支持向量空间方法在刀具运行可靠性评估中的应用

针对单台或小样本数控机床刀具可靠性评估时,传统的基于大样本统计的可靠性评估方法因缺乏时间、动态、个性化的精确性描述而难以发挥作用。为了提高单台或小样本条件下的机床刀具运行可靠性评估精度和可信性,作者提出了一种基于奇异值分解（SVD）和支持向量空间的运行可靠性评估方法。首先通过实验对机床切削加工过程中的刀架振动信号进行获取,采用小波包分解、能量分布和时频域统计量分析,提取出与刀具磨损量密切相关的显著特征指标。为了降低计算复杂程度和减小冗余成分,进一步利用SVD对所提取的刀具正常磨损条件的振动信号时频域高维特征数据集进行降维处理。然后将降维数据作为测试样本代入支持向量空间模型构造支持向量空间超球体,以该超球体所定义的圆心和半径为计算依据,将待检样本相对于超球体的相对距离作为描述刀具的性能退化指标,并引入降半型隶属度函数,将相对距离指标映射到[0,1]区间,将其定义为刀具的运行可靠性。分别以两把磨损状态为失效与正常的刀具作为评估案例,通过对其降维前后数据进行支持向量超球体空间构造以及可靠性评估,结果表明维数据约简可有效减小数据分散性过大所导致的超球体形状变形问题。最后以多把刀具统一失效阈值下的通用数据对刀具1进行可靠性评估,结果表明在训练数据条件足够大的情况下,刀具的相对距离和运行可靠度趋势性更加明显,波动性减少,特别是在磨损后期,这种变化有利于刀具服役性能的精准评估。所提出的运行可靠性评估方法摆脱了传统可靠性评估对大样本统计数据的依赖,为丰富和发展小样本数据的可靠性评估提供了新的理论支持和技术手段。     

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。     

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。     

基于小波核Logistic模型的运行可靠性评估

为了解决深孔加工过程中刀具的磨损状态难以监测及其可靠性评估过程中样本难以获取的情况,提出了一种基于小波核Logistic模型的深孔加工运行可靠性模型。在该方法中,首先,建立了小波核Logistic模型以解决小子样情况下的可靠性评估问题,其次,以刀杆自激振动相对小波能量及从电流信号提取的切削力比为模型输入参数以解决状态难以监测的问题;最后,用一个深孔加工实验对模型进行了验证,结果表明该方法具有一定的实用价值。     

在役大型水工弧形闸门结构静强度与模态分析

为保证在役大型弧形闸门安全稳定运行,以葛洲坝工程水工弧形闸门为例,利用有限元分析软件,按设计水头对其进行静力学强度和模态分析,得出闸门最大应力集中点及变形情况,并根据自振频率、振型和最大变形位移判断闸门振动强弱。结果表明,闸门设计总水压力与理论计算偏差为4.7%,在5.0%误差控制范围内,弧形闸门整体最大应力为373.86 MPa、变形为12.938 mm,强度和刚度均能满足现行规范设计要求,面板底部存在局部应力集中,闸门整体振动变形量小于0.508 mm,振动强度不大,只有低阶频率出现在水流脉动压力的高能区,其发生共振的可能性小。     

归一化小波熵与RVM的滚动轴承运行可靠度预测

针对传统可靠度评估和预测方法难以实现对正在服役中的单台机械设备进行可靠度评估和预测的问题。设计了一种基于归一化小波包信息熵与相关向量机的滚动轴承运行可靠度预测方法;该方法主要包括确立运行可靠度指标以及构建相关向量机预测模型,通过试验测取滚动轴承运行过程中的振动信号,利用小波包分解,提取反映滚动轴承运行状态的特征频带能量,基于信息熵理论建立运行可靠度指标;构建相关向量机预测模型,准确预测正在服役中的滚动轴承运行可靠度指标及其变化趋势。试验结果表明,采用归一化小波包信息熵与相关向量机的可靠度预测模型,能有效克服传统基于概率统计数据的平均可靠度计算问题,并且相关向量机的可靠度预测精度更高。     

混合特征集与MK-SVM的带钢表面缺陷辨识

针对带钢表面缺陷难以有效辨识的问题,设计基于混合域特征集与多核支持向量机的带钢表面缺陷分类辨识方法。首先基于灰度特征、纹理特征计算带钢表面缺陷的图像特征指标量,构造混合域特征集,再将混合域特征集输入给多核支持向量机实现带钢表面缺陷的分类辨识。实验结果表明,该方法能够有效提取带钢表面缺陷的低维敏感特征,辨识精度高,泛化能力强,可以应用于工程企业带钢表面缺陷的分类辨识。     

混沌粒子群优化RVM的滚动轴承早期故障诊断

为了提高相关向量机在滚动轴承早期故障诊断中的诊断精度,对相关向量机的早期故障输入特征以及相关向量机的参数优化方法进行了研究。首先,以美国Cincinnati大学实测的滚动轴承全寿命振动数据为基础,结合信息熵原理计算振动信号的归一化小波包频带能量及小波信息熵,根据特征参数时间序列的渐进变化趋势,构造相关向量机的早期故障输入样本;其次通过混沌粒子群算法优化相关向量机的核函数参数;最后,利用优化后的相关向量机模型实现对机械设备的早期故障诊断。实际轴承的故障诊断实验结果表明,方法提取的早期故障特征敏感性更好,优化的相关向量机早期故障的模式分类性能也大大提高,验证了该方法对早期故障诊断的有效性和优势。     

深度学习在机械设备故障预测与健康管理中的研究综述

随着机械装备不断朝高速化、大型化、智能化方向发展,为了保障机械设备高效、安全、可靠运行,故障预测与健康管理(PHM)一直是工业领域研究的热点问题。机械装备的工作环境恶劣,工况复杂,多系统相互耦合,在长期服役过程中,其状态监测信息呈现出典型的\"体量浩大、多源异构、生成快速、价值稀疏\"的大数据4V特征。因此,\"大数据\"背景下的机械装备健康管理呈现出\"三高\"特点:(1)需要高容量的大数据存贮能力;(2)需要高效实时的数据处理能力;(3)需要高强的多源异构适应性。针对上述特点,亟需一种能够从海量数据中自适应提取故障特征并进行有效诊断、评估和预测的数据处理方法。深度学习理论作为机器学习的进一步发展,以强大的建模与数据处理能力,在图像处理、语音识别、自然语言处理等领域取得了巨大的成功,国内外诸多学者也将深度学习理论逐步引入到设备PHM当中,做了一些开拓性的工作。从深度学习在机械装备故障预测与健康管理应用中的基本流程入手,分析PHM深度神经网络的输入特征及其主要类型和特点,对比了PHM应用中常见的4类神经网络模型与其对应的模型训练算法,对深度学习在PHM应用的国内外研究进展进行了归纳总结,并展望了深度学习在PHM应用中的发展方向。