基于对抗自编码模型的高速泵异常检测北大核心

针对传统大型旋转机械健康状态评估中过分依赖人工经验和对复杂信号的处理通用性较差的问题,基于对抗自编码模型提出一种误差阈值异常检测方法。直接利用设备振动信号进行特征提取与运行状态建模,利用正常状态下设备的振动状态数据建立分布模型;通过深度学习的方式学习振动数据的内在特征,并引入误差阈值作为故障预警的决策准则,实现设备运行状态的高效评估;以一台高转速离心泵为测试对象验证所提方法。结果表明:对抗自编码模型对异常数据的判断准确率能达到100%,该方法能够基于监测数据对旋转设备运行状态进行有效检测;相比于传统自编码神经网络,该方法的诊断准确度和精度大幅提高。     

基于SSAE-LSTM模型的冷连轧机扭振预测

轧机振动预测模型性能依赖于从输入变量中提取的特征。针对冷连轧机振动数据样本大、非线性强的特点,且在时间上具有前后依赖关系,提出了一种基于SSAE-LSTM的轧机扭振预测方法。首先,对于同种参数数值差异较小、关系表征不明显的轧制过程参数,使用栈式稀疏自编码(SSAE)网络进行无监督自适应特征提取,挖掘生产数据的深层次特征。然后,利用长短时记忆(LSTM)网络在处理时间序列上的优势,将SSAE网络提取到的深层特征作为预测模型的输入,将旋转角加速度作为输出,建立基于LSTM的轧机扭振预测模型。仿真结果表明：SSAE-LSTM模型的预测精度达98.5%,与RNN模型和LSTM模型相比,预测精度分别提高了24.8%和12.2%,验证了该方法的有效性,为实时预测轧机扭振状态提供了参考。     

基于深度SVDD-CVAE的轴承自适应阈值故障检测

通过状态监测进行轴承故障报警,能有效避免设备灾难性事故的发生。基于数据时序特征重构的故障检测法由于仅采用正常数据进行训练, 能有效避免故障数据不足而导致的模型检测精度下降。然而,此类方法的故障阈值确定依赖于大量的历史数据,且对检测精度有着极大的影响。为此,提出基于深度SVDD-CVAE的轴承自适应阈值故障检测方法。针对时序信号特征增强提取构建ConvLSTM作为基础单元的CVAE特征压缩提取框架,有效提取轴承故障微弱特征;结合SVDD自适应学习特征空间超球面,实现故障检测阈值的自适应确定;最后,通过全局误差损失反向传播对深度SVDD-CVAE框架进行迭代优化。实验结果表明：所提出的方法能有效提取轴承微弱故障特征、自适应确定阈值,并在IMS轴承数据集上取得97.7%的检测准确率。     

冷带轧机振动状态下的轧制理论模型

为准确地模拟和预测高速冷连轧机频繁产生的颤振，在充分考虑工作辊的弹性变形后，给出了更为精确的轧机振动状态下轧制压力计算模型。     

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题，提出了一种基于信息融合的稀疏自编码故障诊断方法。首先，对振动加速度信号进行频域积分得到速度和位移信号，同时计算加速度信号的频谱；其次，将频谱、速度、位移三种信号融合成一个复合信号；最后，将复合信号作为稀疏自编码网络的输入进行深度特征提取，利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型，并与传统的稀疏自编码故障诊断模型相比，结果表明，所提方法能有效识别滚动轴承故障和RV行星轮故障，且在减少网络层数的同时能够提高识别准确率。     

冷连轧机模态测试研究

针对宝钢２０３０ｍｍ冷连轧机高速运行中的出现的振动问题，从现场测试和理论分析方面研究了自激振动的生成机理，影响因素及抑制措施，通过适当控制乳化液的浓度可消除颤振并提高轧制速度。     

多机架连轧振动耦合的建模仿真分析

主要研究连轧机振动耦合.通过对轧机振动产生的原因分析,建立了一种轧制过程模型和轧机结构模型耦合的单机架颤振系统,并构建了连轧振动系统.对两个模型进行仿真,比较分析得出引起轧机振动耦合的主要原因是轧辊的振动导致出口板带缺陷和机架间张力的变化,通过现场轧制实验验证了模型和仿真结果的正确性.此外,轧制速度及合理布置轧机问的距离对整个连轧系统的稳定性有着重要的影响.     

基于小波包分解和奇异谱分析方法的立铣加工颤振监测

在立铣加工过程中,颤振是加工过程失稳的一个最重要的原因。颤振将会严重影响工件表面质量和材料去除率,加剧刀具磨损和恶化工作环境。虽然大部分颤振监测系统可以监测到颤振发生,但颤振发生时已经对工件和刀具产生了严重的损伤,因此,需要提前监测到颤振特征。在颤振发生过程中,振动信号具有在时域中不断增大,在频域中能量频移的特性。考虑这两个振动信号特征,提出了一种颤振特征提取方法。提取颤振发生频带中振动信号的能量比和奇异谱熵系数作为两个颤振特征,并通过人工神经网络模型实现切削颤振的识别。文中提出的颤振监测系统包括特征提取和分类,能够精确辨识立铣加工中的稳定、过渡和颤振状态。     

基于特征频率组的铣削颤振识别

金属切削过程中的颤振,易降低工件加工质量和机床加工精度。为实现对加工过程中颤振的在线监测,设计颤振的在线分析和识别方法十分必要。文章基于对主轴加速度信号的频域分析,提出了用于振动识别的特征频率组的分析方法,特征频率组包含了强迫振动或颤振的典型频谱信息。该方法采用加速度传感器,获取主轴的振动信号,以特征频率组为识别特征,对铣削加工的稳定性进行识别,并通过铣削试验进行验证。试验结果表明:与时域分析的方法相比,该方法利用的频域特征,无须阈值和人为判断,适用于在线的识别与分析。     

基于振动时域特征的船用滚动轴承故障诊断方法

基于机器学习故障诊断方法,针对船用滚动轴承复合故障特征提取多样化的特点,提出一种以振动信号时域指标为特征的随机森林故障诊断方法。将振动时域信号进行清洗转换,构造5个量纲一化指标的衍生特征,并选取以决策树为基本分类器的随机森林算法建立训练模型;通过特征筛选、评估测试和模型优化得到较为理想的故障诊断分类模型;采用滚动轴承竞赛数据集进行模型仿真,并结合实际模拟8种船用滚动轴承故障状态。通过三向振动实验和算法建模,证明特征提取的科学性和故障诊断模型的有效性。结果表明:采用该方法,数据仿真诊断准确率为98.61%,实验诊断准确率为98.85%,且该方法在振动采集方向为轴向时诊断效果最优。     

轧机齿轮箱多通道振动监测系统设计与研究

为获取并分析轧机齿轮箱工作时的机械振动信号,以进一步研究并判断齿轮箱健康状况,从实际出发,设计一套适合轧机齿轮箱机械振动检测的装置。对轧机齿轮箱运行过程中产生的振动信号进行采集,利用振动信号分析技术分析齿轮箱运行状态。分析典型的高线轧机齿轮箱失效的振动特征以及特征频率计算;分析并设计轧机齿轮箱振动检测系统,包括监测系统总体连接、振动测试点的分布、传感器的选择等;通过实验测试该监测系统的功能。结果表明：该系统能够达到检测齿轮箱运行状态的要求。     

基于单层SAE与SVM的滚动轴承性能退化评估

滚动轴承是旋转机械设备的常用关键部件之一,其性能退化评估是机械设备状态监测与视情维修的基础和依据。为及时准确掌握滚动轴承性能退化趋势与程度,提出基于单层稀疏自编码学习和支持向量机的滚动轴承性能退化评估方法,研究能够深度挖掘数据各种潜在隐含信息的稀疏自编码学习方法以及基于时频域特征和稀疏自编码学习的轴承状态特征的提取方法;提出基于支持向量机分类算法改进的轴承性能退化评估算法,并应用到滚动轴承的性能退化评估模型中,确定了模型参数寻优的方法;最后将所获得的轴承状态特征输入到轴承性能退化评估模型,得到了轴承性能退化趋势图,并通过滚动轴承实例验证了所提出方法的实用性。     

冷连轧机垂直振动理论研究进展与展望

轧机振动是冷轧带钢生产时普遍存在的问题,严重影响了产品质量并制约了板带材制备过程的高速化发展。其产生机理是由于轧机结构动态变化和轧制过程相互作用产生的自激振动。国内外学者从大量实验测定和理论探索中逐步形成并完善了不同简化模型,这些模型为提高轧机稳定性和发现消振抑振手段奠定了坚实基础。在归纳总结国内外相关文献中采用的不同理论模型基础上,从建模方法、轧机结构模型和轧制过程关键子模型等角度对研究成果进行了简要阐述、对比和评论;同时,介绍了人工智能理论在振动预测方面的应用,并结合当前钢铁行业的发展趋势对轧机振动未来的研究方向进行了展望。     

辊轧机状态监测系统压电俘能自供电装置带宽自调整方法

研究了一种基于带宽自调整压电俘能供电的辊轧机状态监测装置,该装置能够根据不同的外界激励频率调整自身结构和改变自身固有频率,从而实现压电俘能装置在外界激励作用下发生共振。对该带宽自调整的压电俘能装置建立数学模型,并对其固有频率进行有限元仿真以及实验研究,通过理论研究分析了不同悬臂梁长度在不同外界激励作用下对压电俘能自供电装置的固有频率和发电电压的影响规律。研究结果表明:压电俘能装置的共振频率范围包含了设备工作时的主要振动频率范围,可以通过反复调节悬臂梁长度,使得供电装置的输出电压更加稳定。     

基于XGBoost和自回归模型的轴承故障诊断和预警方法研究

针对轴承在数控车间生产中易发生故障且对轴承故障预警困难的问题,提出了一种基于XGBoost算法和AR(I)MA自回归模型的数据驱动的故障诊断和预警方法。首先使用XGBoost算法将轴承的历史数据划分为正常、滚珠故障、外圈故障和内圈故障4种状态,然后使用AR(I)MA模型来预测轴承在未来一段时间内的振动信号变化,再将预测出的振动信号进行降噪和特征提取后输入到训练好的XGBoost中进行故障诊断。使用PRONOSTIA平台采集的轴承工作数据进行实验,结果表明,文章方法可以准确预测出轴承短期内的振动信号并诊断出可能发生的故障,证明了该方法在轴承的故障诊断和预警中的可行性与正确性。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于EEMD-LSTM的冷连轧机振动预测研究

针对冷连轧机振动具有非线性、非平稳,以及与当前和历史状态息息相关的特点,提出了基于集合经验模态分解(EEMD)-长短时记忆循环神经网络(LSTM)的轧机振动预测模型。采用EEMD方法将轧机振动加速度分解为若干个频率单一、相对平稳的IMF模态分量和残差分量,有效地降低了振动加速度信号的复杂性;采用具有记忆单元的LSTM网络建立轧机振动预测模型,并通过引入历史振动信息显著提高了轧机振动的预测精度。仿真结果表明,EEMD-LSTM模型较LSTM模型的预测精度提高了11%,对轧机振动有很好的预测效果,并分析了各工艺参数与轧机振动之间的定量关系,为快速抑制轧机振动、优化轧制规程提供了参考。     

冷轧机电气控制系统引起的振动分析

以某厂的冷轧机为研究对象,分析电气控制系统参数对板带材的成品质量和轧机振动产生的影响。使用MATLAB/Simulink模块对轧机动态轧制过程进行模拟仿真,结合理论分析得出了压下率和张力波动对带钢质量和轧机振动的模拟仿真图。结果表明,压下率可以引起板凸度的变化和轧机振动,张力波动会对工作辊振动产生影响;压下率和张力波动是引起轧机振动的主要因素,可以通过优化电气参数设定和改善张力控制方式来达到抑制轧机振动的效果。