核电站水下视频检查摄像头结构改进设计

核电站一回路关键设备工作环境恶劣,极易产生裂纹、腐蚀等缺陷,必须定期对这些设备进行检查。水下摄像头是一种有效的检测手段,已广泛应用于核电站。然而在应用过程中会出现密封失效、卡齿、定位不准、传动不平稳,结构可靠性差与设备可维修性差等问题,严重影响水下视频检查的效率与可靠性,同时存在安全隐患。针对核电站水下摄像头在应用过程中出现的工程问题,提出结构改进设计方案,摄像头的可靠性与定位精度显著提高。     

基于局部切空间排列与MSVM的齿轮箱故障诊断

针对齿轮箱故障特征重叠难以有效分离问题,提出基于局部切空间排列与多核支持向量机的齿轮箱故障诊断模型。在由振动信号时域统计指标及内禀模态分量能量构造的多元特征空间中,据局部切空间排列算法对多元特征进行非线性降维处理,得到初始低维流形结构,获取最优敏感特征向量;将该特征向量输入至多核支持向量机进行学习训练与故障辨识。局部切空间排列能克服传统降维方法的不足,多核支持向量机可实现复杂故障高精度、自动化智能诊断。通过齿轮箱故障模拟实验验证该方法的有效性。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

应用最优重分配小波尺度谱的小波脊线提取

针对基于小波尺度谱的模极大值法提取小波脊线存在受噪声干扰影响大、高频部分频率分辨率低等缺点,提出一种基于最优重分配小波尺度谱的小波脊线提取方法。首先,优化M orlet母小波使其与信号特征成分实现最佳匹配,再对小波尺度谱进行重分配,提高尺度谱的时频聚集性;然后,对重分配尺度谱进行信号奇异值分解降噪,降低噪声干扰影响;最后,利用模极大值法提取出小波脊线,根据小波脊线与频率的关系得到信号的瞬时频率。仿真算例和实际工程应用结果表明,该方法能有效提取出强噪背景下的机械故障特征。     

大模数齿轮齿条起升机构模拟试验台动力学研究

大模数齿轮齿条驱动式起升工作平台属于典型低速重载装备,其模数往往超过了模数系列中所规定的标准值,这不仅对现有的设计理论、制造工艺及安装方法提出了新挑战,而且对其安全高效运行和可靠性保障提出了新要求.为了研究齿轮齿条传动副在复杂工况条件下的失效机理和动力学响应特性,揭示设备服役性能退化和可靠性演化规律,以三峡升船机为对象,搭建了一个立式齿轮齿条起升机构传动系统工况模拟试验台,利用三维软件对齿轮齿条传动副进行实体建模,利用有限元方法对其进行静力学强度分析,研究齿轮和齿条应力应变分布规律.以齿轮齿条起升机构的三维建模为基础,对不同工况下的齿轮齿条起升机构的啮合运动进行动力学响应特性分析,得到齿轮齿条啮合传动过程中的速度、加速度和接触力相互耦合作用及运动规律,采用以小推大的思想,为大模数齿轮齿条起升的故障诊断和运行健康评估提供必要的理论和实验依据.     

大模数齿轮齿条起升机构模拟试验台动力学研究

大模数齿轮齿条驱动式起升工作平台属于典型低速重载装备,其模数往往超过了模数系列中所规定的标准值,这不仅对现有的设计理论、制造工艺及安装方法提出了新挑战,而且对其安全高效运行和可靠性保障提出了新要求.为了研究齿轮齿条传动副在复杂工况条件下的失效机理和动力学响应特性,揭示设备服役性能退化和可靠性演化规律,以三峡升船机为对象,搭建了一个立式齿轮齿条起升机构传动系统工况模拟试验台,利用三维软件对齿轮齿条传动副进行实体建模,利用有限元方法对其进行静力学强度分析,研究齿轮和齿条应力应变分布规律.以齿轮齿条起升机构的三维建模为基础,对不同工况下的齿轮齿条起升机构的啮合运动进行动力学响应特性分析,得到齿轮齿条啮合传动过程中的速度、加速度和接触力相互耦合作用及运动规律,采用以小推大的思想,为大模数齿轮齿条起升的故障诊断和运行健康评估提供必要的理论和实验依据.     

基于正交邻域保持嵌入与多核相关向量机的滚动轴承早期故障诊断

针对滚动轴承早期故障特征微弱难以快速有效辨识的问题,提出一种基于正交邻域保持嵌入(ONPE)与多核相关向量机(RVM)的滚动轴承早期故障诊断方法。首先基于多域量化特征构造表征滚动轴承早期故障的多域特征向量,基于ONPE线性流形学习对多域特征向量进行约简降维处理,获取最能反映滚动轴承早期故障运行状态变化的低维敏感特征,随后将获取的低维敏感特征输入给多核RVM进行早期故障模式的分类辨识。通过分析滚动轴承早期故障的模拟实验数据表明,该方法对高维复杂的非线性早期故障特征具有良好的约简降维性能,而且比单一核函数RVM具有更好的诊断精度。     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

基于LLE和LSSVM的滚动轴承故障诊断

针对滚动轴承故障特征混叠难以有效区分的问题,提出基于局部线性嵌入(LLE)与最小二乘支持向量机(LSSVM)结合的故障诊断方法。在由振动信号时域和频域统计指标构造的多维特征空间中,通过LLE算法对多维特征空间进行非线性降维处理,得到初始低维流形结构。将低维流形结构导入LSSVM中进行学习训练与故障辨识。应用于滚动轴承故障分析表明,该方法不仅对高维复杂的非线性故障特征具有良好的降维性能,而且故障识别率较之传统方法有明显提高,能够有效识别出高维特征空间的非线性故障特征。     

基于迭代滤波和快速峭度图的滚动轴承微弱故障特征提取

在强背景噪声干扰下,快速峭度图提取滚动轴承微弱信号故障的特征效果并不明显。将迭代滤波(Iterative Filtering,IF)和快速峭度图相结合用于滚动轴承的微弱故障特征提取。滚动轴承故障振动信号通过迭代滤波进行自适应分解得到一组内禀模态分量,用迭代滤波对强噪声滚动轴承信号进行降噪处理,用快速峭度图构造最优带通滤波器,将滤波后信号的包络谱与轴承故障特征频率进行比较,从而诊断出具体故障。通过仿真和试验验证了所述方法的有效性及优点。