基于遗传KNN聚类的机械加工故障趋势预测模型

为了提高机械加工过程中的故障状态监测能力,提出一种基于遗传KNN聚类的机械加工故障趋势预测模型。采用大数据关联规则挖掘方法进行机械加工的故障特征信息采集,对采集的机械加工故障状态特征量采用K均值(KNN)方法进行数据聚类处理,结合遗传进化方法进行机械加工故障状态趋势的特征分类学习,采用Hilbert谱提取方法把机械零部件加工过程中的异常状态数据进行特征分解和状态参量提取,根据机械加工的故障状态特征参量提取值进行信息融合,建立机械加工故障趋势预测的专家系统模型,实现机械加工故障趋势预测。     

基于模糊聚类和CNN-BIGRU的轨道电路故障预测

针对轨道电路稳态环境下故障诊断时效性不足的问题,提出一种基于Gath-Geva （GG）模糊聚类对轨道电路退化状态进行划分,并利用卷积神经网络（convolutional neural network, 简称CNN）和双向门控循环单元（bi-directional gated recurrent unit, 简称BIGRU）进行轨道电路故障预测的方法。首先,通过集中监测设备获取ZPW-2000轨道电路各类故障发生前一定时间内的正常工作数据;其次,通过核主成分分析进行特征降维和GG模糊聚类对轨道电路性能退化状态进行阶段划分,识别不同的退化状态;最后,利用CNN-BIGRU混合神经网络挖掘轨道电路不同故障类型数据特征,对轨道电路退化状态所对应的故障类型进行预测。实验结果表明,该算法可以精确划分轨道电路退化状态并实现故障预测,CNN-BIGRU预测模型分类精确度可达97.62%,运行时间仅为13.18 s,能够为轨道电路的多模式健康状态识别提供一种有效的方法。     

复杂工况下综合传动装置状态监测数据异常检测方法

针对综合传动装置运行过程中,工况变化及装置故障状态引起的数据异常、难以有效区分这一问题,提出了一种适用于复杂工况下综合传动装置状态监测数据异常检测的方法。首先,采用基于密度的聚类方法(DBSCAN)对状态监测数据进行了关联变量聚类,以排除非关联数据对数据重构准确度的干扰;然后,利用深度降噪自编码网络构建了状态监测数据重构模型,获取了对异常数据敏感的偏差特征;最后,利用支持向量数据描述(SVDD)算法构建了正常状态监测数据偏差特征的超球体,完成了复杂工况下对综合传动装置状态监测数据异常的检测;为了验证该方法对综合传动装置状态监测数据异常检测的有效性,以某型综合传动装置为研究对象,在多组综合传动装置漏油实验数据上进行异常检测验证分析。实验结果表明：该方法实现了在综合传动装置不同程度漏油故障条件下对状态监测数据异常进行检测的目的,且其准确度整体高于92%。研究结果表明：该方法可以有效检测出综合传动装置早期异常运行状态,为综合传动装置健康管理与劣化评估奠定基础。     

改进k-means的控制自动化系统工业故障诊断预测

为提升自动化系统的运行效果，提出改进k-means的控制自动化系统工业故障诊断预测方法。该方法首先使用改进k-means对TE化工数据聚类处理，依据处理结果完成数据信号的去噪；再基于鲁棒ICA方法计算信号的独立成分，建立故障诊断模型，结合建立的固定监测阈值，完成TE化工过程的故障诊断；系统故障诊断后，继续对系统TE化工过程实施监测，依据监测结果建立故障预测模型，结合LS-SVM回归预测方法实现自动化控制系统TE过程的故障自动化预测。实验结果表明，使用该方法开展控制自动化系统工业故障诊断预测时，故障诊断预测效果好。     

基于门控循环单元模型的道岔故障预测方法

道岔是铁路上重要的信号基础设备之一,其故障将直接影响行车安全和效率.本文从分析道岔的功率曲线入手,首先提取其时域及哈尔(Haar)小波变换特征并进行特征选择,然后通过聚类算法和皮尔逊(Pearson)相关系数建立退化状态与故障状态之间的关联,最后利用卷积神经网络(Convolutional neural network,CNN)和门控循环单元(Gated recurrent unit,GRU)建立道岔的状态预测模型,实现道岔的故障预测.CNN可以直接提取原始功率数据的特征同时降低维数,简化了预测过程.GRU独特的门结构和处理时间序列的特点在预测精度和时间上相比传统的预测方法具有一定优势.实验结果表明,当特征矩阵采用40维输入,迭代50次时,道岔状态预测准确率达94.2％.     

基于数字孪生技术的工业机器人故障预测方法

为了提高工业机器人的运行效率，采用数字孪生技术和卷积神经网络算法设计了工业机器人故障的预测方法。首先设计了工业机器人故障预测的基本架构，然后利用数字孪生技术构建了虚实映射的工业机器人的物理模型，并提取工业机器人的运动姿态特征，最后利用卷积神经网络算法构建了工业机器人电机故障的预测模型，通过对故障特征信号特征提取和分类，实现了故障的实时预测。仿真结果表明：通过孪生虚拟模型获取的工业机器人运行状态与实际运行状态高度重合，采用提出的故障预测方法对100组数据处理，得到的正确率、精确率、召回率和F1值4个性能指标分别为0.961 7、0.903 5、0.925 4和0.923 1，均明显高于其他两种对比方法，为工业机器人进行故障诊断和预测提供有力的技术支持。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

数据不完备下基于Informer的离心鼓风机故障趋势预测方法

离心鼓风机在运行过程中，监测数据缺失会导致故障趋势预测滞后和预测精度下降。针对该问题，提出一种考虑数据不完备的离心鼓风机故障趋势预测方法。首先，基于张量分解对缺失监测数据进行填补，获得离心鼓风机的完备监测数据；其次，基于填补后的完备监测数据利用深度置信网络(DBN)构建能表征离心鼓风机健康状态的健康指标；最后使用Informer方法预测健康指标的未来走势，实现离心鼓风机的故障趋势预测。案例分析结果表明，相比缺失数据，利用填补后的数据所建立的预测模型能更早预测故障的发生，同时所提出的预测方法较Transformer、长短时记忆(LSTM)和门控循环单元(GRU)等常用传统方法预测精度更高。     

风力机主轴承故障监测方法

根据风力机主轴承发生故障时引起其温度异常波动的特点,提出一种基于温度模型的故障监测方法。首先,分别建立正常运行状态下主轴承温度的多元线性回归预测模型、灰色预测模型、支持向量机回归预测模型及其组合预测模型;其次,在最佳预测模型基础上引入滑动窗口方法,研究主轴承温度预测残差统计特性;最后,通过对比温度残差均值或标准差的置信区间与设定临界值判断主轴承是否发生故障。研究结果表明,主轴承温度组合预测模型预测效果最佳,其判定系数分别较多元线性回归模型、灰色预测模型及支持向量机回归模型提高0.049 3,0.002 7和0.000 2,通过滑动窗口方法所求解的温度预测残差统计特性可及时反映出主轴承运行状态,这对风力机主轴承故障状态的高效监测及制定科学健康的维护策略提供依据。     

基于层次聚类的状态监测数据衰退模式挖掘

故障预测与健康管理(prognostics and health management,简称PHM)技术,是在现代复杂设备的高可靠性和高安全性要求下,实现视情维修的一种新的技术理念。PHM技术的研究方向之一就是利用系统状态监测数据中包含的信息,对设备的健康情况和发展趋势进行评估、分析和预测。针对基于状态监测数据的衰退模式挖掘问题,提出了一种P-D-H聚类方法,以实现衰退模式的挖掘。首先,通过分段聚合近似(piecewise aggregate approximation,简称PAA)方法对由状态监测数据形成的退化轨迹时间序列进行模式表示;其次,采用动态时间弯曲距离(dynamic time warping,简称DTW)作为模式序列的相似性度量;最后,采用层次聚类的方法实现衰退模式聚类。用此方法对滚动轴承磨损状态监测数据进行了衰退模式挖掘,验证了方法的有效性。基于复杂系统状态监测数据的模式聚类方法能够有效实现系统健康衰退模式的挖掘,模式挖掘的结果可以为应用状态监测数据进行系统健康的预测奠定良好的基础。     

大型散粮专用连续卸船机

介绍国内外大型散粮专业化码头使用的各类散粮连续卸船机如埋刮板卸船机、夹带式卸船机、波纹挡边带式卸船机、螺旋式卸船机等的性能、特点。综合比较各种形式卸船机的技术性能和经济指标，为专业化粮食码头选择大型散粮连续卸船机提供参考。     

在役桥式抓斗卸船机应力测试技术应用研究

主要研究应力测试技术在桥式抓斗卸船机金属结构安全评估中的应用.根据实际工作情况选择测试工况,合理选择测试点,通过进行卸船机金属结构关键部位的动应力测试,得到结构应力谱,结合有限元分析计算结果,校核卸船机静强度和疲劳强度,评估卸船机安全性能状况.找出存在的问题,指出平时检修和检测需要重点关注的危险部位,以保证桥式抓斗卸船机长期运行的安全,并为桥式抓斗卸船机的设计、使用、定期检验和安全评估提供一定的理论参考.     

桥式抓斗卸船机应力测试技术应用

主要研究应力测试技术在桥式抓斗卸船机结构安全评估中的应用,通过使用工况下卸船机结构关键部位的动应力测试,分析得出桥式抓斗卸船机的安全性能好坏以及平时检修和检测需要重点关注的危险部位,给桥式抓斗卸船机的设计、使用、定期检验和安全评估提供一定的理论基础。     

大型桥式抓斗卸船机托绳小车系统

青岛2500t／h矿石抓斗卸船机创造性地在大型抓斗卸船机中采用了抓斗起升、开闭与小车运行“三合一”的四卷筒差动补偿方式，其关键技术之一是首创研制出的四托绳小车系统。本文介绍了采用此系统的主要原因及此系统的主要特点。     

基于EDEM对连续卸船机盘式给料装置的料流分析

阐述了连续卸船机的工作原理,并应用EDEM对连续卸船机盘式给料装置的料流状态进行模拟分析,分析结果对机构的运动设计及控制提供了依据,同时对散料流动的状态提供了一种分析方法。     

基于随机有限元法的卸船机臂架结构可靠性分析

利用Monte Carlo概率模拟方法和有限元法相结合的随机有限元法研究连续卸船机各主要结构的强度、刚度以及压杆稳定可靠性,提出一种能综合评价连续卸船机结构系统可靠性的方法,实例分析表明,该方法对连续卸船机结构可靠性设计具有指导作用。     

基于协整分析的风力机多工况监测与故障诊断

为降低装备故障率、减小停机损失,提出一种基于协整分析的装备多工况监测与故障诊断方法。基于监控与数据采集系统采集的数据,利用随机森林特征选择算法提取与装备故障相关的关键特征变量;通过对关键特征序列的协整分析,计算协整系数,建立协整残差模型,获得反映装备状态变化的最优残差序列;采用概率图分析最优残差序列,完成了多工况状态的区间划分,确定了每种工况对应的残差预警阈值,实现了状态监测与故障预警。某型号直驱式风力机的研究结果表明：所提出的方法能有效分析非平稳时间序列,利用残差阈值可以监测电机故障、识别风力机工况,提高故障诊断的准确性。     

机械密封状态监测与故障诊断技术研究进展

对机械密封状态监测和故障诊断的整体过程和方法进行系统阐述,从信号获取、降噪和重构、特征提取、模式识别以及寿命预测5个方面,综述机械密封状态监测与故障诊断技术的研究进展,并分析存在的问题;展望机械密封智能化的未来发展方向。     

基于有限元法的卸船机钢结构开裂原因分析

借助有限元方法,计算了某港口16 t桥式抓斗卸船机整机桥架钢结构不同载荷工况时的力能分布,通过对各工况整机桥架的最大主应力分布的分析,对卸船机钢结构静强度进行综合评估,为卸船机钢结构支腿处裂纹故障的原因及整改提供理论依据。     

抓斗卸船机钢结构应力谱统计方法

以某码头1 800 t/h牵引式抓斗卸船机为研究对象,首先通过有限元分析软件Ansys对卸船机进行建模计算,确定结构的静载应力以及动载应力测点;然后模拟其真实卸船作业的典型工况,采用应变电测法对相关测点的动载应力进行实时数据采集;最后根据抓斗船型及抓取量对应力谱的影响,对卸船机钢结构应力数据进行统计分析,得到钢结构测点对于各种船型整个工作循环的应力谱,结合各船型到港次数,进而可以推算出卸船机钢结构测点全年的应力谱,为疲劳寿命评估打下了基础。