摘要：由于传统浅层模型对故障的表征能力有限,同时信号特征的提取又过分依靠专家经验,针对这些问题,提出了一种基于深度一维卷积神经网络(D-1DCNN)的轴向柱塞泵故障诊断方法。首先,采集了柱塞泵正常、松靴、滑靴磨损、中心弹簧失效、配流盘磨损5种状态下的振动信号,并将这些信号制作成样本集,加以标签标记,将样本集划分为训练样本与测试样本;然后,将样本输入到D-1DCNN中,进行了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了D-1DCNN的具体模型;再使用SoftMax分类器对测试样本进行了分类,并对网络模型中的参数进行了调整,得到了柱塞泵故障诊断的准确率值;最后,通过西储大学的轴承故障信号对此进行了仿真对比。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,其准确率可达到100%;使用D-1DCNN对柱塞泵进行故障诊断时,不需要人工设计或提取特征过程便可实现诊断过程的智能化;对于不同的故障诊断对象,该方法也具备良好的诊断效果,因而具有一定的普适性。

摘要：精密实验室对振动要求十分苛刻,为调查之江实验室一期6号实验楼建设用地的微振动特性,判定其选址适用性,提出实验楼工程设计注意事项,利用高精度环境振动测量分析系统进行现场测量,并采用国际通用的1/3倍频程分析法对各测点速度时程数据进行处理。结果表明,该地块素地微振动低于VC-G标准,满足该实验室所需的微振动控制要求;距离较近的周边规划道路车辆行驶对该地块振动影响较大,规划设计时应予以重点考虑;该地块附近未来规划的高铁线路对该建设用地也有显著影响,尤其是关注高铁带来的1.6~12.5 Hz频率段的激励隔离处理。测试分析结果对该工程及同行业相关建筑的选址和防微振设计具有较强的工程实践价值。