基于深度学习的工业装备PHM研究综述

随着物联网和通信技术的快速发展,现代工业装备海量运行数据被实时监测传输,推动装备服役阶段的故障预测与健康管理进入大数据时代。面对具有不确定性强、价值密度低及多源异构特点的装备运行大数据,传统浅层模型算法存在难以自主挖掘数据蕴含特征、对装备健康状态表征能力弱的先天不足。近年来,作为机器学习领域的研究热点,深度学习理论得到了学术界与工业界的广泛关注,相关的工业装备故障预测与健康管理（prognostics and health management, 简称PHM）研究与应用层出不穷,为解决大数据背景下的故障预测与健康管理难题提供了新的思路和技术手段。为此,笔者回顾了工业装备故障预测与健康管理技术发展历程;从异常检测、故障诊断以及故障预测3个方面综述了深度学习已取得的研究成果;讨论了深度学习在当下工业装备故障预测与健康管理中的热点话题;分析了该研究方向在工程实际中面临的挑战,并探讨应对这些挑战的有效措施和未来发展趋势。     

预制梁板全自动喷淋养生质量控制研究

研制出适合各种预制梁板养生，且能满足质量和安全要求的养生体系，确保梁板混凝土成品质量。尽可能保证梁板养生的全面性，使梁板表面在养生期内始终保持湿润。实现养生质量的大步提升，使养生合格率达到90%以上。消除夜间养生弊端，实现养生的全天候工作。     

深度嵌入度量学习的机械跨工况故障识别方法

传统数据驱动的机械装备故障诊断方法依赖目标工况下的完备数据,而装备实际运行工况复杂多变,难以预测,且数据获取困难。针对上述问题,提出了一种深度嵌入度量网络（Deep Embedding Metric Network, DEMN）的机械跨工况故障识别方法,该方法利用装备在已知工况下的数据学习鲁棒特征表示,建立适用于未知工况场景下的泛化智能故障识别模型。基于多尺度卷积神经网络（Multiscale Convolutional Neural Network, MCNN）获取故障信号的深度嵌入特征;用度量学习方法引导判别性特征学习,构建特征嵌入空间下的三元组损失（Triplet Loss, TL）;利用粒子群算法（Particle Swarm Optimization, PSO）对间隔参数进行寻优。所提方法有效缩小装备健康状态类内距离、扩大类间距离,降低工况变化对健康状态映射关系的影响。实验结果表明,该方法在齿轮箱跨工况故障诊断实验中表现出良好的识别精度与泛化性能。     

基于机匣振动信号的滚动轴承故障特征提取

通过进行带机匣测点的滚动轴承故障模拟实验,获取滚动轴承在故障状态条件下,轴承座测点和机匣测点的振动数据。分析结果显示,相对于轴承座,机匣上的振动信号成分复杂,轴承故障特征不明显,直接进行包络解调无法提取故障特征。通过奇异值分解(singular value decomposition,SVD),差分谱中各峰值处奇异值可以表征不同成分的信号。当轴承故障信号微弱时,第一个峰值处的奇异值重构信号往往代表转频及其调制信号分量,选取该靠后峰值处的奇异值进行信号重构可以有效提取轴承故障特征信号。研究内容为实际基于机匣测点信号的航空发动机滚动轴承故障特征提取提供了一种新的方法。