EWT-多尺度模糊熵-VPMCD融合算法的轴承故障识别分类应用

针对振动信号提取轴承故障特征及识别分类的研究方式,提出了一种结合EWT-多尺度模糊熵-VPMCD的方法.首先,运用经验小波变换提取振动信号的模态分量.其次,引入信息论中的模糊熵算法,并加以多尺度粗粒度划分得到多尺度模糊熵特征描述.然后,用VPMCD对特征向量进行自适应选择预测模型训练.最终通过实验表明:模态分量多尺度模糊熵能够有效描述故障特征;VPMCD在少训练样本情况下获得了最低90％的分类准确率,相较一些常用的分类方法有着更好的性能表现.     

基于粒子群算法的提升机主轴装置应变测点优化研究

为更好地进行多绳摩擦提升机主轴装置应力应变研究,基于改进的粒子群寻优算法,对主轴装置的应变检测点实现了组合优化。首先,分析了主轴装置的力学模型,根据力学模型实现主轴装置有限元仿真及模态分析。根据仿真结果,初步选取特殊点作为主轴装置的应变测点;其次,以模态置信度准则为优化目标,基于粒子群算法对检测点实现组合优化,为防止优化过程中陷入局部最优,对粒子群做了交叉操作的改进;最后,以测点优化结果作为指导,在主轴装置相应位置粘贴应变片,利用无线应变仪实现各测点的应变检测。该研究方法为后续主轴装置故障诊断及摩擦提升机载荷检测的研究提供了数据基础。     

基于深度自编码网络的刚性罐道故障诊断

为解决提升机刚性罐道故障诊断中故障特征提取困难的问题,结合深度自编码网络的特征提取能力优势,提出了一种基于深度自编码网络的刚性罐道故障诊断方法。以重构误差作为深度自编码网络的评价准则,在各层自编码网络之间采用反向传播的方式,逐层对网络的权值和偏置进行优化。利用得到的最优权值和偏置组成特征提取网络模型,基于该网络模型提取刚性罐道的故障特征。以SVM作为分类器实现刚性罐道的故障分类。实验结果表明,该方法提取的故障特征可识别性较好,识别率较高。     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

改进小波阈值-形态学融合算法在振动信号误差抑制中的应用

针对机械装备振动信号采集中含有脉冲噪声及高斯噪声等多种复杂污染源的信号误差抑制去噪,设计了小波阈值和形态学融合算法.首先,在高斯平滑思想上引入改进的小波阈值函数,能够调节阈值函数向小波分解系数真值的收敛趋势达到有效去除高斯噪声及避免稳态偏差的目的,对比几种常用的函数算法,提出的阈值函数取得了在信噪比提升及均方根误差抑制度量上的更优的效果.其次,对比计算了多种形态学算子选择较优的算法用于去除脉冲噪声.最后,将融合算法应用在机械臂振动信号的去噪实验中.结果表明,算法能够有效去除噪声并保留信号特征.     

基于EMD-SVM的刚性罐道故障诊断研究

探讨了基于经验模态分解(EMD)和支持向量机(SVM)的提升机刚性罐道故障诊断方法。首先利用EMD对采集的振动信号进行分解以获得内蕴模态函数(IMF),并结合小波降噪对其高频分量进行降噪。然后,提取降噪后IMF分量中的典型信息作为故障特征向量,使用SVM进行故障模式识别。     

基于遗传算法颚式破碎机结构优化

将颚式破碎机中的破碎机构简化为曲柄摇杆机构,将生产能力作为最终优化目标,以简化后机构杆件长度和破碎机排料口宽度等作为设计变量,运用遗传算法进行优化计算,最终计算得到生产能力最大时,各设计变量的数值,为破碎机优化与改进设计提供参考。     

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明：基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

单体液压支柱轻量化设计研究

针对单体液压缸在矿井使用过程中质量大、不便维修和搬运的问题,依据轻量化的设计要求,从材料、结构及工艺方面综合考虑后,设计了一种轻型单体液压支柱,该液压支柱能有效减小单体液压支柱的质量,此外,还具有强度高、刚性好、耐腐蚀性强及寿命长的优点。