多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于虚拟仪器的预测维修系统的研发

详细介绍了设备数据库、状态监测、故障诊断等与预测维修系统相关的技术；创新性地引入虚拟仪器，结合数据库、三层模型、组件等先进技术，自主开发了基于虚拟仪器的数据库、数据采集、数据归档、状态监测、故障诊断、报表打印等功能模块，并提供了完整的系统解决方案和软硬件配置。     

小波分析突发故障中小波基的选择

小波变换是一种日益获得广泛应用的信号分析方法,它在时域和频域同时具有良好的局部化特性,能够很好地反映瞬态信号的特征,为诊断以非稳态信号为特征的机械故障提供了有效的分析手段。然而,由于小波变换没有固定的基函数,不同的基函数具有各自的特征,而且缺乏可比性,因此在故障诊断中,如何选择小波基,便成了一个棘手的问题。本文从应用的角度简述了小波变换中小波基的选择方法,并给出了应用实例。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。     

基于量子加权长短时记忆神经网络的状态退化趋势预测

提出基于量子加权长短时记忆神经网络(QWLSTMNN)的旋转机械状态退化趋势预测方法。首先采用小波包能量熵误差构建状态退化特征集,然后将该特征集输入QWLSTMNN以完成旋转机械状态退化趋势预测。在QWLSTMNN中,将输入层权值量子位扩展到隐层以获取额外的梯度信息;利用隐层权值量子位的反馈信息以获取输入序列的全部记忆,改善了原长短时记忆神经网络(LSTMNN)的非线性逼近能力和泛化性能,使所提出的状态退化趋势预测方法具有较高的预测精度;另外,采用新型的基于量子相移门和量子梯度下降法的学习算法以实现QWLSTMNN的网络量子参数(即权值量子位和活性值量子位)的快速更新,提高了网络收敛速度,使所提出的预测方法具有较高的计算效率。滚动轴承状态退化趋势预测实例验证了该方法的有效性。     

机械振动无线传感网络数据分块无损压缩方法

针对目前机械振动无线传感器网络数据无损压缩方法效率低的问题,提出一种数据分块无损压缩方法,该方法主要由数据分割和数据编码组成。传感器网络节点首先对采集的振动数据进行分块处理,利用子带能量自适应量化方法压缩原始数据,以量化压缩数据完成对原始信号的预测;然后将量化数据还原,计算预测差值矩阵;最后,采用线性预测、自适应零游程编码和Range编码对量化压缩数据和差值矩阵进行编码,进一步去除数据冗余。将提出的数据分块无损压缩方法的压缩性能与其他无损压缩方法进行对比,实验结果表明该方法能在资源受限的无线传感器网络节点上有效实现机械振动信号的无损压缩。     

基于阶次分析和EWT的轴承故障诊断研究

针对非平稳工况下,轴承故障信号表现出来的非平稳性、故障特征难以提取等特点,提出将阶次分析与经验小波变换(EWT)相结合的故障特征提取方法,使用Lab VIEW软件开发平台对上述方法进行编程实现。利用机械故障仿真实验台(MFS)得到非平稳工况下轴承内圈故障信号并以其进行分析,分析结果表明:基于阶次分析与EWT相结合的方法能准确识别非平稳工况下轴承故障特征,解决了传统阶次分析方法无法有效识别故障特征的问题。     

机械振动 WSN 比例补偿跨层同步采集触发方法

针对机械振动无线传感网络同步采集中的同步触发精度低问题,提出了一种比例补偿跨层同步采集触发方法。首先,基于跨层同步架构设计超宽带机械振动无线传感器网络节点,分析采集节点实际采集时钟构成;然后,使用单一硬件定时器作为采集控制时钟,跨层获取同步信息并进行同步触发延时控制;最后,根据周期性同步信息建立节点间的时间比例模型,根据采集节点上行链路时间比例对同步触发延时进行比例补偿,减小同步采集触发误差。实验结果表明,所提方法在单跳网络中同步采集触发误差均值为20 ns,最大值为50 ns,在两跳网络中同步采集触发误差均值为37 ns,最大值为76 ns,有效提高了机械振动无线传感器网络同步采集触发精度。     

基于长短时记忆网络融合SCADA数据的风电齿轮箱状态监测

针对不具有时间记忆能力的机器学习方法融合风电机组数据采集与监控系统(SCADA)的时序数据而导致风电齿轮箱状态预测精度不高的问题,提出基于长短时记忆(LSTM)网络融合SCADA数据的风电齿轮箱状态预测模型。选择能表征风电齿轮箱运行状态的某个监测量作为模型的输出量,基于灰色关联度选择与该监测量关联密切的SCADA参数作为预测模型的输入量;使用正常状态下的SCADA数据训练LSTM预测模型,得出预测值和残差,通过3σ准则计算出上下预警阈值,用于风电齿轮箱状态监测和故障预警。某风电场风电齿轮箱的SCADA数据验证表明所提出的方法能有效预警风电齿轮箱故障。     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。