基于异常声发射信号的柴油机早期故障诊断

为诊断某新型单缸柴油机缸体表面异常声发射信号,将声发射传感器布置在柴油机不同部位进行定位分析,通过对比不同位置及不同机油压力下声发射信号的峰值响应,结合限压阀的工作原理,最终确定异常声发射信号来源于机油压力的异常,并通过倒拖试验进行验证,实现柴油机早期故障的诊断。诊断结果表明:该型单缸柴油机预设机油压力偏高。当机油压力设置过高时,限压阀回位力随之增大,阀芯落座时,对阀体的冲击力变强,从而产生尖锐的异常声发射信号,与此同时,证明声发射监测技术对柴油机早期故障诊断的有效性,具有较好的推广应用价值。     

基于烟花算法与长短时记忆网络的模温预测方法研究

针对传统神经网络模型预测模具温度准确度低,网络超参数选取困难等问题,提出一种基于烟花算法优化长短时记忆网络的模温预测模型,为铸造成型模温自动控制提供基础。首先根据铸造过程生产工艺选取影响铸造系统的主要变量,利用灰关联分析得出各变量灰色关联度并去除关联度小的变量,建立模具温度影响因子变量的数据集;其次采用烟花算法对长短时记忆网络进行优化,建立模具温度预测模型;最后与BP神经网络和长短时记忆网络预测效果进行对比。实验结果表明基于烟花算法优化的长短时记忆网络的模温预测方法绝对误差小于2. 4℃,平均绝对百分比误差小于0. 12。     

基于DSP的声发射信号采集及分析系统的研究

本文主要阐述了利用DSP(数字信号处理器)技术的声发射检测系统的硬件构成和部分软件设计,并用所研究系统对在1.7MPa大气压力下的液化石油气储罐的声发射现象进行检测,检测得到声发射参数、声发射信号时域幅值图和声发射源大致定位.结果令人满意,说明利用DSP技术可以对声发射信号进行高频采样,并结合计算机做数字信号处理获得声发射信号的相关情况,从而判断物体内部的微小裂纹的产生和发展.这对于发展声发射无损检测技术有重要的意义.     

基于长短时记忆网络的旋转机械状态预测研究

作为深度学习算法的一种,长短时记忆网络越来越成为时间序列预测的重要手段,简要阐述长短时记忆网络的基本原理,并将其应用于旋转机械状态监控领域,以轴承数据为样本进行仿真,针对轴承数据的非平稳性,运用经验模态分解方法将其分解为平稳信号,并计算其本征模态分量能量熵作为状态特征,通过计算长短时记忆网络对旋转机械状态单步预测的结果,并与支持向量回归机模型的预测结果进行比较,证明长短时记忆网络在旋转机械状态预测方面可以取得比支持向量回归机更好的效果。     

基于声信号的轴承故障诊断方法

机械设备在运行过程中的声音包含了大量的机构运行状态信号，本文采用相关分析，小波变换原理，从应用的角度出发，对滚动轴承故障声信号进行时频分析。通过对声信号的多尺度分解和重构，分离出由故障造成的声信号突变。试验表明，该方法具有较好的可靠性和有效性。     

基于动态加权卷积长短时记忆网络的滚动轴承剩余寿命预测方法EI北大核心CSCD

现有数据驱动方法在滚动轴承剩余使用寿命预测中,因不能有效提取对轴承退化过程敏感的特征信息而导致预测精度不足。为此提出一种基于动态加权卷积长短时记忆网络(DW-CNN-LSTM)的滚动轴承剩余寿命预测方法。对滚动轴承振动信号进行小波包分解,将获得的小波包系数矩阵通过可训练参数动态加权层进行动态加权,来实现对轴承退化的表征信息进行有效筛选,以增强轴承振动特征学习能力;利用卷积神经网络的自适应挖掘数据深层特征能力,从动态加权后的小波包系数矩阵中提取对轴承退化过程敏感的特征集;借助长短时记忆网络(LSTM)预测时间信息序列的优势,由双层LSTM进一步提取其高维退化特征,来提高滚动轴承剩余寿命预测精度。对XJTU-SY轴承数据和IMS轴承数据的试验结果表明,所提DW-CNN-LSTM方法相比于经典的长短时记忆网络方法,其均方根误差指标平均降低了61.08%,预测准确度平均提高了9.95%,模型训练时间平均减少了44.14%,获得了较满意的寿命预测精度和鲁棒性。     

基于ICA和SVM的滚动轴承声发射故障诊断技术

以滚动轴承为研究对象,提出了应用独立分量分析(ICA)和支持向量机(SVM)相结合进行滚动轴承故障诊断的方法.首先,对声发射信号(AE)进行自相关预处理,突出声发射信号的非高斯成分,使AE信号较好地满足独立分量分析的前提条件.然后,应用独立分量快速算法分离故障轴承的声发射信号,提取其状态特征向量,利用支持向量机的模式识别和非线性回归功能来完成滚动轴承故障的识别.试验结果表明,利用独立分量分析方法提取的故障状态特征向量与支持向量机相结合可以有效、准确地识别滚动轴承的故障模式,为滚动轴承故障诊断提供了一种新型的方法.     

基于时序关联分析的旋转机械故障诊断

随着大型旋转机械设备的广泛应用,高速旋转机械的故障诊断得到越来越多的关注.旋转机械的周期旋转特性导致信号间存在很强的时序关联关系,当故障发生时,故障特性会在旋转周期间逐渐传递.该研究分析滚动轴承不同类型故障、不同损伤程度振动信号时序相关特性的差异度,提出了周期记忆神经网络(periodization long shor...     

ICEEMDAN和GS-SVM算法在滚动轴承声发射故障诊断中的应用研究

滚动轴承在运行过程中发生塑性变形、产生裂纹等形式故障时都会产生蕴含状态特征信息的声发射信号。针对滚动轴承声发射信号特征提取和故障诊断,提出一种基于改进自适应噪声完备经验模态分解（Improved complete ensemble empirical mode decomposition with adaptive noise,ICEEMDAN）的特征提取算法,结合经网格搜索优化（Grid Search, GS）的支持向量机（Support vector machine,SVM）分类算法,实现对滚动轴承故障的模式识别。首先将滚动轴承典型状态原始声发射信号进行分解得到若干个固有模态函数（Intrinsic mode function,IMF）分量,筛选其中峭度较大的分量进行重构,然后计算重构IMF分量的时域能量熵值构造特征向量集合,最后再将特征向量集合输入到基于GS优化的SVM分类器模型中进行训练和模式识别,并将采用该方法所构建模型与其它分类器模型进行准确率和效率比较。模型仿真和故障模拟实验研究表明：基于将ICEEMDAN时域能量熵和GS-SVM相结合的模型可以有效提取滚动轴承声发射信号...     

基于声发射及WST-CNN协同的滑动轴承润滑状态识别

为实现声发射信号对滑动轴承润滑状态变化进行灵敏表征,提出一种采用小波散射变换及卷积神经网络结合的滑动轴承润滑状态识别及故障诊断研究方法。以某310 MW汽轮发电组滑动轴承现场试验所得声发射信号为研究对象,将现有小波散射网络加入散射路径优化机制并进行参数优化,对滑动轴承声发射信号进行自动鲁棒特征提取,将最佳特征矩阵输入优化后的卷积神经网络进行润滑状态识别分类。结果表明,优化后的小波散射网络能够有效提取声发射信号特征,结合优化后的卷积神经网络对特征矩阵进行智能识别,对滑动轴承润滑状态识别率可达到95.28%,能够高效精确地对滑动轴承润滑状态进行诊断。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低.针对上述两问题,将WOA进行改进(improved wh...     

基于IVMD-RPE的船舶噪声信号去噪及特征提取方法

针对由于复杂环境条件下的船舶噪声信号识别度低的问题,提出了一种改进的变分模式分解(Improved Variational Mode Decomposition,IVMD)、反向排列熵(Reverse Permutation Entropy,RPE)、加权排列熵(Weighted Permutation Entropy,WPE)和能量比相结合的船舶噪声信号识别分类方法。该方法利用IVMD将信号分解为若干本征模态函数(Intrinsic Mode Function,IMF);再利用RPE对IMF进行筛选,得到敏感IMF,实现去噪过程;最后计算IMF的WPE并与各个IMF的能量比构建特征向量,建立长短期记忆网络(Long Short-Term Memory,LSTM)进行识别分类。实验结果表明,与经验模态分解相比,文中提出的基于IVMD-RPE的船舶噪声信号去噪及特征提取方法能有效减少环境噪声的影响,提高信噪比,对船舶噪声目标信号识别分类的准确率更高。     

基于声场听觉感知的变压器故障诊断方法研究

精准的变压器故障诊断方法,对于保证变压器可靠运行具有重要意义.该文提出一种基于变压器声信号并考虑人耳听觉感知的变压器故障诊断方法.首先,通过模拟变压器不同工况条件,采集变压器正常工况和不同故障条件下的噪声样本;然后,基于人耳传声集总参数模型,计算各个样本的基底膜位移响应的统计平均值(statistical mean v...     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法.该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率.经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统...     

滚动轴承故障的EMD诊断方法研究

提出了一种基于经验模式分解（Empirical Mode Decomposition，EMD）的滚动轴承故障诊断方法。这种方法中，局部损伤滚动轴承产生的高频调幅信号成分被EMD分解作为本征模函数分离出来，然后用Hilbert变换得到其包络信号，计算包络谱，就能够提取滚动轴承故障特征频率。该方法被用于分析实验台上采集的具有内圈损伤及外圈损伤的滚动轴承振动信号。分析结果表明，与传统的包络解调方法相比，新方法能够更有效地提取轴承故障特征，诊断轴承故障，因而具有重要的实用价值。     

基于级联双稳随机共振和多重分形的机械故障诊断方法研究

对级联双稳随机共振的滤波特性进行了对比和分析,利用这种特性,结合广义维数对信号非线性特征的度量能力,提出了基于级联双稳随机共振和多重分形的机械故障诊断方法。实验结果证明,该方法可以有效的消除高频噪声,增强低频段信号的能量,由此得到的分形维数比较准确,能够更加精确地度量机械振动信号的非线性特征,从而达到机械故障诊断的目的。     

基于VMD-PNN的砂轮钝化声发射检测

在磨削加工过程中,加工刀具即砂轮会发生钝化现象,砂轮表面磨损影响加工精度和工件质量,需要及时检测并修整.磨粒的塑性变形、破碎、断裂等会产生声发射信号,能够作为精确识别砂轮钝化状态的依据,且不易被噪声干扰,因此提出一种基于变分模态分解(Variational Mode Decomposition,VMD)和概率神经网络(...     

Acoustic emission detection of fatigue cracks in wind turbine blades based on blind deconvolution separation

The occurrence and expansion of fatigue cracks in large wind turbine blades may lead to catastrophic blade failure. Each fatigue phase of a material has been associated with a typical set of acoustic emission (AE) signal frequency components, providing a logical base for establishing a clear connection between AE signals and the fatigue condition of a material. The relevance of efforts to relate recorded AE signals to a material's mechanical behaviour relies heavily on accurate AE signal processing. The main objective of the present study is to establish a direct correlation between the fatigue condition of a material and recorded AE signals. We introduce the blind deconvolution separation (BDS) approach because the result of AE monitoring is usually a convoluted mixture of signals from multiple sources. The method is implemented on data acquired from a fatigue test rig employing a wind turbine blade with an artificial transverse crack seeded in the surface at the base of the blade. Two different sets of fatigue loading were conducted. The convoluted signals are collected from the AE acquisition system, and the weak crack feature is extracted and analysed based on the BDS algorithm. The study reveals that the application of BDS‐based AE signal analysis is an appropriate approach for distinguishing and interpreting the different fatigue damage states of a wind turbine blade. The novel methodology proposed for fatigue crack identification will allow for improved predictive maintenance strategies for the glass‐epoxy blades of wind turbines. The experimental results clearly demonstrate that the AE signals generated by a fatigue crack on a wind turbine blade can be synchronously separated and identified. Characterizing and assessing fatigue conditions by AE monitoring based on BDS can prevent catastrophic failure and the development of secondary defects, as well as reduce unscheduled downtime and costs. The possibility of using AE monitoring to assess the fatigue condition of fibre composite blades is also considered.     

光纤光栅声发射检测新技术用于轴承状态监测的研究

轴承的健康状况对旋转机械的工作状况有极大的影响。航空器中的故障轴承会间接造成事故,给飞行安全带来灾难性的后果,需要进行早期故障的有效检测判别或状态监测。与振动等传统的检测手段相比,声发射可有效检测到故障的早期状态,准确判断故障类别和严重程度。介绍了滚动轴承故障声发射检测原理以及光纤光栅声发射检测新技术。以预制外圈缺陷的轴承为例,进行了压电式声发射传感系统和光纤光栅声发射传感系统检测的对比实验,实验和分析结果表明光纤光栅声发射方法检测到的信号谱底噪声小,谱线清晰、干净,更容易分辨故障频率和分析故障的严重程度,优于振动和压电式声发射传感方法。最后介绍该技术在直升机维修保障中的应用情况。