基于EEMD的混合陶瓷球轴承故障双冲击特征提取

疲劳剥落是导致滚动轴承失效的主要原因,当滚道出现剥落故障时滚动体在进入和退出剥落区时的加速度振动信号表现出不同特征：进入故障区时产生以较低频率成分为主的阶跃响应;退出剥落区则引起频带较宽的脉冲响应。有效分离这两类信号特征,对实现对混合陶瓷球轴承剥落区长度的测量有重要意义。本文提出了一种基于总体经验模态分解（EEMD)的混合陶瓷球轴承剥落故障双冲击特征提取方法,该方法首先用AR模型对原始振动信号进行预白化处理,然后利用EEMD对白化后的振动信号进行去噪,并结合Hilbert包络提取算法实现对剥落故障混合陶瓷球轴承振动信号双冲击特征的有效分离提取。仿真及试验研究表明该方法能够有效地分离出混合陶瓷球轴承故障双冲击特征。     

自生绿泥石对砂岩储集层影响的新认识

通过对鄂尔多斯盆地西部姬塬地区三叠系延长组的岩石铸体薄片分析和扫描电镜的观察认为,早期自生绿泥石胶结对原生孔隙的转化、保存和改造起重要作用,主要表现为占据原生孔,并将其转化为黏土矿物晶间孔的形式,从空间上阻碍硅质胶结、碳酸盐胶结对孔隙的破坏,为后期流体改造储集层提供了通道;其亲油的黏土矿物属性,为后期油气在低孔、低渗储集层中成藏提供了条件。另外,因绿泥石化学性质较活泼,易发生水解,在开发具有绿泥石胶结的油藏时,应考虑到黏土矿物的敏感性。研究认为,绿泥石环边形成后储集层仍有较强的压实现象,前人认为的抗压能力可能被夸大。     

设备远程监测与诊断系统体系结构的研究

论文从提高设备远程监测和故障诊断系统灵活性的角度出发,以实现软件系统在设备状态监测领域的复用为目标,采用UML(统一建模语言)建立了面向监测和诊断领域的软件体系结构模型,提出了适合于远程在线监测的混合胖Web客户端构架模式,并在实际项目中验证了该模型的有效性。     

融入概率学习的混合差分进化算法求解绿色分布式可重入作业车间调度

本文针对绿色分布式可重入作业车间调度问题(GDRJSSP), 提出一种融入概率学习的混合差分进化算法 (HDE PL), 以实现最大完工时间和总能耗最小. 根据GDRJSSP的问题特点, 设计编码和解码规则, 并采用差分进化 算法执行全局搜索来发现优质解区域. 为能更明确地引导全局搜索方向, 设计基于贝叶斯网络结构的多维概率模型 合理学习和积累优质解(即当前种群中的较优解)的模式信息. 结合问题解的结构特征, 提出基于关键路径的4种邻 域结构来构造局部搜索, 并设计基于非关键路径的节能策略来提升算法获取低能耗非劣解的能力. 仿真实验和算 法对比验证了HDE PL可有效求解GDRJSSP.     

奇异谱分解联合互信息的主轴轴承故障特征提取研究

奇异谱分解(singular spectrum decomposition, SSD)算法存在当信号信噪比较低时降噪能力较差以及敏感分量个数难以确定的问题。针对上述问题，提出了SSD联合互信息理论(mutual information, MI)的主轴故障特征提取方法。首先，将轴承振动信号经过SSD分解，得到多个奇异谱分量(singular spectral component, SSC);然后分别计算原始信号与SSC之间的互信息，选择最小互信息(minimum mutual information, MinMI)处的分量为最佳分量。由于背景噪声的影响，选取的最佳分量故障特征频率并不明显。因此，基于振动信号特点与互信息理论提出了差分突变互信息(differential mutation mutual information, DMMI)的有效分量保留方法，通过对计算相邻SSC之和之间的MI值，保留突变点内的分量作为敏感信号，在此基础上再依据MinMI原则设计带通滤波器，对敏感信号带通滤波并进行包络解调以提取故障特征频率。通过仿真信号与真实主轴轴承数据分析表明，对信号进行DMMI保留敏感分...     

基于声发射Lamb波频散特性的轴承损伤单传感器定位

对大型轴承表面损伤进行定位，有助于及时发现故障，加快修复速度。提出了一种使用单个声发射传感器对大型轴承表面损伤进行定位的方法。针对轴承环形结构，利用Lamb波频散特性，估计不同频段信号的可能模式和传播速度，使用Akaike信息准则(AIC)确定不同频段信号到达传感器的时间差。根据不同频带到达传感器的时间差估计不同模式下声发射源位置。针对传播模式不确定和仅利用一个时间差的镜像位置问题，改变传感器位置后对同一声发射源进行第二次定位，剔除不合理的传播模式，从而得到声发射源的唯一确定位置。通过在圆柱滚子推力轴承上进行的断铅试验，验证了该方法的有效性。     

旋转设备数据不平衡问题的数据生成方法

在旋转设备运行状态监测及故障识别时，采集的样本多为无故障样本，而故障样本较少，这种数据分布的不平衡会严重影响分类器识别的准确性。针对此问题，提出了一种少数样本数据生成方法，即基于傅里叶变换与皮尔逊系数优化的生成对抗神经网络（Fourier-Pearson generative adversarial networks，简称FP-GAN）模型。通过对故障少数样本的扩充，提高故障诊断训练和识别的准确性。首先，使用傅里叶变化得到信号频域的单边谱，使用GAN网络生成信号频域；其次，通过皮尔逊相关系数对生成的数据进行优化；最后，通过傅里叶逆变换获得更接近真实数据的生成数据。仿真和实验数据验证表明，基于FP-GAN生成的数据样本在时域特征、时域统计特征以及分类器分类结果方面都能较好地与已有实际数据融合，可以对小样本数据进行增强，能有效解决数据不平衡问题。     

基于声发射信号的行星轮轴承内圈故障包络分析方法

行星轴承因独特的行星运动,造成其振动信号传递路径具有时变性。同时,行星齿轮箱内多振源耦合,频率成分复杂,而行星轴承故障对应振动信号较弱,往往被较强的非轴承相关信号掩盖。目前,对于行星轴承进行故障特征提取大多基于振动信号进行分析,但由于振动信号频率范围不广,低频范围内受到干扰较多,得到的分析结果不理想。近来研究表明,相较于振动信号,声发射信号对故障更加敏感,频率信息清晰,能够更好的屏蔽噪声及其他低频干扰成分。基于以上优点,提出一种基于声发射信号的行星轮轴承内圈故障包络分析方法。首先,采集得到行星轴承内圈故障声发射信号,利用声发射信号频率高的特点,以快速谱峭度算法为基础,屏蔽可能混入干扰的相对较低频段,自适应选取声发射信号能覆盖的高频段共振带进行包络分析,实现对行星轴承的故障特征提取。通过试验对比振动信号与声发射信号的分析结果,验证了所提方法的有效性。     

基于机器学习的按需式电流体喷射打印微滴直径预测

为节省按需式电流体微滴喷射打印技术的微滴直径预测时间及解决众多工艺参数的合理选择问题，实现更高打印质量和效率，提出了数值仿真与机器学习算法相结合的方法。基于线性回归、支持向量回归、神经网络和随机森林算法建立8种参数与微滴直径的关系模型。算法结果表明：支持向量回归算法准确率最高、误差较小，随机森林算法和线性回归算法次之，神经网络算法准确率较低且误差较大。机器学习可以对按需式电流体微滴喷射打印微滴直径进行有效预测，此方法可以有效地提高设计效率。     

转子图像空时域增强与振动测量方法研究

提高视觉测振精度的主要因素取决于单位周期内采集图像的样本数量以及图像中振动目标边缘的清晰度，但工业相机有限的采集频率和固有的分辨率会导致最终获得的时序位移信号因空时域信息丢失而出现明显的偏移误差。因此提出一种转子图像空时域增强与振动测量方法。通过视频插帧算法在相邻的两个样本图像之间插入一个拟合样本，从而增强单位周期内采集的样本数量。为了缓解采集的低分辨率图像中存在模糊、失真、噪点等现象，利用超分辨率重建算法恢复图像内的高频信息。在权衡算法耗时和计算资源损耗后，将视频插帧和视频重建进行任务集成，实现两个模型任务的特征信息共享。在自制的高速振动转子图像数据集中进行测试的试验结果表明：与当前的先进算法相比，本文构建的模型提高了0.3 dB,相应的轻量级模型在降低模型参数17.9%的同时比先进的模型任有更好的重建精度。两种采样频率下测得的时域与频域信号显示，所提出的算法获得的振动信号具有更好的周期性和稳定性。