旋转机械轴心轨迹识别方法研究

提出了一种识别轴心轨迹的新方法.采集方向相互垂直的两路振动位移信号,经消噪处理后拟合为轴心轨迹,提取轴心轨迹的方向变化特征,利用模式识别理论中的函数判别法进行分类识别.并对每种类别的轴心轨迹.用一个特征参量来进行细化描述,不仅可以判断机械的运行状态,在发生故障的时候还能对故障严重程度进行评估.通过对仿真分析,取得了良好效果.     

深度卷积神经网络在滑动轴承转子轴心轨迹识别中的应用

针对传统旋转机械智能识别方法需要人为提取特征及诊断精度低的问题,基于深度学习的强大学习能力,提出一种深度卷积神经网络故障诊断模型(Deep Convolutional Neural Network Fault Diagnosis Model,DCNN-FDM)用于轴心轨迹识别.该模型包括输入模块、特征提取模块及分类模块...     

一种双耳听觉模型及其在轴心轨迹分析中的应用

人类听觉系统利用双耳信号的时间差和强度差进行声源定位。对于机械振动信号,难以利用声源定位的方法进行振源定位,但可以参照听觉系统的工作机理对两路信号进行特征提取。以轴心轨迹为分析对象,提出了一种双耳听觉模型,该模型由两个相同的单耳模型构成,按工作顺序,单耳模型包括基底膜模型、内毛细胞模型和侧抑制模块三个主要部分。两路信号分别由两单耳模型处理后,统计两单耳模型输出信号在各频段上的时间差和强度差,并作为双耳听觉模型的最终输出。利用所建模型分析了五种不同形状的轴心轨迹,所得的时间差和相位差对于不同轴心轨迹具有良好的可区分性,且在保证特征信息冗余性的前提下,数据量适于进行智能识别。同时,试验验证的结果也表明双耳听觉模型具有一定的表征和提取微弱信号的能力。     

基于活塞杆轴心位置轨迹的往复压缩机故障诊断技术研究

提出了一种基于X方向、y方向的活塞杆轴心位置轨迹(Piston-Rod Axis Orbit)的故障诊断分析新方法,通过定义5种图形和6个特征参数来反映活塞杆的运行状态,解决了常规手段只能单一监测垂直方向位移的问题.通过仿真数据和故障数据分析,验证了活塞杆轴心位置图分析方法可以有效判断往复压缩机整个支承环的磨损方向和磨损程度,对于早期预警活塞组件、活塞杆运行状态十分有效.建立的理论方法可以早期、完整地发现往复压缩机活塞组件的潜在故障,定义的特征参数为早期预警和故障诊断专家系统规则量化提供了理论基础.     

故障转子系统轴心轨迹的自动识别研究

轴心轨迹是转子系统故障诊断的重要依据,将整周期重采样、归一化的极半径序列引入轴心轨迹自动识别系统。首先对振动信号进行整周期重采样以降低转速和采样频率对小波去噪效果的影响,然后利用小波变换对其去噪并合成提纯的轴心轨迹,最后计算具有平移、伸缩和旋转不变性的极半径序列作为轴心轨迹特征,采用BP神经网络进行识别。实验结果表明该方法具有良好的识别效果。     

Transformer神经网络和轴心轨迹在燃机转子故障诊断中的应用

针对目前国内燃机电厂转子故障诊断主要依靠振动分析,无自动识别轴心轨迹设备的现状,将在自然语言处理领域大放异彩的Transformer神经网络引入转子轴心轨迹监测与识别领域,通过独立成分分析(Independent Component Analysis,ICA)与Transformer结合提升燃机转子故障诊断准确性。使用ICA代替Transformer自身的线性变换提取图片特征信息构建输入样本,为了解决自注意力机制无法捕捉位置信息的问题,提出相对位置编码方法,区别于使用较多的绝对位置编码,通过嵌入相对位置编码子层,将相对位置信息注入自注意力机制,使得Attention模块能够学习到序列的相对位置信息,可进一步提高图像识别模型的准确性,该模型对于轴心轨迹故障类型平均识别率达到93.8%。实验结果表明ICA-Transformer模型对转子轴心轨迹的识别准确率较高,对电厂运维具有一定的指导意义。     

基于虚拟仪器的轴心轨迹分析仪的设计

转子轴心轨迹是判断转子运行状态和故障征兆的重要依据,为了提高转子轴心轨迹分析的效率和智能化程度,重点研究了基于数学形态学的轴心轨迹图像的预处理方法,基于神经网络的轴心轨迹图像识别方法,在此基础上设计了一种基于虚拟仪器的一体化轴心轨迹分析仪.介绍了仪器的构成与工作原理,完成了仪器的设计与开发,并进行了现场试验,该仪器可广泛应用于各种旋转机械转子的状态检测与故障预判.     

基于椭球单元网络的旋转机械多故障同时性诊断

阐述了椭球单元（ＥｌｉｐｓｏｉｄａｌＵｎｉｔ）网络的原理及其结构，研究了网络权重初始化方法和网络的训练算法，借助这种高阶网络泛化的有界性，针对大型旋转机械多故障同时性诊断问题，构造了一种由多个子网络组成的分级诊断网络（ＨＤＡＮＮ）。测试结果表明：用基于椭球单元网络的ＨＤＡＮＮ网络分级诊断策略解决大规模故障诊断问题是合理有效的，且具有较高的诊断精度，可用于旋转机械工况实时监测和诊断场合。     

转子—非线性弹性支承系统轴心轨迹的优化计算

研究高速转子在非线性弹性支承－挤压油膜阻尼器中的轴心轨迹计算问题。文中首先根据转子系统无量纲形式的运动微分方程构造一控制目标函数，然后综合最速下降法和牛顿迭代法各自的优点，提出一种新的计算非线性转子系统轴心轨迹的优化方案，并用此优化方案计算了一转子系统在给定参数下的轴心轨迹。所得轴颈中心椭圆进动轨道与用Ｒｕｎｇｅ－Ｋｕｔｔａ数值积分法及轨道参数法的计算结果进行了比较，三者结论相当吻合，但本文的优化     

基于DRVI平台的轴心轨迹与噪声测量实验设计

基于DRVI (Dynamic Reconfigurable Virtual Instrument)可重组虚拟仪器平台,设计开发了轴心轨迹测量与噪声测量实验。所设计实验及平台可有效测量转动装置轴心轨迹,并可根据测得的轴心轨迹判断转动机械装置的运转状态。在装置运转过程中,根据实验测得的噪声大小及来源可判断转动装置所发生故障的形式以及故障发生的具体位置。设计实验与工程实践联系密切,开发成果可应用到实际教学中,丰富了教学实验内容。     

基于原始误差项快速辨识的空间几何误差补偿

在误差补偿中,误差项辨识和误差补偿一直是研究的重点,国内外许多学者对此开展了许多工作,但总的来说,仍然缺乏一种高精度并能够快速获得机床几何误差信息的测量仪器．目前的误差补偿方法,由于机床误差产生的原因很多,难以找到合适的通用数学模型进行误差分解,故难以推广应用．本文设计并实现了一种基于原始误差项快速辨识的空间几何误差补偿方法,使得在精度等级稍低的机床上实现更高精度等级加工的效果．     

基于支持向量机的大跨度拱桥损伤识别方法研究

作为一种新兴的机器学习算法,支持向量机在损伤识别中已显示出其回归能力的优越性。将模态曲率改变率作为损伤识别特征参数,提出了基于支持向量机的大跨度拱桥损伤识别方法。首先应用模态曲率改变率进行损伤定位识别,然后重新构造训练样本,利用最小二乘支持向量机方法进行大跨度拱桥的损伤程度识别,该方法在较少的样本条件下,取得了非常接近目标值的识别效果。通过与RBF神经网络的训练结果进行对比,验证了该方法的精确性。     

基于模糊聚类和支持向量机的损伤识别方法

将结构分区域进行分步损伤识别是目前解决复杂结构损伤识别问题的有效途径，对结构进行适当的区域划分后，就可以先找出损伤发生的可能区域，然后减小搜索范围，进行损伤的定位和损伤程度的识别。用频率和坐标模态保证准则这两种基本的动力指标，采用模糊聚类的方法划分出相似区域，然后用统计模式识别中的支持向量机进行分类。通过数值算例表明．损伤识别三步法能够在存在观测噪声的条件下对结构损伤进行定位。     

基于叶尖定时的旋转机械叶片振动频率辨识ESPRIT方法

基于叶尖定时原理采集的旋转机械叶片振动信号是多频率混叠的欠采样信号,通过分析振动信号的数学模型,提出了在均匀转速下利用两个叶尖定时传感器构成有延迟的双通道,采用旋转不变子空间技术(ESPRIT)辨识多个叶片振动频率的新方法。介绍该方法的理论依据,推导了频率估计解模糊的具体步骤,通过计算机仿真和模拟振动平台气激实验分析该方法频率估计性能,验证了其在工程实践中的有效性。     

基于复小波变换和支持向量机的缺陷类型识别

 针对传统缺陷检测存在的工序繁琐、不易在线实施、准确率低、容易受人为因素影响,以及用人工神经网络对小样本事件进行缺陷类型识别时存在泛化能力差和过学习等问题,提出一种基于复小波变换和支持向量机（SVM）模式识别理论的缺陷类型识别新方法．在利用小波对超声缺陷回波信号进行消噪的基础上,采用复小波变换获得缺陷回波信号的包络并提取其特征参数,构成输入特征向量后运用支持向量机进行分类．实验结果表明,该方法具有识别准确率高、泛化能力强、容易实现在线处理等优点．     

局部传递率函数与模式匹配的结构损伤快速识别方法

为了对结构进行灾后快速安全评估,提出一种基于局部传递率函数与模式匹配的快速损伤识别方法。通过有限元建立结构不同损伤位置和程度的模型,通过模态分析获取其固有频率与振型,建立损伤模式数据库;根据待测真实结构上少量测点所测振动信号计算局部传递率函数,构建匹配因子矩阵;调用损伤模式数据库中的模态参数构建损伤模式矩阵,建立匹配因子矩阵与损伤模式矩阵间的映射关系;以欧式距离相似度指标来衡量匹配程度,相似度最高的损伤模式即视为待测结构的实际损伤情况。为了验证本方法的可行性和准确性,对一四层层间剪切模型进行数值模拟和实验验证,结果均表明,本方法能够准确识别结构损伤位置和程度。所提方法不涉及复杂的算法,只需少量测点数据,计算速度快,满足震后快速评估要求;该方法只与结构固有属性有关,但无需进行结构模态参数识别,具有良好的实际工程应用前景。