快捷入口

  • 作者登录

  • 编委审稿

  • 专家审稿

  • 编辑办公

中南大学学报（自然科学版）

中南大学学报（自然科学版） wx-icon

  • 核心期刊、CA、SA、JST、EI、CSCD
  • 核心期刊、CA、SA、JST、EI、CSCD
  • 核心期刊、CA、SA、JST、EI、CSCD

  • 主编：黄伯云
  • ISSN:1672-7207
  • CN:43-1426/N
  • 主管单位：中华人民共和国教育部
  • 主办单位：中南大学
  • 出版周期：月刊
  • 地址：湖南省长沙市中南大学校内
  • 简介：《中南大学学报（自然科学版）》创刊于1956年，是由中华人民共和国教育部主管、中南大学主办的以材料、冶金、选矿、化学化工、机电、信息、地质、采矿、土木等专业学科为主的科技期刊。
  • 最新文章
  • 优先出版
  • 过刊浏览
更多
Volume 57 期 5，2026 2026年第57卷第5期

  • 交通基础设施灾害感知识别

    古启民, 代亮成, 池茂儒, 高红星, 刘源, 周荻, 孙宝恺

    DOI：10.11817/j.issn.1672-7207.2026.05.001
    摘要：高速列车减振器作为保障行车安全的关键部件，其故障的智能诊断对实现智能运维至关重要。针对传统特征提取方法的不足以及极限学习机(ELM)参数随机性影响诊断性能的问题，提出一种基于复合多尺度余弦相似熵(CMCSE)与粒子群算法(PSO)优化ELM的故障诊断方法。首先，将多通道振动信号融合后利用奇异谱分解(SSD)进行自适应分解；然后，提取各本征模态分量(IMF)的CMCSE，并依据峭度准则进行特征降维；最后，将优化后的特征集输入PSO-ELM中诊断故障类型。基于滚动振动试验台数据的系统性对比结果表明：在速度为200 km/h的动车新轮工况下，对正常状态及4只抗蛇行减振器失效、2只横向减振器失效、4只横向减振器失效这3类典型故障的诊断准确率达98.1%；相较于单通道分析，四通道特征融合能更全面地反映故障信息，诊断精度平均提升了43.35%；与采用支持向量机(SVM)、自适应噪声完备集合经验模态分解(CEEMDAN)、复合多尺度模糊熵(CMFE)这3种方法及未优化模型相比，本文方法始终具有更优越的诊断性能，在80~375 km/h的宽速范围内，平均诊断正确率稳定在96.33%以上。本文方法能够从振动信号中有效辨识并提取特征，实现对减振器故障状态的精确诊断。  
    关键词：高速列车减振器;故障诊断;粒子群优化;复合多尺度余弦相似熵;极限学习机   
    45
    |
    37
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 158342283 false
    更新时间：2026-06-15

    梅颢鹏, 晏长根, 樊小林, 何任远, 温晓光

    DOI：10.11817/j.issn.1672-7207.2026.05.002
    摘要：为了对泥岩地层公路隧道仰拱健康状况进行更准确评价，构建一种基于可拓云和变权理论的仰拱健康评价模型。首先，根据甘肃省16座泥岩地层隧道仰拱病害缺陷状况，选取8个指标层、19个子指标层指标建立仰拱健康评价体系，并基于聚类分析法确定指标分级阈值；其次，通过最优传递矩阵和基尼系数优化常权计算方法，并采用博弈论确保主客观权重偏差合理；然后，通过可拓云确定各指标对不同健康等级的云关联度，提出云关联度变权计算方法，调高“危险”因子权重；最后，引入分级矩阵对各指标等级赋值，建立仰拱综合健康度确定方法，将该模型应用于甘肃省某泥岩地层隧道工程，综合评估仰拱的健康状况。研究结果表明：该隧道案例段仰拱健康等级被分为亚健康、较危险和危险等类别，与实际基底开挖情况一致，将变权云模型计算结果与传统方法计算结果进行对比，发现该模型在保证安全性的同时，更易发现潜在的安全隐患；在较危险段采用“微型钢管桩+型钢横撑”的加固方式有效可靠，可为类似隧道工程仰拱病害处治提供决策依据参考。  
    关键词：隧道工程;泥岩;仰拱;健康评价;云关联度;变权理论   
    35
    |
    39
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 158342281 false
    更新时间：2026-06-15

    王宪, 彭兆鑫, 刘丰浚, 谭诤, 徐可

    DOI：10.11817/j.issn.1672-7207.2026.05.003
    摘要：为进一步提升损伤识别算法的准确性和适用性，提出了一种基于振动数据二维化和多类别数据增广的结构损伤识别方法。首先，为充分利用传感器之间的时间与空间关联信息，将多个传感器的信号构建为二维多通道时频谱图，并将该谱图作为多尺度特征提取网络GoogLeNet的输入；其次，针对工程实际中难以获得数量足够训练深度学习网络的损伤样本的问题，利用辅助判别器生成对抗网络ADC-GAN以实现多类别样本数据增广；然后，采用提出的混合损失函数训练GoogLeNet，提升骨干网络的训练效果；最后，利用GoogLeNet对实时输入样本进行分类，获得结构状态的评估结果。实验结果表明：与协方差驱动的随机子空间识别的信号处理方法相比，本文损伤识别方法的有效性显著提高；与3DS-CNN深度学习方法相比，本文方法状态识别精度提高16.67%。本文方法精度高且对损伤样本的需求较低，可为工程结构健康监测与损伤识别领域的算法设计和工程应用提供参考。  
    关键词：损伤识别;振动信号;多通道时频谱图;深度学习;生成对抗网络   
    18
    |
    44
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 158342959 false
    更新时间：2026-06-15

    刘源, 代亮成, 池茂儒, 高红星, 黄韬, 周荻, 谭磊

    DOI：10.11817/j.issn.1672-7207.2026.05.004
    摘要：针对高速动车组抗蛇行减振器在强噪声环境下传统故障诊断方法经验依赖性强、精度不高的问题，提出一种多源数据驱动的抗蛇行减振器故障诊断方法。首先，采用小波同步提取变换(wavelet synchroextracting transform，WSET)对多通道振动信号进行时频分析，生成高分辨率时频图像并构建数据集；其次，设计混合诊断模型YDFD-NET(yaw damper fault diagnosis network)，通过卷积神经网络(convolutional neural network，CNN)自适应提取深层特征，并集成黑翅鸢算法(black-winged kite algorithm，BKA)优化的最小二乘支持向量机(least squares support vector machine，LSSVM)实现故障诊断。研究结果表明：在速度为400 km/h的动车新轮工况下，4类典型故障的诊断准确率达100%；四通道融合策略较单通道提升精度43.8%，显著优于双/三通道方案；WSET预处理使诊断精度提升7.8%，并加快训练速度；该诊断模型YDFD-NET跨工况泛化性强，在速度为80~480 km/h及复杂转向架、车轮踏面耦合条件下，其平均准确率达99.23%。  
    关键词：高速动车组;抗蛇行减振器;故障诊断;黑翅鸢算法;卷积神经网络   
    19
    |
    36
    |
    0
    <HTML>
    <网络PDF><WORD><Meta-XML>
    <引用本文> <批量引用> 158341679 false
    更新时间：2026-06-15
查看更多
  • 精选图片
  • 虚拟专辑
更多
暂无数据
0