阈值分割法对单一和复杂工况时频分布图像进行自适应分割，得到堵塞物和三通件时频图像；最后，将单一工况下轻度堵塞、重度堵塞、三通件和管道尾端4种物体的时频图像输入至卷积神经网络支持向量机（CNNSVM）模型进行训练，将训练好参数的模型应用于复杂工况下不同程度堵塞物和三通件的自动识别。实验结果表明，所提出的方法对4类目标在复杂工况下的识别率均达到96%以上，识别精度高于传统人工特征提取的模型。验证了堵塞物在不同工况下对声波的影响具有共性，与三通件具有差异性；对复杂工况下管道中不同程度堵塞物和三通件个体进行分析，可以有效克服工况分布差异对模型识别精度造成的偏差。

摘要:针对由于光在水体中衰减、散射，造成捕捉的水下图像存在偏色、对比度低、清晰度差、光照不均等问题,提出一种基于颜色校正和改进二维伽马函数的水下图像增强方法。首先，用带颜色恢复的多尺度Retinex增强算法(MSRCR)校正偏色问题，获得一个输入图像；然后用改进的二维伽马函数降低光照不均匀对水下图像的影响，并用基于自适应Sigmoid函数双直方图均衡化（BEASF）增强图像对比度，获得另一个输入图像；最后结合对比度、显著性、饱和度、曝光度4个权重进行多权重融合，得到最终的增强图像。实验结果表明，该算法不仅能有效的改善水下图像偏色的问题，而且增强了图像的细节和对比度。

摘要:水下环境的复杂性对水声通信带来挑战，一般通过优化信道估计技术来实现水下通信的高速率、可靠性传输。将滤波器组多载波/交错正交幅度调制(filter bank based multicarrier/offset quadrature amplitude modulation, FBMC/OQAM)技术引入水下，研究FBMC/OQAM系统中信道估计技术，并对离散导频信道估计算法进行重点研究。分析了不同信道影响下离散导频信道估计的性能，并针对辅助导频法额外功率消耗过高的问题进行改进，提出一种改进的辅助导频方法(improved auxiliary pilot method，IAP)，降低功率消耗的同时又提高了估计性能。理论分析和水下仿真结果表明， IAP算法是水声通信实际应用中较好的选择。

摘要:为了提高室内定位的准确性，同时降低现场勘测的成本，提出了基于高斯过程回归和WiFi指纹的室内定位方法。首先，在离线阶段，采用高斯过程回归模型（GPR）来扩展WiFi指纹数据库，即通过对不同的GPR核函数进行训练，得到最佳的GPR预测模型，进而利用有限的已知数据预测未知区域的信号强度（RSS）。然后，在指纹匹配阶段中，根据离线阶段得到的RSS数据库，分别使用加权最邻近算法（WKNN）、最大似然估计算法（MLE）、和多层神经网络（MLP）对未知点进行定位。其中，为进一步提高定位精度，提出了误差修正模型，并应用到不同的定位算法中。实验结果表明，kRBF+kMatern+kRQ的核函数组合是最佳的GPR预测模型，平均RSS估计误差为459 dBm；与原始勘测地图实现的定位结果比较，基于GPR的定位算法具有更高的定位精度，其中GPRWKNN算法的定位精度最高，其80%的定位误差为132 m，表明了使用GPR扩展地图预测位置的准确性和有效性，同时其能满足商品推荐与物资动态管理、应急救援、智慧停车、传染病患跟踪等新型应用场景对定位精度的高要求。

摘要:随着毫米波雷达在高级辅助驾驶应用中增多，未来几年将呈现大规模应用的趋势，汽车毫米波雷达在同一交通道路上互相干扰的概率增加。为此，提出一种基于维纳滤波的汽车毫米波雷达干扰抑制方法。维纳滤波对常规平稳噪声干扰信号具有较好的抑制性能，然而雷达的干扰信号为非平稳非高斯类型。为了使经典的维纳滤波适用于汽车毫米波雷达的干扰抑制，首先对回波信号的噪声基底水平进行统计，进而区分回波信号的干扰部分与无干扰部分；在距离向傅里叶变换域中，利用短长度的滑动窗口对含有干扰的雷达回波信号进行维纳滤波，自适应动态地更新滤波器系数，对干扰回波进行抑制。进一步地根据现有的雷达系统参数，完成了77 GHz汽车毫米波雷达的仿真实验以及雷达硬件干扰实验。仿真及硬件实测实验结果表明该方法可有效抑制干扰信号，并成功将淹没在干扰信号中的目标恢复，目标的信号噪声干扰比提升91 dB。

摘要:针对供水管道泄漏振动信号低信噪比下时延估计器性能差的问题，利用仿真分析与实验验证相结合的方法，对互相关（CC），脉冲响应（ROTH）、平滑相干变换（SCOT）、维纳（WIENER）、相位变换（PHAT）和最大似然（ML）这6种时延估计器在供水管网泄漏声振动信号下的性能进行研究。首先，在不同噪声类型下分别研究了6种时延估计器随着信噪比的变化规律；然后，分析了不同信噪比下时延计器的噪声抑制性能；最后，将6种时延估计器应用于供水管道泄漏定位实验中，分析不同时延估计器产生的泄漏定位相对误差来比较他们的噪声抑制性能。仿真分析和实验验证表明，SCOT时延估计器在噪声抑制方面性能最优，基于SCOT时延估计器的供水管道泄漏平均相对定位误差为348%，Wiener时延估计器性能最差，平均相对定位误差为1823%。

摘要:针对供水管道泄漏振动信号低信噪比下时延估计器性能差的问题，利用仿真分析与实验验证相结合的方法，对互相关（CC），脉冲响应（ROTH）、平滑相干变换（SCOT）、维纳（WIENER）、相位变换（PHAT）和最大似然（ML）这6种时延估计器在供水管网泄漏声振动信号下的性能进行研究。首先，在不同噪声类型下分别研究了6种时延估计器随着信噪比的变化规律；然后，分析了不同信噪比下时延计器的噪声抑制性能；最后，将6种时延估计器应用于供水管道泄漏定位实验中，分析不同时延估计器产生的泄漏定位相对误差来比较他们的噪声抑制性能。仿真分析和实验验证表明，SCOT时延估计器在噪声抑制方面性能最优，基于SCOT时延估计器的供水管道泄漏平均相对定位误差为348%，Wiener时延估计器性能最差，平均相对定位误差为1823%。

摘要:可视化无损检测（NDT）在深度学习技术发展下，在数据处理方面正面领着巨大的机遇。但是，获取足够的标记数据集是一个很大的挑战。实现无损检测图像数据集的扩充有利于提升深度学习在缺陷检测中的能力。因此，通过研究无损检测图像数据特点，结合循环一致生成对抗网络（CycleGANs）方法，对现有的数据进行了有效的扩充。改善了深度卷积神经元网络（DCNN）从而有效的利用扩充数据来提升对缺陷图像的识别能力。最后，通过对比实验，展示了本扩充数据对提升缺陷检测网络训练具有重要作用。

摘要:可视化无损检测（NDT）在深度学习技术发展下，在数据处理方面正面领着巨大的机遇。但是，获取足够的标记数据集是一个很大的挑战。实现无损检测图像数据集的扩充有利于提升深度学习在缺陷检测中的能力。因此，通过研究无损检测图像数据特点，结合循环一致生成对抗网络（CycleGANs）方法，对现有的数据进行了有效的扩充。改善了深度卷积神经元网络（DCNN）从而有效的利用扩充数据来提升对缺陷图像的识别能力。最后，通过对比实验，展示了本扩充数据对提升缺陷检测网络训练具有重要作用。