仿真数据驱动的长期服役电梯导轨故障迁移诊断方法

现有的电梯导轨故障诊断研究存在水平振动分类数据稀缺,训练和测试数据集分布差异较大等问题。提出了一种仿真数据驱动的长期服役电梯导轨故障迁移诊断方法。首先构建电梯轿厢的水平动力学模型,将不同类型的导轨故障激励作为系统输入进行仿真,获得丰富的轿厢水平异常振动数据;然后融合残差网络和卷积注意力机制来提取故障特征,采用子领域自适应方法实现无监督场景下源域与目标域条件分布的对齐;最后使用不同工况下的电梯水平振动数据作为目标域对所提方法进行验证。实验结果表明,所提方法在无监督跨域场景下具有较高的故障诊断精度,为解决长期服役电梯的故障数据稀缺问题提供了参考。     

深度学习在电梯轿厢振动故障诊断中的应用研究

在电梯系统运行过程中,针对故障诊断精确度不够高的问题,以及电梯轿厢振动故障诊断在卷积神经网络运用上的空白,采用电梯承运质量测试仪采集了电梯运行过程中的大量振动信号,并对信号进行了分离和筛选;采用了连续小波对预处理后的信号进行了时频变换,以变换后的RGB图像作为深度学习模型输入;研究了深度学习在电梯轿厢振动故障诊断中的应...     

电梯应急处置与安全监管大数据分析决策技术研究

通过基于百度地图的Web Service API开展数据预处理,优化了数据挖掘的精度和性能,并通过基础数据统计分析技术分析电梯基础数据和电梯故障工单数据内含规律;通过对易发故障电梯性质、电梯使用年限-故障率模型和网格救援站点合理性分析等数据的深度挖掘,从不同的角度为电梯的安全监管提供决策辅助;结合获取电梯数据预处理和故障数据分析结果和电梯应急处置大数据的深度挖掘,开展研发救援到达时间预测技术、电梯故障原因预测技术和网格救援站点分析技术的研究;建立了基于Python语言的电梯应急处置与安全监管大数据平台,平台能有效地掌握电梯安全状况信息,开展针对性安全监察工作措施,实现闭环管理。由事后处置转变为事前预防,提升电梯安全形势,促进了电梯综合管理新机制的形成。     

轿厢二次装修对电梯的影响

对电梯轿厢进行二次装修会造成电梯实际的载重量增大,或者从另一个角度看会引起轿厢超面积,从而造成电梯超载,将可能成为造成群死群伤事故的严重隐患。但不会改变电梯的平衡系数。对于这种情况应按电梯改造作业进行处理,对改造过程实施监督检验。     

电梯滚动导靴横向隔振性能分析与优化

为研究高速电梯滚动导靴的水平隔振性能,采用理论建模与仿真结合的方法完成了对轿厢系统的横向振动分析.首先对电梯横向振动的原因及振动评价指标进行分析;然后对轿厢系统进行简化,建立导靴-1/4轿厢系统2自由度水平动力学模型,进而基于ADAMS进行了电梯水平振动仿真,并对比仿真与理论计算结果,分析了电梯轿厢的水平振动特性;最后...     

电梯轿厢振动故障分析

本文针对电梯轿厢振动故障进行分析,阐述了电梯轿厢的组成,内容有轿底、轿壁、轿顶、轿厢装潢等,同时分析了导致轿厢发生振动的主要原因,如电梯曳引机称重量处在不同水平面上,曳引机蜗轮副啃咬齿轮不正、电梯曳引钢丝绳受力不均匀,固定的导靴以及滑动导靴之间的配合产生较大缝隙等。针对上述问题,探讨了如何解决电梯轿厢振动故障。     

浅析引起电梯系统振动问题的机械因素

概述了电梯机械系统的工作原理,在此基础上,重点从曳引机、导轨和导靴、钢丝绳松紧均匀度、防机械共振装置检查、电梯轿厢安装是否紧固、电梯轿厢是否平衡、报闸调节7个因素出发对引起电梯系统振动问题的机械因素进行了详细分析,并提出了改进措施。     

基于流形学习算法的齿轮变速箱故障特征提取

流形学习算法是一种非线性的数据降维方法,可以获得数据的低维几何结构,能很好的体现系统的本质。为了提高齿轮变速箱振动故障信号的可分性,应用流形学习方法对齿轮变速箱振动信号进行故障特征提取。研究结果表明,流形学习方法可以有效地提取齿轮变速箱振动故障的特征信息,并能有效区分不同故障类型的特征信息。运用流形学习方法进行故障特征提取后的诊断结果与时域统计特征提取方法相比,提高了故障诊断的正确率。     

电梯机械系统动态特性的建模分析

本文对一台额定速度为 ２．５ｍ ／ｓ 的电梯进行了动态分析，通过运动弹性动力学方法建立了电梯垂直方向的振动模型。根据电梯的行程长度确定相应的运行曲线，来计算轿厢的瞬时位移，从而对模型进行了精确求解。获得了垂直方向振动加速度与加加速度的动态响应指标，为电梯机械系统动态性能的优化设计提供了依据。     

基于实验系统的电梯轿厢水平振动研究

针对导轨不平顺作用下曳引电梯轿厢的水平方向振动问题,对导轨在不同激振频率下电梯轿厢的动态特性进行了研究。设计了一套滚动导靴-导轨接触式电梯实验系统,该系统主要包含:电梯轿厢模型、滚动导靴装置以及激励系统;根据电梯系统零件繁多,轿厢、轿架结构件非标准化的情况,以及电梯固有频率经验值、相似性原理,建立了水平电梯振动分析实验平台,保证了实验系统与理论分析的契合性;将Lab VIEW数据采集技术应用到导轨的受迫振动实验中,利用DH1301型激振器给予其中一侧导轨两种不同频率的正弦激励,进行了测试,并收集了轿厢3个不同位置的水平振动加速度实验数据,并对其进行了频谱分析。研究结果表明:在不同的正弦激励频率下,激振频率越接近系统固有频率值,质心处水平振动加速度响应幅值越大。     

基于小波包变换的滚动轴承故障诊断

针对故障轴承振动信号能量集中与调制的特点,提出了一种基于小波包能量法与Hilbert变换的滚动轴承故障诊断方法。使用小波包变换对振动信号进行分解、重构及能量计算,并应用Hilbert变换对能量集中频段的重构信号进行解调和频谱分析,提取故障特征频率。同时针对诊断过程中故障特征参数依靠人工计算的问题,提出故障特征参数自动提取方法。实际的滚动轴承实验数据的处理和分析结果表明,该诊断方法能够准确、快速地识别滚动轴承表面损伤的故障模式。     

基于流形学习方法的汽轮机组振动特征提取

为了提高汽轮机振动故障信号的可分性和诊断正确率,应用流行学习方法对汽轮机振动信号进行故障特征提取。研究结果表明,应用流行学习方法可以有效地提取汽轮机振动故障的特征信息,将不同故障类型的特征信息有效地区分开来。运用流行学习方法进行故障特征提取后的诊断结果与小波包分析方法相比,诊断正确率明显提高。     

智能电表数据和监督学习检测非技术损失的研究

为提高智能电表数据融合检测能力,提出基于监督学习的智能电表数据检测非技术损失评估方法,在智能电表检测非技术损失阵列中进行智能电表损失数据采集,构建大数据挖掘的统计分析模型,采用监督学习检测方法检测智能电表数据的非技术损失数值,实现智能电表检测非技术损失数据快速提取,根据特征提取结果实现智能电表数据融合和损失检测。仿真结果表明,采用该方法进行智能电表数据融合和监督学习检测的准确性较高,信息融合度较高,提高了智能电表非技术损失的评估和状态监测能力。     

电梯导轨对轿厢振动的影响

运用开发的在线测量电梯导轨直线度的仪器对电梯导轨进行了在线测试，得到导轨的直线度数据；通过建立轿厢水平振动模型，以导轨的直线度数据作为振动激励，对系统进行了振动仿真并与实验结果进行了比对，结果显示仿真的振动频率与振动仪所测的频率基本相符。分析结果说明，电梯导轨直线度是轿厢产生振动的主要原因之一，随着电梯速度的提高，振动强度加大，会出现一比中心频率高的振动。     

基于人工智能技术的大数据分析方法研究进展

人工智能、大数据、云计算、物联网等信息技术为推动集成制造快速发展提供了关键技术手段。近年来,采用人工智能技术进行大数据分析取得了突破性进展。系统总结了基于人工智能技术的大数据分析方法的最新研究进展。从大数据的聚类、关联分析、分类和预测4个主要的数据挖掘任务出发,分析了大数据环境下机器学习的研究现状;针对深度学习这一热点,总结了基于MapReduce、Spark的分布式深度学习实现,以及面向大数据分析的深度学习算法改进相关研究;从群智能、进化算法两方面梳理了基于计算智能的大数据分析相关研究;针对大数据平台,特别对大数据分析和深度学习集成框架进行了归纳,介绍了大数据机器学习系统和算法库;分析了大数据分析中人工智能技术面临的主要挑战,并提出了进一步的研究方向。     

变速箱振动与噪声故障的自动诊断方法

在前人对振动与噪声信号诊断故障基础上,对正常状态下变速箱运行情况、噪声故障以及振动信号进行数据分析,通过几何误差分析以及典型故障系统振动、噪声信号峰与图像特征,对相关识别技术进行数据参数提取,分析振动和噪声故障诊断方法。     

基于动态学习率与BP神经网络的变速箱故障诊断研究

变速箱是汽车传动系的重要组成部分,因此对变速箱常见故障类型进行诊断研究很有必要。以四种变速箱常见故障类型为研究对象,利用动态学习率对BP神经网络进行改良,建立了变速箱故障诊断网络模型。通过测量并提取已发生故障的信号特征参数,收集大量信息数据作为已知样本来训练某状态下的神经网络,再用其它转速下变速箱故障数据对网络进行验证。对于学习率的恰当改变可以提升网络的速度和稳态性。诊断结果表明,网络模型通过对已知故障数据样本的学习,实现了对变速箱未知故障的诊断。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(D...     

一种滚动轴承故障知识获取的新方法

针对滚动轴承诊断中故障样本不足和故障模式复杂且难以辨识的特点,提出了一种基于Weka软件数据挖掘平台的滚动轴承故障知识获取的新方法。该方法综合运用滚动轴承时域参数和小波包络谱特征参数,并选取与其运行状态密切相关的多个振动参数作为原始特征模式,然后借助Weka平台的C4.5决策树提取了滚动轴承故障知识规则,并加以解释。最后将该方法应用于现场采集到的大量轴承数据,结果表明该方法正确有效。     

基于振动和声发射的滚动轴承故障检测

滚动轴承故障早期微弱特征信息的提取对于保障机械系统的正常运行具有十分重要的意义。鉴于单一类型传感器采集到的信息局限性,有时会造成诊断准确率较低。提出了一种将振动加速度与声发射两种检测信息融合的方法,并将其应用于滚动轴承故障的诊断。首先构建滚动轴承多传感器故障信息处理与融合的算法模型,随后基于滚动轴承故障实验平台与测试系统,获得滚动轴承典型状态的振动加速度和声发射信号,并对实验数据进行分析处理;最后,在此基础上,将振动加速度和声发射两种信号数据特征进行融合,完成对滚动轴承故障的诊断。研究结果表明,该方法对于滚动轴承故障模式的识别较为有效。