[数据驱动的智能服务]数据驱动的复杂产品智能服务技术与应用

随着传感器、数据采集装置和其他具备感知能力的模块在复杂产品服务运行阶段的应用，复杂产品运维系统的数字化和智能化程度越来越高，具有实时、多源、异构、海量等特性的数据成为提高复杂产品系统可靠和低成本运行的决策依据，数字孪生技术提供了一种有效途径。介绍了数据驱动的复杂产品智能服务研究进展；分析了数据驱动的智能服务基本特征与框架模型；提出了数据驱动的复杂产品智能服务方法，主要包括面向服务的复杂产品建模与仿真方法、数据驱动的服务需求获取与精准分析预测方法、基于数字孪生的设备故障识别与动态性能预测方法、数据驱动的装备视情维修与备件库存联合多目标决策优化方法、基于数字孪生的复杂产品辅助维修技术、多要素协同的复杂装备能效精准分析预测方法、基于数据挖掘的复杂产品运行优化控制方法等；给出了智能服务系统的应用案例。所提出的框架和方法可为现代制造服务的智能化转型升级提供参考。     

电机与负载轴承耦合故障的谱峭度诊断方法

当机电传动系统中电机轴承与负载轴承同时发生故障时,呈现出振动信号复杂、轴承故障信号信噪比差、故障特征不明显的特点。针对上述问题,提出了基于小波和谱峭度相结合的轴承耦合故障诊断方法。首先,通过小波分解可以将耦合故障的多频带故障特征分解到各个子频带中,减少不同故障之间的相互影响;其次,根据谱峭度最大原则自动选择最佳带通滤波进行滤波,对滤波后的信号进行包络分析,从包络谱中对故障特征频率进行快速有效的识别,进而确定故障类型和故障位置;最后,利用支持向量机实现电机轴承耦合故障的模式分类。实验结果表明,利用该方法能够有效地滤除噪声干扰,提取强谐波信号下的弱故障特征,效果优于传统谱峭度分析方法。     

全矢动平衡方法及其实验研究

将全矢谱技术应用于转子动平衡领域,提出1种新的转子动平衡方法——全矢动平衡方法(FVDB),给出了该方法的实现途径和核心算法.与传统影响系数法相比,该方法具有精度高、评价方法客观的优点.实验表明:该平衡方法效果好,操作简单,经该方法平衡过的转子,测得的振截面各个方向的振动都能控制到较低的水平,弥补了传统平衡方法单方向振动降低而其他方向振动仍处于超标状态的严重缺陷.     

基于振动信号的电动机断条EEMD诊断方法

针对异步电动机断条的故障诊断,提出基于振动信号的集合经验模态分解(EEMD)与希尔伯特包络解调(Hilbert)相结合的电动机断条故障诊断方法。EEMD分解相当于带通滤波,可减少噪声干扰;Hilbert包络解调,可得到故障特征的包络信号,突出故障特征信息。将EEMD与Hilbert结合,既抑制了噪声,又突出故障特征分量。通过试验验证,在电动机空载和载荷情况下,该方法能够对电动机断条故障特征频率进行有效识别。     

矢Wigner高阶谱在齿轮故障诊断中的研究

全矢谱技术能够有效的融合同源双通道的信息,融合后的信息无论从结构上还是能量上都能够真实的反映转子的实际运行状态。针对Wigner高阶谱只能处理单通道信息这一缺点,将全矢谱技术与Wigner高阶谱相结合,提出矢Wigner高阶谱分析方法,给出了其定义与算法,并将其应用到齿轮故障诊断中。仿真研究及实例验证结果表明,矢Wigner高阶谱能够克服基于单通道信息的Wigner高阶谱的片面性,并且该分析方法同时具备两者的优点,为齿轮故障诊断提供更可靠的依据。     

全矢谱技术在齿轮故障诊断中的应用

以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点.     

基于多尺度1DCNN的滚动轴承故障诊断北大核心

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明:该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

滚动轴承故障的全矢小波分析

小波分析可同时从时域和频域两个方面对信号进行分析,结合包络分析十分适合滚动轴承的故障特征提取;基于双通道的全矢小波分析方法不仅对单通道小波分析方法具有兼容性,而且弥补了传统的基于单通道信息进行旋转机械故障特征提取造成的信息量不完整、易导致误诊的弊端。结果表明,在针对滚动轴承外圈故障特征提取时,全矢小波分析方法较小波-包络分析方法具有一定的优势。