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。     

基于DSmT与小波网络的齿轮箱早期故障融合诊断

针对齿轮箱早期故障特征十分微弱难以有效辨识问题,提出基于DSmT理论与小波神经网络的齿轮箱早期故障融合诊断模型。利用多个振动传感器合理布置在齿轮箱的多个关键部位采集多源振动信息并进行特征提取;利用多个并联小波神经网络实现齿轮箱早期故障的初级诊断获得彼此独立的多个证据;利用DSmT理论对多个独立证据进行融合决策得出齿轮箱的最终诊断结论。DSmT理论克服了传统DST证据理论的局限性,小波神经网络实现多源证据信度分配的客观化。诊断实验结果表明,该方法能有效提高齿轮箱早期故障特征的辨识精度、降低诊断的不确定性。     

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。     

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。     

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。     

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。     

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。     

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。     

基于深度支持证据统计的轴承运行可靠性评估EI北大核心CSCD

某台具体设备的运行可靠性评估是"个性"问题。基于设备运行数据大而丰富的特点,从证据论的观点出发,结合深度卷积自编码器,提出了一种深度支持证据统计方法,以实现无失效样本信息或缺乏分布函数等相关先验知识时的轴承运行可靠性评估。在传统的证据或特征获取过程中需要大量的人工干预或先验知识,利用深度卷积稀疏自编码器以实现证据的自动获取,借助支持向量数据描述的思想,通过统计比较标定与过程证据间的动态变化过程,最终完成某台具体设备的运行可靠性评估。随后通过航空轴承试验对提出的方法进行了验证,结果表明运用该方法得到的可靠度,能较好的反映轴承运行可靠性的"个性"。