分形几何在回转机械振动信号分析中的应用

提出一种新的描述振动信号复杂性的方法,即用分维数刻画信号的复杂程度,大机组启车过程振动信号的谱分析表明,可以用分维数描述振动信号。基于分维数的信号描述方法,定量地刻画了大机组启车过程振动状态的变化规律。     

基于振动图像特征的机械状态异常检测算法

针对实时监测得到的振动信号,从图像角度出发,提出了一种新的特征提取方法.首先,将实时监测得到的连续信号划分为独立的循环片段,将各个片段内的一维振动信号重构成二维灰度图像,在此基础上对灰度图像进行特征提取;其次,通过计算相邻周期图像间的相似性建立能描述机械运行动态特性的量化指标;然后,采用拉依达准则对机械设备运行状态进行...     

一种基于SCADA参数关系的风电机组运行状态识别方法

提出一种基于SCADA参数关系的风电机组运行状态识别方法。首先,从风电机组运行特性出发,深入分析风电机组运行状态SCADA数据输入/输出参数关系;基于时间的滑动窗口模型,采用多项式回归拟合方法,构建风电机组运行状态输入/输出参数关系数学模型;然后,基于风电机组正常运行输入/输出参数关系数学模型,提出描述各个时刻风电机组运行状态异常程度的指标计算公式;对风电机组正常运行阶段的状态指标进行统计分析,获取其分布函数规律;最后,根据小概率事件假设,确定识别风电机组运行状态出现异常的阈值,据此对风电机组运行状态出现异常进行预警。以同风场同型号两台2 MW直驱式风电机组SCADA数据为例进行分析,结果表明:①基于SCADA数据的风电机组运行状态识别方法,可以实现对风电机组运行的异常状态识别和早期预警,该方法的特点是状态识别完全基于正常运行SCADA数据分析而无需异常运行SCADA数据进行挖掘训练和相关物理机制与故障模式方面的先验知识;②基于风电机组SCADA数据的运行状态识别方法,依据风电机组及其部件的运行状态输入/输出参数关系的层次结构,可以获得发生异常状态的相关部件信息,这对风电机组运行状态预警和维护决策具有重要意义。     

时域信号复杂度指标的建立及其在机械故障诊断技术中的应用

通过Ｗａｖｅｆｏｒｍ Ｍａｔｃｈｉｎｇ法对时域信号的畸变特性进行了定量描述，建立了时域波形复杂度指标（ＩＷＣ）和轴心轨迹复杂度指标（ＩＯＣ），并进行了试验验证。这２个指标不仅对机组运行状态反映灵敏，而且也完全适用于在变工况条件下对机组的运动状态进行评估。     

机组运行趋势的小波包掩模去噪研究

对机组中长期运行趋势的提取方法进行了研究，提出了基于小波包时频掩模技术去除机组运行趋势噪声的方法，用该方法去除了短期的随机波动，得到了均值意义上的趋势。对该趋势提前进行时间序列预报，可以得到机组未来均值意义上的趋势，显著提高机组运行状态的预报效果，且该方法具有对数据的广泛自适应性。     

超临界锅炉热量信号构造研究

提出一种超临界锅炉热量信号的构造方法,实现了对入炉燃煤发热量的准确测量。采用热力学性质标准IAPWS-IF97对超临界锅炉水冷壁进行分区,解决了超临界工况下水冷壁内工质状态变化的难判断问题,对锅炉的蓄热系数进行了详细计算。根据某1 000 MW机组的结构参数和实际运行数据,对构造的热量信号进行验证。结果显示,该热量信号能够在快速响应机组负荷变化的同时准确地反映入炉燃煤发热量的变化,为超临界机组直接能量平衡协调控制系统设计打下基础。     

神经网络大机组状态预报技术成果通过鉴定

神经网络大机组状态预报技术的研究、开发及应用成果于1999年3月27日在岳阳长岭通过了由中国石油化工集团公司组织的专家鉴定。鉴定意见认为,经过3年的现场应用,证明所开发的神经网络大机组状态预报技术可正确反映现场的各种振动变化趋势;在样本选择得当时,其中长期(时间跨度1～2个月)预报精度达90％以上,达到了实用化的要求;如进一步提高样本处理技术水平,完善相关软件,该技术将可实现商品化,走向市场,这是我国设备诊断工程界的一项重要成果。     

基于LabVIEW的风电机组状态监测与故障预示系统设计

为了提高风电机组的可靠性、高效率及风电机组的寿命,基于LabVIEW平台设计了风电机组的状态监测与故障预示系统。系统对风电机组运行实时采集的振动信号进行时域和频域分析,获取能描述风电机组的运行状态和故障严重程度的特征信息,给出将来可能发生的故障预示以及相应的维护建议,从而改善风电机组的运行效率和使用寿命。该系统对于降低风电机组的故障率以及减少因故障带来的经济损失具有重要的意义。     

基于混沌时间序列的旋转机械非平稳状态预测方法研究

针对旋转机械设备的非平稳运行状态,以混沌理论为基础,将最大Lyapunov指数的预测模型引入旋转机械故障趋势预示,阐述了构造预报函数f或F的两种方法,提供了混沌时间序列的最大可预测时间的计算方法,通过对大型机组实验数据的分析,证明了在最大预测时间内,该预测方法是较理想的。^^     

机器状态智能监测系统的结构、功能和有关技术

介绍了大型旋转机械状态监测与故障预报系统的结构、功能和关键技术。该系统已成功地应用于油田注水站工业现场，能对大型旋转机组的机械动态特性及温度、压力、流量、液位、电量、润滑油等进行在线实时状态监测和故障预报。系统采用人工智能、专家系统对工作机组进行故障分析、故障追记、故障诊断，并能为机组进行趋势预示以及状态维护提供信息     

基于过完备线性预测字典的压缩感知语音重构

基于语音信号帧内样值间的相关性和冗余域的稀疏性,针对采用离散余弦转换矩阵及基追踪方法对压缩感知采样语音进行重构时,语音稀疏性不够好导致大压缩比采样后重构效果差的缺点,提出采用过完备线性预测字典做转换矩阵,用基追踪重构算法对压缩感知采样语音进行高质量重构。该方法预先由训练语音的预测系数聚类构造过完备字典,不需要测试语音的预测系数;基于过完备线性预测字典重构信号性能良好。对利用基追踪重构的语音进行了主客观评价,得出结论:同样的观测数目下,基于过完备线性预测字典比基于离散余弦变换矩阵压缩感知采样语音重构信噪比高出3～8 dB。     

结构疲劳寿命、可靠性可视化技术与虚拟疲劳设计

介绍了大型图形用户界面有限元软件、疲劳寿命预测模型、疲劳寿命可视化,可靠性可视化实现方法等结构疲劳寿命以及可靠性可视化技术,阐述了先进的基于“全场”疲劳寿命,可靠性可视化技术的产品虚拟疲劳设计思想,以有限元软件ANSYS为平台,自行开发了基于结构疲劳寿命,可靠性可视化技术的外部模块,并采用该模块对某战斗机起落架框进行了“全场”疲劳寿命,可靠性可视化分析。     

考虑控制电信号中间量的机床运动控制误差数据驱动建模方法

现有数据驱动的机床运动控制误差建模方法通常使用端到端的模型,即通过机器学习算法直接构建参考轨迹信息(速度、加速度等)与伺服误差之间的模型,以降低建模复杂度。然而,该方法忽视了控制电信号对运动控制系统非线性扰动的反映,而导致建立的模型精度受限。为解决此问题,提出了一种使用控制电信号作为中间量的数据驱动运动控制误差建模方法。该方法采集参考轨迹信息(速度、加速度、急动度等)、控制电信号、跟踪误差以及构造的换向特征,构建并训练基于参考轨迹信息的控制电信号预测网络,以及基于电信号和参考轨迹信息的运动控制误差预测网络,利用控制电信号这一中间量有效反应系统所受非线性扰动的特点,实现了高精度的运动控制误差数据驱动建模。在实际验证测试时,将参考轨迹信息输入电信号预测网络,而后将得到的预测控制电信号和参考轨迹信息输入跟踪误差预测网络,即可实现运动控制误差的预测。通过实验对所提出的建模方法进行了验证,所提出方法相对于传统的端到端建模方法,运动控制误差的预测精度在X轴和Y轴分别提升16.33%和20.42%,误差补偿后运动控制轮廓精度相较于未补偿提升85.59%,验证了所提出方法的可行性。     

镗削颤振快速预报技术研究

切削颤振切导致产品质量、生产效率、刀具和机床使用寿命的降低 ,同时造成噪声污染 ,影响操作者身心健康。随着工厂自动化发展 ,操作者日益远离加工现场 ,对切削颤振进行在线监视预报和控制变得越来越重要。但由于其发生发展的过程极其短暂 ,使颤振的在线预报十分困难。本文在讨论了镗削颤振发展机理的基础上 ,提出了一种基于神经网络进行颤振预报的新方法。用 L O- RBF模型进行传感信号预处理 ,结果输入 Fuzzy ARTMap模型进行颤振识别 ,大大缩短了信号处理时间 ,提高了识别的准确性 ,取得了满意的结果。     

改进k-means的控制自动化系统工业故障诊断预测

为提升自动化系统的运行效果，提出改进k-means的控制自动化系统工业故障诊断预测方法。该方法首先使用改进k-means对TE化工数据聚类处理，依据处理结果完成数据信号的去噪；再基于鲁棒ICA方法计算信号的独立成分，建立故障诊断模型，结合建立的固定监测阈值，完成TE化工过程的故障诊断；系统故障诊断后，继续对系统TE化工过程实施监测，依据监测结果建立故障预测模型，结合LS-SVM回归预测方法实现自动化控制系统TE过程的故障自动化预测。实验结果表明，使用该方法开展控制自动化系统工业故障诊断预测时，故障诊断预测效果好。     

Method for early detection of the regenerative instability in turning

Nowadays, approaches in chatter detection and control are based on chatter prediction, by using a machining system dynamic model, or on chatter detection by different techniques, but after chatter onset. They are not efficient because the models are complicated and specific (in the first case) respectively because of chatter unwanted consequences occurrence (in the second case). This paper presents a method for early detection of the process regenerative instability state (as a specific process current dynamical state), based on cutting force monitoring. Using the cutting force records, the process current dynamical state is assessed. Appropriate cutting force signal features are defined, based on signal statistic processing, signal chaotic modeling or signal harmonic analysis, and used on this purpose. The process dynamical state evolution is modeled aiming the features values prediction. Two types of models were used in this purpose: linear and neural. The instability regenerative mechanism is identified by using either dedicated features or input variable selection. The method was conceived and experimentally implemented in the case of turning process. The results show the method reliability and the possibility of using it in developing an intelligent system for stability control.     

CHMM for tool condition monitoring and remaining useful life prediction

To solve the problems of tool condition monitoring and prediction of remaining useful life, a method based on the Continuous Hidden Markov Model (CHMM) is presented. With milling as the research object, cutting force is taken as the monitoring signal, analyzed by wavelet packet theory to reduce noise and extract the energy feature of the signal as a basis for diagnosis. Then, CHMM is used to diagnose tool wear state. Finally, a Gaussian regression model is proposed to predict the milling tool’s remaining useful life after the test sample data are verified to be consistent with the Gaussian distribution based on a reliable identification of the milling tool wear state. The probability models of tool remaining useful life prediction could be established for tools with different initial states. For example, when an unknown state of milling force signal is delivered to the milling tool online diagnostic system, the state and the existing time of this state could be predicted by the established prediction model, and then, the average remaining useful life from the present state to the tool failure state could be obtained by analyzing the transfer time between each state in the CHMM. Compared to the traditional probabilistic model, which requires a large amount of test samples, the experimental cost is effectively reduced by applying the proposed method. The results from the experiment indicate that CHMM for tool condition monitoring has high sensitivity, requires less training samples and time, and produces results quickly. The method using the Gaussian process to accurately predict remaining life has ample potential for application to real situations.     

Dynamic analysis of harmonically excited non-linear structure system using harmonic balance method

An analytical method is presented for evaluation of the steady state periodic behavior of nonlinear structural systems. This method is based on the substructure synthesis formulation and a harmonic balance procedure, which is applied to the analysis of nonlinear responses. A complex nonlinear system is divided into substructures, of which equations are approximately transformed to modal coordinates including nonlinear term under the reasonable procedure. Then, the equations are synthesized into the overall system and the nonlinear solution for the system is obtained. Based on the harmonic balance method, the proposed procedure reduces the size of large degrees-of-freedom problem in the solving nonlinear equations. Feasibility and advantages of the proposed method are illustrated using the study of the nonlinear rotating machine system as a large mechanical structure system. Results obtained are reported to be an efficient approach with respect to nonlinear response prediction when compared with other conventional methods.     

基于变分模态分解与集成深度模型的 锂电池剩余寿命预测方法

锂电池剩余寿命(RUL)预测对于锂电池安全使用至关重要。由于锂电池使用过程中存在容量再生现象和随机干扰等因素,导致单一尺度信号下单一模型的预测精度及泛化性能较差。针对上述问题,提出一种新的基于变分模态分解(VMD)与集成深度模型的锂电池剩余寿命预测方法。首先,采用变分模态分解将锂电池容量数据进行多尺度分解,得到信号的全局退化趋势和局部随机波动分量;然后,分别采用多层感知机(MLP)和长短期记忆神经网络(LSTM)对全局退化趋势和各波动分量进行建模;最后,将各个分量子模型的预测结果进行集成,获得最终的锂电池剩余寿命预测结果。实验结果表明,该方法具有较高的预测精度与稳定性。     

基于卷积变分自编码和多头自注意力机制的断路器剩余机械寿命预测

针对万能式断路器退化过程的不确定性,考虑到振动信号对机械性能退化的完善表征,提出了一种基于卷积变分自编 码(CVAE)和多头自注意力机制(MSA)的断路器分闸机械机构寿命预测方法。 首先依据断路器不同的事件区间提取参数特 征,再通过 CVAE 挖掘信号成分中的深度特征,将参数特征与深度特征融合得到完备退化特征,最后建立 GRU-MSA 的定量寿 命预测模型,引入了多头自注意力机制,在多个不同表征子空间中捕捉信号的不同依赖关系,对重要的时间步赋予更大的权重。 最后利用 3 台试品的振动信号测量数据对所提断路器分闸机械机构寿命预测方法进行测试,结果表明,所提出的方法在 3 个数 据集中寿命预测均方根误差(RMSE)分别为 141. 46、128. 75 和 134. 16,平均绝对误差(MAE)分别为 112. 17、101. 52 和 106. 22, 预测精度高且稳定性好,相对于其他混合预测模型更具优势。