基于GHM多小波的螺栓连接转子装配紧度定量检测方法

螺栓连接转子是由螺栓将若干段转子或轮盘压紧组合而成的一种具有重量轻、强度高、刚性好、各级轮盘材料选择灵活等优点的典型转子结构形式,被广泛应用于航空发动机与燃气轮机。针对螺栓连接转子装配中存在的盲装、试装、装配紧度一致性差、服役中螺栓紧度退化与松动故障,提出了一种基于GHM多小波的螺栓装配紧度定量检测方法。采用兼备对称性、紧支性、正交性、高阶消失矩等优良特性的GHM多小波对螺栓连接转子螺栓装配状态进行特征提取,通过多小波相对能量分布特征定义了装配紧度定量指标,通过实验验证表明所提出的方法可以准确识别螺栓六种由紧到松的状态。     

螺栓连接结构动态特征学习与装配紧度智能监测

自动特征提取在机械系统智能状态监测中起着至关重要的作用,可以自适应地从原始数据中学习特征并发现新的状态敏感特征。本文重点研究了不同深度的卷积神经网络(CNN)模型在没有先验知识的情况下从激励响应信号中挖掘代表信息和敏感特征的能力,并将螺栓连接结构的特征提取和装配紧度分类过程融合在一起。通过车架试验台螺栓连接转子激振实验数据验证该方法的有效性。结果表明,CNN方法自适应学习的特征可以表示信号与装配状态之间的复杂映射关系,并且比其他方法具有更高的准确率。     

Bi⁃LSTM 神经网络用于轴承剩余使用寿命预测研究

为有效获得轴承退化过程,设计一种改进损失函数的卷积自编码器(Convolutional Autoencode),使其可从多传感器采集的振动信号中提取轴承健康状态,避免了局部信息的丢失,同时得到了更深层次的故障特征。提出了一种基于双向长短时记忆网络(Bi-directional LSTM)的循环神经网络结构,利用其对时间序列数据的处理能力,学习轴承在实际工作过程中的退化规律,实现对轴承的剩余使用寿命预测。此外,为进一步提升模型的预测准确率及泛化能力,设计接收随机长度样本的Bi-LSTM网络进行训练,使得模型接收连续数据而不是分段的数据。最后,使用NASA的IMS数据集进行了验证和对比试验,得出本文所构建的CE-Bi-LSTM轴承健康预测模型相较于其他方法具有更准确的预测能力。