基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

结晶器液压伺服振动系统状态监测与故障诊断

介绍某炼钢厂结晶器液压伺服系统在线状态监测与故障诊断方法，并着重对监测系统硬件组成和软件结构、故障诊断专家系统的故障样本采集、故障诊断方法及软件实现进行了深入研究。     

基于粒子滤波的电力机械设备状态在线监测

为提升电力机械设备状态在线监测的效果，提出基于粒子滤波的电力机械设备状态在线监测方法。通过人工萤火虫群算法改进粒子滤波算法后，借助随机子空间算法构建改进粒子滤波算法所需状态方程。利用该状态方程获取电力机械设备正状态观测矩阵和输出矩阵数值，并将其看作模态参数，依据该模态参数计算粒子滤波状态序列和电力机械设备振动状态变量数值后，构建粒子滤波器，使用该滤波器去除电力机械设备振动信号内干扰噪声后，对电力机械设备振动信号实施归一化处理，得到粒子权重概率和改进粒子滤波监测数值。通过设置振动信号监测步长和阈值，计算监测信号与采集信号差值，使其与所设阈值进行对比，获取电力机械设备状态在线监测结果。实验结果表明，该方法监测的电力机械设备信号最大偏差数值仅为0.003 dB,具备较好的信号跟踪能力，且具备较好电力机械设备振动监测能力。     

基于故障数据库的高速铣削诊断的研究

通过对高速铣削过程中各种铣刀状态下采集的振动信号进行时域、频域分析,对比不同磨损程度刀具的振动信号,找出与刀具状态对应的信号特征。基于LabVIEW平台,开发出在线分析监测系统。由于铣削加工过程的复杂性以及监测系统中得到的特征数据结构复杂、种类繁多,因此将数据库技术应用于在线监测系统中,从而实现对监测系统中数据有效集中管理,提高系统的即时反应速度和运行效率,实现对刀具状态的准确判断。     

基于AR模型和神经网络的柴油机故障诊断

建立了一种基于AR与RBF神经网络结合的诊断模型,模拟柴油机气阀漏气、气门间隙异常等故障,采用NI公司PCI-4472采集卡在LabVIEW7．1平台上开发了柴油机缸盖振动信号采集分析与诊断系统。首先,对利用该系统采集的缸盖振动信号样本建立AR模型并进行AR谱估计,从中提取5个特征参数,然后利用RBF神经网络进行故障模式识别。结果表明,该诊断方法具有较高的精度,便于故障在线监测与诊断系统的开发。     

基于无线传输的军用机械化桥梁在线监测研究

根据军用机械化桥梁在线监测技术指标要求,提出了在线监测的无线传输网络结构方案,进行了主控单元、电源模块、信号采集模块、无线传输模块等硬件设计.应用实例表明,开发的在线监测系统实现了适应野外作业条件下对军用机械化桥梁工作状态的在线监测以及故障的实时监控、定位和报警.     

基于组态思想的旋转机械状态监测系统

为适应旋转机械状态监测系统多样化需求,提出一种新颖的基于组态思想的旋转机械状态监测系统。该系统以配置研究设计的组态化状态监测系统管理分析软件平台的通用计算机为核心,加上研制的电涡流信号采集前置分机、压电信号采集前置分机、工艺量信号采集前置分机和系统组合控制分机组成。系统可以依据工业现场状态监测的实际需要,由用户方便地组建成具有多种信号采集和数据分析功能的离线的便携式振动数据采集分析系统、准在线状态监测系统、或在线状态监测系统。所有信号采集前置分机和系统组合控制分机都是以ＤＳ８０Ｃ３２０高速处理单片机为核心设计的高速、小型化、低功耗系统。论述系统总体方案、系统分机设计和管理分析软件设计,并给出系统在工业现场的应用结果。     

滚动轴承性能退化静电监测方法及试验

采用静电方法对滚动轴承进行在线监测以及退化评估的研究。在滚动轴承寿命强化试验机平台上,使用自研磨损区域静电传感器对滚动轴承进行在线监测,通过多组试验采集得到滚动轴承磨损静电信号,在对滚动轴承磨损过程静电产生机理分析的基础上,进行静电信号的特征提取,通过加速疲劳全寿命周期试验进行滚动轴承性能退化评估,并与振动信号与温度信号进行对比验证。研究结果表明,磨损区域静电监测技术可以实现滚动轴承性能退化的在线监测,该研究是机械系统在线监测以及故障诊断和预测的重要组成部分,并为仪器实现产品化奠定了基础。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

CPS系统中刀具加工状态实时监测的新方法

机床是信息物理系统(CPS系统)中主要的执行单元和感知单元,对其加工状态的动态监测和实时感知可以提高产品质量。为了实现加工现场信号采集和刀具加工状态在线监测,设计了主轴功率信号采集系统,同时引入力信号作为对比分析,应用希尔伯特-黄变换和小波变换根据特征频率段的信号特征构造了刀具磨损系数,将刀具磨损状态和磨损系数对应起来,在加工现场实现了刀具状态的在线监测。通过和小波变换的对比,证明了希尔伯特-黄变换在处理功率信号方面可以有效抑制噪声信号,提高监测的准确性。     

旋转机械故障分析与监测技术研究

通过传感器和信号调理技术采集旋转机械转动信号,在此基础上用VB对采集信号进行分析,实现旋转机械在线监测、动平衡分析,以及轴承故障分析。实验结果表明,该方法可以有效监测旋转机械设备的异常状态,保证设备安全可靠运行。     

基于LabVIEW的滚动轴承故障诊断系统

为实现对滚动轴承工作状态的监测,提出了一种基于LabVIEW的滚动轴承故障诊断系统的设计方案,给出了滚动轴承振动信号的采集与故障诊断方法,在LabVIEW的诊断平台下进行信号处理与分析,然后结合滚动轴承故障诊断理论与信号分析结果来对该轴承运行状态进行判断。最后利用旋转机械振动及故障模拟试验平台对该系统进行验证,验证结果体现了该系统具有可行性和适用性。     

随机森林算法的立铣刀磨损状态评估

制造业自动化水平的提高对数控机床的自我诊断能力提出了新的要求,而人工智能的发展为此开辟了新的解决方案。为了更高效、全面地对刀具磨损状态进行评估,通过采集立铣刀切削时的力和加速度信号,并对其时域、频域与小波能量特征的信号的特征值进行提取,建立了一种基于随机森林算法(Random forest)的刀具磨损状态评估模型。实验数据的对比验证中,随机森林模型对107组测试样本的刀具磨损状态评估准确率达到99.1%,且其建立模型的时间少于1 s。结果表明,随机森林算法具有高效与高准确度的特点,能为刀具磨损状态的在线监测系统的建立奠定基础。     

基于工业无线技术的非侵入式电机故障诊断系统

介绍一种适用于中小型电机的在线监测与故障诊断系统,系统采用无线传感器网络技术构建电机在线监测通信平台,利用非侵入电机电流信号特征分析技术,实现了电机运行状态的在线监测和电机转子断条、匝间短路等典型故障的在线诊断,为中小型电机的在线监测与能源管理提供了一种低成本解决方案。     

基于matlab的滚动轴承智能监测应用实例分析

智能化滚动轴承状态监测利用传感器进行振动信号采集,将采集的数据形成样本;在MATLAB程序中导入采集的数据样本,进行时域分析与频域分析,并且提取时域和频域的特征向量,形成训练神经网络的模式;再将数据输入人工神经网络进行训练,可以建立一个识别系统判断轴承是否有故障。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中，其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题，提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先，通过搭建声发射监测设备确定了相应的参数，采集原始声发射信号进行了预处理，得到了剪切加工阶段的信号，将其用于后续处理；然后，分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系，并根据剪切加工过程中获取的声发射信号，进行了时域、频域、时频域特征提取，分析了获得的特征与刀具磨损之间的关系，利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理，得到了具有良好相关性的特征；最后，基于所选特征，构建了支持向量机(SVM)人工智能模型，用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧，带材质量下降，声发射信号特征值与刀具磨损存在对应关系；采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率，能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

液压系统远程在线状态监测

通过对液压系统温度、油压和流量3种实时信号进行采集、控制和远程发送接收,并设计上位机软件用于监测液压系统的在线状态,为液压系统的远程在线监测提供了一种新的方法。该方法的推广将进一步扩大液压系统在线监测的应用范围,完善液压系统远程在线监测的手段,有力地提高液压系统的远程智能化监测水平。     

高铁轮对状态采集与监测系统设计

针对高铁轮对在线监测手段不足的问题,设计了基于STM32的轮对状态采集与监控系统。该系统采集一节列车每组轮对的温度、振动和速度信号,通过WiFi模块上传至云服务器进行存储与监控。该系统可以实现轮对状态的在线监测,为列车的安全运行提供保障,同时为维护和维修提供数据支持,减少过保养、过维修。     

小波与神经网络结合用于电机在线监测与故障诊断

本文主要将小波与神经网络结合用于电机的在线监测与故障诊断.针对电机系统运行的关键故障,采用小波与神经网络结合的思想,将采集到的电机振动信号,进行小波处理后,通过分析观测信号在小波包某一分解层次上的不同时频分辨空间中的能量分布,进行电机运行状态的特征提取,对提取到的特征信号再用神经网络技术进行故障诊断,从而建立起电机运行状态的在线监测体系,以实现对电机故障预测及诊断,充分体现了小波神经网络在故障诊断中的优越性.     

智能变电站隔离开关机械状态自动监测方法研究

为充分提高智能变电站运行维护能力，探究隔离开关机械状态，提出智能变电站隔离开关机械状态自动监测方法。利用振动型传感器采集不同机械状态下隔离开关的振动信号；采用小波阈值滤除信号噪声，提高隔离开关机械状态信号降噪效果；通过经验模态分解降噪后的机械状态振动信号，完成特征提取；构建机械状态实时监测模型，实现隔离开关机械状态振动信号自动监测。试验结果表明，所提方法的振动信号采集完整度和机械状态监测准确性较高，机械状态监测耗时较短，采用所提方法可以有效提高智能变电站的运维能力。