基于QPSO-SVR和声发射信号的机械密封寿命预测

针对现有机械密封监测技术难以有效预测剩余使用寿命的问题,提出基于声发射特征融合的退化指标和QPSO-SVR寿命预测模型的机械密封剩余寿命预测方法。首先通过实验采集多组机械密封的全寿命数据,进行小波阈值降噪处理,从原始声发射信号中提取出能表征机械密封运行状态的特征,利用KPCA分析优化得到的声发射特征,然后通过马氏距离对得到的特征进行融合进而得到能够表征机械密封退化的指标,利用QPSO优化SVR模型参数,建立寿命预测模型。实验结果显示:基于退化指标和QPSO-SVR模型的寿命预测方法有着较好的泛化能力和较高的精度,具有良好的工业前景。     

基于声发射和小波神经网络的机械密封状态分类新方法

采用声发射方法监测得到的复杂机械密封的声发射信号往往信噪比很低,对其工作状态进行分类存在一定的困难。提出一种基于声发射和小波神经网络的机械密封工作状态分类的方法。该方法将小波与神经网络结合,基于声发射信号时域和小波包能量分析的特征提取方法,充分利用声发射信号中的有用信息,能很好地表征机械密封的工作状态。以旋转轴用动密封装置为例,采用上述方法对其工作状态进行监测。实验证明,该方法能够有效地对复杂机械密封的工作状态或故障类型进行分类。     

基于加速退化试验的机械密封磨损寿命预测

针对目前机械密封应用领域高可靠性的要求,提出了基于随机过程的可靠性分析及磨损寿命预测方法。以密封端面磨损量为研究对象,设计适用于机械密封的加速退化试验以获得磨损退化数据。基于退化模型Gamma过程描述其磨损退化过程,引入双应力逆幂率模型作为加速模型描述转速、弹簧力与退化速率间的关系,从而建立机械密封可靠性分析与寿命预测模型。通过极大似然估计法求解模型参数,结合加速模型外推出多个应力水平下的模型参数并进行失效概率分析,对机械密封在不同可靠度需求下的可靠寿命及不同工作条件下的平均寿命作出了预测。结果表明,Gamma过程适用于描述机械密封的磨损退化过程,通过双应力逆幂率模型外推获得各应力水平下的可靠度及寿命,此方法比传统的机械密封寿命预测方法具有更好的实用性和灵活性,可为密封产品确定维修周期及保证安全运行提供重要参考。     

基于声发射主轴机械密封开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

基于声发射主轴机械密封端面开启状态识别技术

针对机械密封端面开启状态确定和端面开启厚度测量困难这一问题,提出基于声发射信号端面开启状态监测技术。将电涡流传感器安装在密封装置静环上,将声发射传感器安装在静环座上,分别对动静环之间端面开启状态进行内部直接测量和外部间接检测。把采集的声发射信号运用小波阈值降噪法进行降噪处理后,提取典型的小波包能量特征。建立RBF神经网络模型,将提取的小波能量特征作为模型的输入,对机械密封端面开启状态进行识别。与电涡流传感器测量结果比对表明,声发射技术能够对机械密封开启状态进行准确的识别。利用声发射识别技术,实现了对主轴机械密封油膜开启状态由"内测"到"外测"的转变,便于工业现场应用和推广。     

机械密封端面接触状态的声发射监测方法

针对机械密封运行过程中反映密封端面接触状态的工作参数(端面开启时间、膜厚等)测量困难的问题,提出基于声发射信号的机械密封端面接触状态监测方法。根据密封端面产生的声发射信号具有时变非线性且突发性强的特点,采用经验模态分解(EMD)法对原始信号进行分离提取。EMD法能够将信号分解为不同时间尺度和不同频带的一系列固有模态函数,然后根据能量分布特征对伪分量进行剔除,得到"近源"声发射信号,抽取其信号特征运用Laplace小波相关系数法实现对密封端面接触状态的准确识别。通过机械密封测试试验证明,声发射监测技术能准确地识别机械密封装置动静环之间的接触状态和摩擦形式,能够在工业现场推广使用。     

粒子滤波在机械密封端面接触状态声发射监测中的应用

机械密封端面运行过程中所产生的声发射信号在传递过程中容易受到环境噪声的干扰,难以有效地从背景噪声中分离出来。研究粒子滤波技术在机械密封端面膜厚及开启状态声发射监测中的应用。将声发射传感器安装在机械密封静环座上,对动静环端面开启状态进行外部间接检测;运用粒子滤波技术处理采集的声发射信号,提取信号时域、频域及小波包能量特征;建立BP神经网络模型,对机械密封端面开启状态及膜厚进行识别。结果表明：粒子滤波技术能够有效地将密封端面产生的信号从背景噪声中分离出来;通过BP神经网络对提取的特征值进行模式识别,实现了密封端面膜厚变化范围的间接测量。该方法分析结果与电涡流传感器直接测量所得到的结果完全一致。     

基于声发射特征的电梯曳引轮磨损分析及寿命预测

为了实现曳引式电梯曳引轮磨损状态的实时精确识别及寿命的有效预测,提出了一种基于声发射特征的电梯曳引轮磨损分析及寿命预测方法。通过测试和提取不同磨损状态曳引轮运行过程中的声发射信息,采用小波分析方法提取其磨损状态的特征,建立曳引轮的磨损状态识别模型。通过分析电梯磨损程度与时间的关系,得到电梯曳引轮的寿命衰减曲线,实现曳引轮寿命的有效预测,实验结果表明,该方法可实现曳引轮磨损程度的有效识别,为曳引轮的维修及最佳更换周期提供了重要的依据。     

基于LSTM参数动态更新的滚动轴承剩余寿命预测

针对滚动轴承退化数据的复杂性和相关性,以及传统的寿命预测方法不能充分利用在线数据和非全寿命生命周期数据,从而导致预测精度不高的问题,提出了一种基于代价最小化的参数动态更新的LSTM预测模型.该模型采用离散小波变换对滚动轴承振动数据进行去噪,并提取时频域特征完成LSTM的训练与测试,利用在线监测数据滚动更新LSTM参数以提高预测精度.通过滚动轴承寿命试验证明,该模型可以准确预测滚动轴承剩余寿命,并且通过与BP神经网络和极限学习机的预测效果对比,验证了参数实时更新的LSTM模型在剩余寿命预测中的适用性.     

声发射在密封监测领域的研究进展

将声发射无损检测技术应用到机械密封监测中是密封领域新的发展方向。从实验研究和理论研究两方面综述声发射在密封领域的研究进展;从早期的实验探索到后期的信号降噪、信号分析和信号识别等方面总结各阶段的研究成果,并且介绍机械密封相变实验研究;展望基于声发射的机械密封监测技术的未来发展方向,如将大数据技术应用到声发射信号的处理分析,探索声发射技术在机械密封不同方向监测的应用,如液膜相变的监测等。     

粒子滤波在机械密封声发射信号降噪中的应用

机械密封声发射信号容易受到环境噪声的干扰,信噪比很低。提出一种基于互补集合经验模态分解(CEEMD)和粒子滤波(PF)相结合的降噪新方法(CEEPF)。该方法首先对采集的声发射信号进行CEEMD分解,利用相关系数原理识别出高频IMF分量后对其进行重构;然后对重构后的信号建立ARIMA模型,将其作为信号的状态方程,再利用小波分解重构思想提取测量噪声,并建立测量方程;最后对重构信号进行粒子滤波,将滤波结果与各低频IMF分量一起重构得到降噪后的声发射信号。结果表明:基于CEEMD与PF的机械密封声发射信号降噪方法能够很好地滤除背景噪声,并且能最大程度保留有效信息。对仿真信号和实验信号分别进行CEEMD小波阈值、标准粒子滤波、CEEPF降噪,发现CEEPF降噪在降噪效果上明显优于其他2种方法。     

基于性能退化模型的万能式断路器操作附件实时剩余寿命预测

针对万能式断路器操作附件的个体差异性以及在实际使用过程中动作不频繁的特性,提出一种基于性能退化模型的万能式断路器操作附件实时机械剩余寿命(RUL)预测方法。不同于传统的RUL预测方法,该方法融合了操作附件的历史退化数据与实时更新的状态监测(CM)数据。首先,考虑到操作附件性能退化过程具有线性非单调的特点,建立基于Wiener过程的操作附件性能退化模型;其次,对操作附件的历史退化数据采用极大似然估计法和一维搜索法确定模型参数的先验分布;然后,运用贝叶斯方法并结合操作附件实时更新的CM信息对模型参数进行迭代更新;基于首达时间的概念建立了RUL预测模型,以实现对断路器操作附件实时RUL的预测。最后,通过操作附件的寿命数据对本文所提方法进行验证,结果表明本文方法不仅可实现操作附件的实时剩余机械寿命预测,同时相较于其他文献方法具有更高的预测精度。     

基于两阶段Gamma过程的机械产品剩余寿命预测研究

在进行机械产品寿命预测时,传统的两状态可靠性评估存在较大的估计误差,针对这一问题,在计及冲击载荷条件下,提出了一种基于两阶段Gamma过程模型的三态机械产品的寿命预测方法。首先,在对产品连续退化轨迹研究的基础上,采用两阶段Gamma过程描述了产品的连续退化过程;同时,基于复合泊松过程描述了外部随机冲击造成的离散退化;然后,基于累积损伤模型,建立了冲击失效与退化失效竞争条件下机械产品的可靠性估计模型,利用该模型进行了机械产品剩余寿命预测;最后,通过对金属材料的裂纹扩展性能退化过程的仿真分析,验证了所提方法的有效性。研究结果表明:相对于传统两状态的可靠性评估模型,基于两阶段Gamma过程模型的三态寿命预测方法在机械产品的可靠性评估方面具有更高的精度。     

失效物理与数据驱动融合的燃油泵在线寿命预测

针对机载燃油泵性能退化过程呈现的多阶段、非线性的特点以及对寿命预测实时性的要求,提出了一种基于失效物理与数据驱动融合的燃油泵在线退化建模与寿命预测方法。通过开关卡尔曼滤波器对燃油泵退化阶段进行在线识别,并对快速退化阶段建立失效物理与数据驱动融合的退化模型,然后基于无迹卡尔曼滤波器对建立的退化模型不断进行模型参数更新,并使用更新后的模型对失效寿命进行预测。将所提方法分别与纯数据驱动的方法、不进行退化阶段识别以及不进行参数更新的融合方法进行比较,整个参数更新过程中其均方根误差不超过0.3,寿命预测百分比误差不超过2%,均小于对比方法,验证了本文方法的有效性与优越性。     

基于Wiener过程的功率变换器剩余寿命评估方法

针对功率变换器难以准确建立表征其性能退化过程物理模型的问题,提出一种基于Wiener随机过程的剩余寿命评估方法实现其剩余寿命预测。通过分析电路关键元器件退化对电路性能的影响,选用输出电压均值为DC-DC变换电路失效特征参数,利用Wiener过程建立电路性能退化模型,通过逐步递推预测寿命特征参数值并结合电路失效阈值从而实现功率变换器剩余寿命预测。以闭环SEPIC电路为例,分析了建模数据与建模尺度对剩余寿命预测结果的影响,实验验证了该方法的有效性。     

一种融合多传感器数据的数模联动机械剩余寿命预测方法

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战。基于模型的寿命预测方法大多仅针对单一监测数据进行建模分析,无法有效利用丰富的大数据资源。数据驱动的方法则过分依赖训练数据,缺乏必要的经验指引,方法的可解释性差。为了有效利用多传感器数据指导寿命预测,从数模联动的思路出发,建立了一种融合多传感器数据的数模联动寿命预测方法。采用一种通用的Wiener过程模型对健康状态退化过程进行描述,分别建立多源观测函数和多源映射函数对状态与数据之间的因果关系和关联关系进行描述,采用粒子滤波算法将多传感器数据与模型进行动态匹配,预测剩余寿命。在提出方法的统一框架指导下,选取三种特定模型对铣刀剩余寿命进行预测,验证了提出方法的有效性。     

基于LCD和GMM的滚动轴承寿命预测方法

滚动轴承寿命预测的关键在于振动信号特征提取和模式识别,提出基于局部特征尺度分解(LCD)和高斯混合模型(GMM)的滚动轴承寿命预测方法。首先在对滚动轴承全寿命数据进行LCD分解后,提取各个分量的特征值并加入时间因子重构特征向量;然后利用GMM对全寿命数据的特征向量进行聚类,将全寿命数据在时域上分成若干个退化状态;最后将不同退化状态下的数据作为训练样本对神经网络进行训练,并采用训练好的神经网络对滚动轴承寿命进行预测。实验数据的分析结果表明,将LCD、GMM和径向基神经网络相结合可以有效地实现滚动轴承寿命预测。     

非金属垫片密封的寿命预测模型

考虑到垫片的载荷历程及其材料退化对密封性能的影响,依据多孔介质泄漏模型,建立了非金属垫片密封寿命的物理模型;对非石棉橡胶垫片密封进行了恒加速寿命试验,确立了寿命分布模型;结合寿命试验数据对非石棉橡胶垫片密封的寿命进行了预测,预测结果与工程实际相符.     

机械振动下交流接触器电寿命预测失效特征量提取

针对机械振动环境下交流接触器电寿命预测中的失效特征量进行研究,提出了一种基于优化小波去噪与核主成分分析 皮尔逊相关系数法相结合的方法以获取有效的失效特征量。首先,分别在常规与振动环境下进行交流接触器全寿命试验,并选取多个退化参数作为分析对象;其次,针对实测数据,采用多指标综合评价方法优化小波去噪,对退化参数进行去噪平滑,并结合参数的退化趋势,分析振动对接触器电寿命的影响;最后,针对退化参数及其核主成分,构建全信息特征量,计算各特征与剩余电寿命的皮尔逊相关系数。在振动环境下,结合所提方法最终提取累积燃弧能量、第一核主成分、吸合电压和接触电阻作为交流接触器电寿命预测的失效特征量。     

基于声发射信号监测的主轴性能退化可靠性研究

机床主轴作为机床核心部件之一,其可靠性分析研究对提高数控机床质量有着重要意义。分析研究机床主轴性能退化的机理,将声发射信号应用于机床主轴性能状态监测。基于机床主轴性能未知退化路径模型研究,为长寿命少失效样本条件提供了一种失效寿命估计方法,综合虚拟增广样本法对机床主轴进行可靠性评估。最后,通过实验验证了该方法的有效性和实用性。