Adaboost_SVM集成模型的滚动轴承早期故障诊断

针对滚动轴承早期故障诊断中故障特征微弱难以有效检测的问题,提出一种基于Adaboost提升支持向量机(Support vector machines,SVM)集成学习模型的滚动轴承早期故障诊断方法。首先以Cincinnati大学实测的滚动轴承全寿命振动数据为基础,采用特征参数跟踪法,建立特征参数的趋势分析,并据此选择用于滚动轴承早期故障诊断的敏感特征参量,然后通过构造Adaboost提升SVM集成学习模型,并将其应用于滚动轴承的早期故障检测中。Ada Boost能够自适应地提升单一SVM的分类性能,相对于传统的单一SVM分类器Adaboost_SVM稳定性最好,早期故障诊断准确率最高。实验结果表明,结合优选的敏感特征参量,Adaboost_SVM能有效地诊断滚动轴承的早期故障模式。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

大模数齿轮齿条副单齿啮合强度分析与实验验证

大模数齿轮齿条驱动式起升机构服役环境和运行工况复杂、系统组件之间的相互耦合性日益增强,在多齿-单齿-多齿交替的运行周期中,单齿啮合较多齿啮合承载应力更大,因此,需要对单齿啮合的强度和刚度变化进行分析,提高齿轮齿条副承载能力研究的准确性。以三峡升船机为研究对象,搭建立式齿轮齿条起升机构传动系统工况模拟实验台,研究其中6种工况,对齿轮齿条起升机构的接触强度和弯曲强度进行理论分析,使用有限元软件对单齿工作期间内的两种应力及刚度变化进行仿真分析,并与理论分析进行比较,最后通过实验验证理论与仿真的准确性,误差均在10%左右。仿真分析结果表明:各工况下单齿啮合刚度随着转角和载荷的增加而增大,强度的变化趋势与其一致。     

组合核RVM与EEMD信息熵的机械设备可靠度评估与预测

机械设备的运行可靠度反映的是机械设备在预期服役环境中正常工作的能力,传统的机械设备运行可靠度评估方法通常是建立在大量历史样本信息的基础上,然而针对没有历史样本信息的机械设备,传统方法难以对机械设备的实际运行状态进行准确评估,也很难对其未来的性能退化趋势进行有效预测。为此,提出通过构建归一化EEMD信息熵与组合核函数相关向量机对机械设备的运行状态进行评估和预测。首先采集机械设备运行过程中的振动信号,采用经验模式分解方法（ensemble empirical mode decomposition,EEMD）对振动信号进行分解,获得多个本征模态函数（intrinsic mode function,IMF）分量,并分别计算其相对能量和归一化EEMD信息熵,构造表征机械设备运行状态的特征指标。随后,构建组合核相关向量机对机械设备的运行状态指标量样本进行学习,并采用粒子群算法对组合核相关向量机中的权值参数和核函数参数进行优化,建立反映机械设备运行状态的可靠度预测模型。最后,将所构造的运行状态特征指标输入给相关向量机进行可靠度的性能退化预测。滚动轴承运行状态评估及预测的结果表明,所提出的机械设备运行状态评价方法能够充分提取反映滚动轴承运行状态的特征信息,运行可靠度预测方法也充分考虑了滚动轴承性能退化状态的历史规律性,相对于单一核函数相关向量机智能预测模型,组合核相关向量机提高了滚动轴承运行状态的预测精度和鲁棒性,为机械设备的运行状态评估和性能退化趋势预测的工程应用提供了一种新的方法。     

基于等距映射与加权KNN的旋转机械故障诊断

针对旋转机械高维复杂故障特征数据难以快速准确辨识的问题,提出一种基于等距映射非线性流形学习与加权KNN(K-nearest neighbor)分类器相结合的旋转机械故障诊断方法.在由时域统计指标和内禀模态分量能量构造的原始特征空间中,首先利用等距映射非线性流形学习算法提取旋转机械故障状态变化的本质特征,随后将提取的低维本质特征输入给加权KNN进行旋转机械的故障模式辨识.通过对齿轮箱的实验数据分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法也明显提高,能够有效识别出高维特征空间的非线性故障特征.     

数据融合技术在异步电机故障诊断中的应用

将数据融合方法引入到异步电机的故障诊断中,通过不同传感器综合采集异步电机运行时的各个状态参数,运用并行BP子神经网络对异步电机进行局部诊断,再用D-S证据理论对局部诊断的结果进行全局融合,实现对异步电机的准确诊断。实验表明,诊断结果的可信度显著提高,不确定性明显减少,证明了该方法是有效的。     

基于线性局部切空间排列维数化简的故障诊断

为实现旋转机械故障诊断方法的自动化、高精度及通用性,提出基于线性局部切空间排列(Linear LocalTangent Space Alignment,LLTSA)维数化简的故障诊断模型。首先结合经验模式分解(Empirical Mode Decomposition,EMD)和自回归(Autoregression,AR)模型系数构造全面表征不同故障特性的混合域特征集,再利用LLTSA将高维混合域特征集化简为故障区分度更好的低维特征矢量,并输入到最近邻分类器(K-nearest Neighbors Classifier,KNNC)中进行故障模式识别。所提出的诊断模型充分融合混合域特征融合在故障特征的全面提取、LLTSA在信息的有效化简及KNNC在分类决策方面的优势,实现诊断方法的自动化、高识别率及较好的通用性。用深沟球轴承不同部位、不同程度故障诊断实例验证该模型的有效性。     

基于小波与Retinex原理的锈蚀图像特征增强北大核心

为更好地判断金属材料的锈蚀程度,针对低照度金属锈蚀图像存在的亮度不高和细节信息不明显的问题,提出了基于小波变换和Retinex原理的图像特征增强算法。首先,将原始锈蚀图像的色彩空间转换HSI空间,保持饱和度分量和色调分量不变,对亮度分量I进行小波分解;其次,对分解后的高频分量和低频分量进行自适应增强,重构后的图像经Retinex原理进行多尺度增强改善图像亮度。实验结果表明,对锈蚀低照度图像的增强效果明显,能较好地改善图像的整体亮度,对细节信息的保留和增强效果明显。     

核电站水下视频检查摄像头结构改进设计

核电站一回路关键设备工作环境恶劣,极易产生裂纹、腐蚀等缺陷,必须定期对这些设备进行检查。水下摄像头是一种有效的检测手段,已广泛应用于核电站。然而在应用过程中会出现密封失效、卡齿、定位不准、传动不平稳,结构可靠性差与设备可维修性差等问题,严重影响水下视频检查的效率与可靠性,同时存在安全隐患。针对核电站水下摄像头在应用过程中出现的工程问题,提出结构改进设计方案,摄像头的可靠性与定位精度显著提高。