基于Adam-DBN网络的行星齿轮箱故障诊断方法研究

随着现代机械装备的复杂化,传统的故障诊断方法难以满足表征设备间的复杂映射关系,且在如今大数据背景下面临着维数灾难的问题。文章结合深度置信网络以及梯度优化算法提出了一种基于梯度优化深度置信网络(Adam-DBN),通过数据验证选取最优梯度优化算法对深度置信网络的的梯度算法进行调优。搭建模拟实际工况的行星齿轮箱实验台,通过实验台采集所得数据构成数据集对方法进行验证。实验表明文中提出的方法能够有效提高DBN网络的收敛速度与训练精度,同时具有较高的故障识别准确率。     

矿用隔爆型移动变电站的维护与故障处理

保证矿用隔爆型移动变电站的安全可靠运行,已成为煤矿供电安全管理的重要工作内容。结合矿用隔爆型移动变电站在煤矿安全生产中的实际应用情况,对移动变电站的基本特征、工作原理、操作维护方法等方面存在的问题进行常见故障分析,并提出相应的解决措施;在解决故障的同时,对操作过程进行了优化,使之更加安全规范。分析认为,熟悉设备基本性能,提高快速排除各种故障的技能,可以为煤矿供电系统的安全可靠提供保障。     

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。     

Acoustic emission source location considering refraction in layered media with cylindrical surface

To solve the problem that the existing acoustic emission (AE) source location algorithms cannot always obtain accurate results for multilayer cylindrical media, a new acoustic emission source location method considering refraction was proposed. AE source coordinates were solved by the complex method. Pencil-lead-break experiments were used to verify this method. The absolute distance errors of location results are less than 3 mm, much less than those by the traditional method. The numerical experiments were used to further analyze factors that affect location accuracy. The results of numerical experiments show that the location accuracy of the proposed method is not affected by the ratio of wave velocities but affected by the measurement accuracy of wave velocity. These results show that new method can obtain accurate AE source location in the two-layered cylindrical surface media such as the triaxial compression test.     

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。