基于 Lamb 波的数据传输与缺陷检测同步实现方法

在结构健康监测领域,超声导波相对于体波具有传输距离远、覆盖范围大、检测成本低的优点。提出了一种基于Lamb波的数据传输与缺陷检测同步实现方法,实现了超声系统的多功能复用。通过理论仿真与扫频实验验证了Lamb波模态调制理论,使用压电晶片主动传感器在铝板上以500 kHz的中心频率激发出S₀模态Lamb波进行数据传输和缺陷检测。针对Lamb波边界反射引起的码间串扰问题,采用移不变稀疏编码方法进行信息恢复,在具有反射边界的铝板上成功实现100 kbps的信息传输速率,并且误码率为0。同时,利用移不变稀疏编码中的原子信号进行结构缺陷检测,根据合成孔径聚焦技术实现了缺陷的准确定位,定位误差小于0.2%。     

轴承实测波纹度的动力学建模与振动特性分析方法

针对基于实测波纹度来预测轴承振动特性的研究方法较少的问题,提出了一种基于插值重采样的轴承实测波纹度动力学建模方法。以NU307E型圆柱滚子轴承为例,建立轴承波纹度的动力学模型,通过对轴承外圈、内圈和滚子的实测波纹度数据进行插值重采样,获得波纹度离散序列,并将其耦合到振动模型,建立轴承实测波纹度动力学模型进行仿真分析。最后进行了试验,验证了建模方法的正确性。     

基于WPD和LPP的设备故障诊断方法研究

小波包分解(WPD)能够将非平稳信号在低频和高频上同时分解以有效反映信号潜在的特征信息,而局部保留投影法(LPP)在降维的同时保留了信号的局部特征信息。结合上述特点,本文给出了选取信号小波包分解后形成全部节点的谱能量,作为表征信号的特征,采用LPP提取降维特征进行模式识别的方法进行设备故障分类研究。本文在多组不同轴承故障及同故障不同损伤程度的多类别数据集上进行了实验,实验结果验证了这种方法的有效性。     

齿轮箱故障边缘智能诊断方法及应用研究

针对齿轮箱运行状态监测数据量大而数据价值密度低导致的数据传输和存储困难、受到带宽影响导致的故障辨识实时 性差以及大而深的深度学习模型难以有效部署至边缘端硬件等问题,本文提出了一种基于乘法-卷积网络(MCN)的齿轮箱故 障边缘智能诊断方法。 首先,综合考虑信号滤波在特征表征以及深度学习在特征提取的优势,设计了一种轻量化的 MCN 模型, 同时在嵌入式微处理器搭建了一套端侧边缘智能处理原型与系统。 该系统可以直接部署于齿轮箱边缘,通过云服务器训练和 更新 MCN 模型参数并部署至边缘端,于边缘端完成数据采集、处理和故障状态辨识等功能,将大量传感器数据直接消耗在边缘 端。 实验结果显示 MCN 具有 99. 75% 的平均识别精度,且部署 MCN 的齿轮箱故障边缘智能诊断系统可以在 0. 696 s 内准确识 别出故障状态。     

嵌入式智能轴承信息感知测点优化方法

针对智能轴承结构和感知单元集成中信息感知测点综合最优选取困难的问题，提出了嵌入式智能轴承信息感知测点优化方法。以角接触球轴承为嵌入式智能轴承的轴承本体结构，结合有限元分析研究了考虑3种载荷下轴承外圈开槽前后不同测点的应力和变形信息响应分布及影响，并基于轴承温度建模理论计算了轴承不同感知测点的温度分布。考虑开槽对轴承变形的影响，提出了一种基于主成分分析的嵌入式智能轴承感知测点最优选择方法。研究结果表明，通过应力、变形和温度信息的评估分析，可实现嵌入式轴承集成感知的最优嵌入测点选择。