F4轧机工作辊垂扭耦合振动仿真与分析

轧机工作辊处耦合振动是影响带钢质量的重要因素。根据某钢厂F4轧机实际参数建立了轧机工作辊垂扭耦合振动数学模型并进行了求解,得到了轧机工作辊处垂振和扭振的相互影响关系。同时,建立了该轧机系统三维模型,利用有限元分析软件ANSYS实现了关键部件的柔性化,最终建立了基于ADAMS的轧机系统刚柔耦合虚拟样机。利用ADAMS振动分析等模块,仿真分析了不同激励下轧机工作辊的动态响应情况。通过现场实测信号的分析验证了轧机工作辊垂扭耦合振动存在的真实性及模型建立的可靠性。分析结果表明,轧机工作辊处存在垂扭耦合振动且垂振对扭振的影响较为明显。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测北大核心

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

基于LSTM和声发射的金刚石砂轮磨损状态识别

针对超精密磨床磨削加工中对砂轮磨损状态监测和识别的需求,基于长短时记忆网络(LSTM)建立砂轮磨损状态识别模型,通过小波包分析提取砂轮磨损敏感频段的特征,继而使用降维后的敏感频段频域特征为输入来训练模型以识别砂轮的磨损状态,并对比了不同超参数下的LSTM网络以及传统前馈神经网络的识别效果以获取最佳模型。完整寿命周期的金刚石砂轮磨削熔石英玻璃实验结果表明基于LSTM的网络模型可以准确识别砂轮的磨损状态,且误差比传统BP神经网络模型降低了61.3%,证明了模型的有效性,并为进一步使用数据驱动模型研究砂轮剩余寿命预测提供了理论基础。     

基于混沌与小波神经网络的大型复杂机械振动建模研究

针对大型复杂机械振动建模困难的问题,提出了基于混沌理论及小波神经网络的建模思路.以某大型平整轧机剧烈振动为研究对象,研究了其振动时间序列信号的非线性特征及相空间重构技术.基于混沌理论,应用小波神经网络技术反演了轧机动力系统的振动模型.试验对比了此模型与BP网络模型的预测性能,结果表明小波神经网络模型具有收敛速度快、预测精度高的特点.     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性，提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络，构建包含历史序列数据的动态数据矩阵为模型输入；通过截断式训练方法降低深度预测网络中每项参数更新的复杂度，利用序列深度学习网络自动提取温度时间序列的时空特征，准确表征温度序列信号与热误差之间复杂的映射关系，采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题，将热误差预测的均方根误差降低到2.5 μm以内，优于传统的SVM和BP等浅层神经网络预测方法，为数控机床热误差补偿提供了参考。     

基于深度神经网络的斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，且传统机理公式计算的设定值精度不高的问题，提出了基于深度神经网络的斜轧穿孔机调整参数预测模型。首先，综合分析了传统的调整参数的数学模型，并在此基础上确定了调整参数的主要影响因素。依据现场收集的数据集，训练了二辊斜轧穿孔时轧机参数的深度神经网络预测模型。在训练深度神经网络时，运用小批量梯度下降法和Adam算法相结合的方法进行了梯度估计修正，优化了训练速度。仿真结果表明：经深度神经网络模型预测的轧机调整参数与实测数据比较，预测模型的R-squared值控制在0.98左右，调整参数的相对误差均可控制在5%以内。相比于传统数学模型，该预测模型具有更高的预测精度，能够实现轧机调整参数高精度预测并用于指导生产。     

上、下辊分别驱动的四辊轧机主传动系统扭振研究

对某厂“1+4”热连轧开坯机的扭转振动动态特性进行了研究。在一定的简化基础上,建立了轧机主传动系统的扭转振动力学模型和数学模型,获得了系统的固有频率和主振型及其对转动惯量和扭转刚度的灵敏度。对系统在各阶模态下的能量分布进行了计算和比较,确定了系统的危险模态。根据系统的输入得出了各轴段扭矩放大系数的仿真结果,以判定扭振发生时主传动系统的最大动力载荷。计算发现轧机主传动系统扭振固有频率分布合理,基本满足最佳动力设计准则。研究结果对于实际生产和系统扭振问题的识别与解决具有指导作用。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

CVC冷轧机工作辊垂直-水平耦合振动分析

轧机系统异常振动是影响轧件质量的主要因素。不同属性的振动共同促使了轧机系统的整体振动,辊系的垂直振动和工作辊的水平振动是较为主要的振动。根据某钢厂CVC轧机实际参数建立了轧机垂直-水平振动的动力学耦合模型并进行了求解,得到了变参数下轧机振动响应情况,通过提取钢厂轧机在线振动监测系统数据分析验证了仿真的正确性。结果显示,轧制工作辊处存在耦合振动情况,轧机系统振动特性与各种轧制工艺参数有关,对工艺参数进行适当调整可以有效地减小轧机振动。     

基于改进型支持向量机算法的轧机轧制力预测

考虑到基于神经网络算法建立的预测模型虽然具有较好的预测精度,但是神经网络模型需要大量的训练样本,另外会增加模型的复杂程度,研究了一种基于改进型支持向量机的轧机轧制力预测模型,建立基于RBF核函数和多项式核函数的最小二乘支持向量机,并使用协同量子粒子群算法对混合函数的参数进行寻优,以提高预测模型的预测性能。由协同量子粒子群算法优化得到了基于改进型支持向量机的轧机轧制力预测模型中的RBF核函数参数γ值、惩罚系数c值、多项式核函数参数q值和两个核函数的权重a值。通过实例研究表明:使用本文研究的改进型支持向量机的轧制力预测模型预测相对误差在4%～6%之间,多组数据的平均值误差为4. 83%。验证了本文研究的基于改进型支持向量机的轧机轧制力预测模型的可行性。本文研究的预测模型相比其他3种对比模型耗时更长,但是相比之下提高了预测准确率,更具有实际意义。     

基于一维CNN与BiLSTM结合的轴承故障诊断

针对传统故障诊断方法没有充分利用故障数据的时序特点,提出了一种一维CNN与双向LSTM网络相结合的智能轴承故障诊断方法。构建的深度模型以原始采样数据作为输入,减少了人工提取特征的偏见,充分利用了卷积神经网络在特征提取上的优势,在浅层使用卷积神经网络,并加入BiLSTM挖掘一维振动信号中的时间序列信息,实现了更为准确的轴承故障诊断。使用BiLSTM-CNN模型,分析了不同的优化器和激活函数的诊断结构,通过不同参数的结合确定了效果最好的参数组合。实验结果表明,以混淆矩阵、准确率为评价依据,该方法与传统机器学习模型、CNN、LSTM模型进行对比有更好的性能,在变负载情况下实现了准确,稳定的轴承故障诊断性能,具有良好的泛化能力。     

轴向超声振动切削参数对表面质量的影响

基于全因子实验设计,进行了轴向超声振动车削实验,研究了6061铝合金轴向振动车削参数(切削速度、背吃刀量、进给量)对表面粗糙度的影响,并对表面粗糙度进行了预测。对实验数据进行极差分析、切削用量交互作用分析,得到了各切削参数对表面粗糙度的影响。基于多元回归法与指数函数法分别建立了表面粗糙度预测模型,对预测模型进行显著性检验,并与测试实验结果相对比。实验结果表明,指数函数预测模型可以更好地对表面粗糙度进行预测,预测精度较高,对6061铝合金轴向振动车削参数的选择提供了依据。     

基于LSTM与ARIMA组合模型的高炉煤气产生量预测

通过分析煤气产生量的数据特点,采用LSTM循环神经网络和ARIMA两种预测模型建立钢铁企业高炉煤气产生量预测模型,经验证LSTM模型性能明显优于BP神经网络,但是其预测结果值比真实值普遍偏低,而ARIMA模型的预测结果值比真实值普遍偏高。基于上述现象,提出了一种基于LSTM与ARIMA组合预测模型,将两种模型的预测结果采用CRITIC方法进行融合处理。结果表明,组合模型明显改善了两种模型在预测特性上的弊端,将预测结果的均方根误差减小为2.325,更贴近真实值,提高了预测精度。     

基于卷积残差共享权值LSTM的旋转机械故障诊断

为有效提取振动信号中隐含的故障特征，以准确判别机械故障类型，提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征；通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间，进而更高效地发掘上层网络输出信号中隐含的时间特征。同时，引入缩放指数线性单元函数以提升网络自归一化性能，并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后，基于机械故障实测数据集开展对比实验，结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。     

基于PIO-RBF神经网络斜轧穿孔机调整参数预测

针对无缝钢管二辊斜轧穿孔生产工艺中轧机调整参数对钢管质量影响较大，但其设定值精度不高的问题，提出了基于鸽群算法改进RBF神经网络斜轧穿孔机调整参数预测模型。首先，综合分析了传统的二辊斜轧穿孔调整参数数学模型并确定了主要特征参数，其次，建立了两辊斜轧穿孔时轧机参数(轧辊间距、导板间距和顶头前伸量)的RBF神经网络预测模型，并提出鸽群算法优化RBF神经网络的中心、方差(宽度)和隐层与输出层之间的连接权值。针对某厂采集的304L管的生产数据，对提出的预测模型进行了训练和验证。通过与基于聚类分析的RBF神经网络模型对比，将经PIO-RBF神经网络模型预测得到的轧机调整参数(轧辊间距、导板间距和顶头前伸量)数据与实际数据比较，其相对误差均可控制在9%以内。结果表明，由PIO-RBF神经网络建立的预测模型对轧辊间距、导板间距及顶头前伸量具有较高的预测精度且适用性强。     

冷连轧机带钢表面振纹实测研究

针对某厂2180mm冷连轧机在轧制汽车面板时出现的振纹问题,进行了现场连续综合测试.基于对轧制周期内振动信号的分析、比较,掌握了该轧机的振动特征和振动形态,确定了轧机的起振次序.结合轧机的机械固有特性,找到了导致轧机振动的主要来源,即减速机中齿轮1和齿轮2的啮合冲击,据此提出了振纹的抑制措施.生产实际表明,抑振措施对振动及振纹的消除具有较好效果.     

基于声发射信号的风电塔筒疲劳寿命预测

针对风电塔筒疲劳寿命难以有效预测的问题，提出了基于声发射特征参数融合退化曲线和PSO-LSTM(粒子群-长短时记忆)寿命预测模型的疲劳寿命预测方法。首先在实验室条件下基于声发射技术采集风电塔筒原材料(Q355E)疲劳全过程的声发射信号，从原始信号的时域与频域特征中提取特征参量，之后应用PCA(主成分分析)方法对特征参量进行融合，将第一主成分作为融合之后的特征曲线；最后以LSTM模型为基础，使用PSO算法优化模型参数，并建立PSO-LSTM模型来进行寿命预测。结果表明，使用优化模型的预测精度比单一模型的要高，具备一定的工业前景。     

考虑能耗的多传感器融合加工表面粗糙度预测方法

目的提出一种考虑能耗的多传感器融合加工表面粗糙度预测方法,精确预测零件表面粗糙度。方法首先采集车削过程中的功率和振动信号,测量加工表面粗糙度值,利用集成经验模态分解(Ensemble empirical mode decomposition,EEMD)和小波包分析提取振动信号的时域与频域特征,联合功率信号的时域特征、能耗特征与切削参数,构造联合多特征向量。然后采用核主成分分析(Kernel principal component analysis,KPCA)对联合多特征向量进行融合降维处理生成融合特征。最后将融合特征作为基于支持向量机(Support vector machine,SVM)的表面粗糙度预测模型的输入特征,并使用遗传算法(Genetic algorithm,GA)对SVM模型相关核参数进行优化以提高预测精度。结果预测得到的表面粗糙度平均相对误差为4.91%,最大误差为0.111μm,预测时间为9.24 s。与单传感器预测方法及多传感器联合特征预测方法相比,多传感器融合预测方法具有最高的准确率且预测速度快。结论多传感器采集的信息更全面、准确,保证了预测的准确性,对特征进行融合可进一步提高预测精度。     

大型液压轧机轧制薄板异常振动及振纹研究

对F3轧机异常振动信号及薄板振纹进行了研究,结果表明F3轧机主传动轴发生扭振,其固有频率为20.5Hz。由薄板振纹反演出轧机工作辊的振动频率为51Hz,此频率与工作辊水平振动的基频相吻合。通过倒频谱分析,得出50Hz附近的边频是由F3工作辊转频调制而成。