基于模糊故障树的数控龙门铣床加工误差分析与试验

针对数控龙门铣床加工中出现的平面度误差问题进行研究与改进,分析工艺系统因素产生的误差,建立加工平面误差的模糊故障树,通过下行法对其进行简化分析,定性分析影响加工平面度误差的最小割集,运用模糊隶属函数定量分析顶事件的发生概率及底事件的发生概率重要度,确定主要因素为工作台形位误差、定位元件误差、热变形等。使用激光测量技术对安装的工作台平面进行矩形布点测量,根据采集数据建立基于最小二乘法的数学模型,运用Matlab软件定性分析平面度的评定,并对超差区域进行改进,最终实现了机床装配与使用要求。     

工作面注浆加固技术在快速过断层中的应用

为解决工作面回采过断层期间顶板破碎易片帮冒顶等问题，对11100工作面地质条件进行分析，对注浆加固机理进行研究，提出工作面注浆加固快速过断层技术。该技术采用调斜旋转回采和割顶留底回采方案，合理选取注浆材料，设计注浆参数，并对注浆效果进行检验。实践证明，通过断层区域的注浆加固，改善了煤岩体物理力学性质，提高了顶板稳定性和煤岩承载能力，结合对回采方案的优化，保证了工作面快速安全通过断层。     

基于SSD和MPE的滚动轴承故障诊断方法

为了解决滚动轴承故障特征难以提取的问题,提出了一种奇异谱分解(SSD)和多尺度排列熵(MPE)的故障特征提取方法,结合K近邻(KNN)算法识别滚动轴承故障类型。首先对滚动轴承振动信号用SSD进行分解,得到3个奇异谱分量(SSC),根据峭度最大原则选择主分析分量;然后用MPE计算主分析分量的熵值,实现滚动轴承的故障特征进行提取;最后将熵值作为特征向量输入KNN分类器中,完成滚动轴承的状态识别。将该方法应用于实验数据分析,并与VMD和MPE相结合的故障诊断方法做比较,结果证明,该方法能够有效地提取故障特征,实现故障诊断。     

基于双谱特征的行星齿轮箱故障诊断方法

为了研究行星齿轮箱齿面磨损全生命周期实验的退化过程,使用了可以抑制高斯噪声和对信号中产生的频率耦合进行解耦的双谱方法去进行故障特征提取,提出了两个基于双谱的特征指标,双谱熵以及非高斯强度,并通过特征指标评价方法去检验其指标性能。结果表明基于双谱熵具有良好的指标性能,而且对于行星齿轮箱齿面磨损的早期微弱故障十分敏感,适用于行星齿轮箱齿面磨损的故障诊断。     

基于故障树的采煤机液压盘式制动器故障研究

通过逻辑分析构建了采煤机液压盘式制动器故障与基本事件的故障树模型;采用二元决策图分析故障树模型,得到了导致制动器故障发生的最小割集,并通过状态枚举法计算了基本事件的结构重要度。结果表明,所列举的任一基本事件的失效均会导致制动器故障。为采煤机液压盘式制动器的故障诊断提供了理论依据。     

A process fault diagnosis method using multi-time scale dynamic feature extraction based on convolutional neural network

Unlike many other techniques used in process control, which are widely applied in practice and play significant roles, abnormal situation management (ASM) still relies heavily on human experience, not least because the problem of fault detection and diagnosis (FDD) has not been well addressed. In this paper, a process fault diagnosis method using multi-time scale dynamic feature extraction based on convolutional neural network (CNN) consisting of similarity measurement, variable ranking, and multi-time scale dynamic feature extraction is proposed. The CNN-based model containing the fixed multiple sampling (FMS) layer can extract dynamic characteristics of process data at different time scales. The benchmark Tennessee Eastman (TE) process is used to verify the performance of the proposed method.     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

Process monitoring method based on correlation variable classification and vine copula

Chemical processes are becoming increasingly complicated, leading to an increase in process variables and more complex relationships among them. The vine copula has a significant advantage in portraying the dependence of high-dimensional variables. However, as the dimensions increase, the vine copula model incurs a high computational load; such pressure greatly reduces model efficiency. Relationships among variables in the industrial process are complex. Different variables may be strongly or weakly associated or even independent. This paper proposes a process monitoring method based on correlation variable classification and vine copula. The weighted correlation measure is first used to divide variables into a correlated subspace and weakly correlated subspace. Then, two vine structures, C-vine and D-vine, are applied to the correlated and weakly correlated subspaces, respectively. This method takes advantage of C-vine for correlated variables and the flexibility of D-vine for weakly correlated variables. Finally, comprehensive statistics are established based on different subspaces. Monitoring results of the numerical system and the Tennessee Eastman process demonstrate the effectiveness and validity of the proposed method.