基于神经网络的工程机械磨损故障诊断研究

根据工程机械结构特点、摩擦磨损规律和磨粒特征建立了标准磨粒谱 ;提出了基于神经网络的磨粒识别技术 ,设计了智能磨粒识别系统 ,诊断实例表明 ,用神经网络方法可以准确地识别工程机械磨损故障类型、程度和部位     

基于红外热像技术的缺陷复合材料损伤演化研究

对分层缺陷复合材料进行静拉伸实验,采用红外热像仪监测了试件表面的温度变化,研究了整个过程中试件温度变化的规律、损伤演化过程、热耗散与损伤过程的关系。结果表明,试件表面的温度先线性下降,后持续升高;当试件温度下降到最低点时对应的应力值是试件屈服的极限值;分层缺陷处最先出现热源点,随着时间的变化,热源范围越来越大;有分层缺陷的复合材料的热耗散因子为55%。红外热像技术能够监测缺陷复合材料的损伤,有利于复合材料的工程应用研究。     

过盈失效时轴毂微动的转子系统特性

盘轴作为转子系统的核心部件,在复杂的工况及交变载荷作用下极易产生轴毂过盈配合失效故障.为了研究轴毂接触时过盈量和转速等因素对轴毂接触应力的影响,以及过盈失效时转速对转子系统振动特性的影响,基于Hertz接触力学模型,建立了轴毂接触的转子有限元模型,并进行仿真分析和实验验证.结果表明:轴毂间过盈失效时,轴毂间会产生微动摩...     

SiC和SiC/Al在TMA空间遥感器中的应用

简述了空间遥感器的空间应用环境和TMA轻型遥感器的特点,介绍了遥感器设计中材料选择的重要性及影响,在TMA轻型遥感器研制中选用了具有高导热性和高比刚度的SiC和SiC/Al复合材料新材料,计算及试验证明这些材料的应用提高了遥感器的机械性能和热性能,提高了TMA轻型空间遥感器的空间适应能力。     

概率因果网络在汽轮机故障诊断中的应用

在分析了汽轮机振动故障特点的基础上,提出了用遗传算法进行汽轮机等旋转机械故障诊断问题,定义了遗传算法求解故障诊断问题的概率因果网络,给出了求解故障诊断的数学表达式和适合汽轮机等旋转机械的故障集、征兆集、因果强度和先验概率表。建立了汽轮机故障诊断模型指出表达式的最小值的集合对应于故障集和征兆集,该模型能有效地识别出汽轮机的多故障,弥补了专家系统和神经网络等诊断方法不能正确诊断多故障的不足。     

风电齿轮箱齿轮传动系统非线性因素影响分析

针对风力发电机齿轮箱在实际风场中工况复杂的问题,采用集中质量参数法建立了风电齿轮箱传动系统高速级齿轮滚动轴承耦合动力学模型,考虑了传动系统的综合啮合刚度、误差激励、齿面侧隙和轴承径向刚度等非线性影响因素,对1.5 MW风力机齿轮箱传动系统的非线性动力学模型进行了仿真计算分析.采用Runge-Kutta法对模型进行求解得到传动系统的时域波形和幅频响应.结果表明:较小齿面侧隙会使系统出现较大振动响应,随着齿面侧隙增大,系统振动位移减小,会导致系统从周期走向混沌响应;轴承游隙的存在使系统产生混沌响应,呈现出非周期的特征.     

基于VMD-PARAFAC的轴承故障欠定盲源分离

针对传统的轴承故障欠定盲源分离方法需要施加约束的问题,提出了一种基于变分模态分解(variational mode decomposition,VMD)和平行因子(parallel factor,PARAFAC)分析的欠定盲源分离方法.利用VMD算法将振动信号分解为多个带限本征模态函数(band-limited intrinsic mode functions,BLIM Fs),将这些BLIM Fs构造成三阶张量作为PARAFAC模型的输入,利用三线性交替最小二乘算法对模型分解,从而在宽松条件下实现复合故障信号的分离.仿真和实验结果表明,提出的方法是有效的,与传统的故障盲源分离方法比较,提出的方法在多故障盲源分离中更具有适应性和实用性.     

半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题，结合特征选择与二次挖掘，提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score, SSLS)和核主元分析(Kernel Principal Component Analysis, KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中，利用少量的有标签样本和大量无标签样本，结合KPCA对故障特征进行二次挖掘。同时，将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine, PSO-SVM)算法用于故障分类。最后，将该模型应用于实验数据分析过程。结果表明，该模型在减少样本标记工作量的同时，仍能在滚动轴承故障分类中保持较高的准确率，验证了所建立模型的有效性和工程实用性。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂，实际采集的振动信号存在分布差异，导致故障诊断模型的分类效果偏低问题，提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先，利用源域数据预训练MSCNN网络，再利用多核领域适应减小源域和目标域分布差异，最终获得目标风电机组故障诊断模型。试验结果表明，该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%，对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法，对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于双输入深度卷积神经网络的风力机轴承RUL预测

针对轴承剩余寿命预测中常用健康指标泛化性不足的问题，提出一种基于双输入深度卷积神经网络的轴承剩余寿命预测模型。首先使用自适应最大相关峭度解卷积方法处理轴承信号并采用特征融合手段得到信号的时间序列特征；然后，将信号的时频图和时间序列特征同时作为模型的输入，通过已建立的双输入深度卷积神经网络模型来预测轴承健康因子；最后使用门控循环单元网络与健康因子相结合的方法来预测轴承的剩余使用寿命。在公开的西安交通大学公布的XJTU轴承数据集上对所提方法进行验证，并在风力机高速轴轴承历史监测数据上进行应用。试验结果表明：该方法不但显著提升了健康因子的泛化性能，还在预测精度方面有优异表现。