面向机械装备健康监测的数据质量保障方法研究

工业"大数据"时代的到来为机械装备健康监测带来了新机遇.然而,由于运行环境异常、人为因素干扰以及采集设备故障等,机械装备健康监测大数据中往往混杂大量与健康状态无关的异常值或缺失值数据,从而造成数据质量下降.监测数据中掺杂的劣质数据容易造成对机械装备健康状态的误判,进而导致运维策略制定不当.为保障数据质量,提出一种机械装备健康监测振动数据恢复的张量分解方法.针对机械装备不同转速的振动数据,构建以转速、时窗、小波尺度和时间为维度的四阶张量,利用Tucker分解从中挖掘蕴含的机械健康状态信息,并通过张量填充对缺失值数据进行恢复.分别采用仿真数据和试验台数据验证了提出方法的有效性,结果表明,与传统数据恢复方法相比,提出方法恢复的数据与真实数据的拟合度更高.将提出方法应用于风电装备监测数据恢复,保障了监测数据的质量.     

采用分数阶域MFL-Net的机械智能故障诊断方法研究

提出了一种分数阶域多尺度特征卷积神经网络的智能诊断方法。首先,对原始振动信号进行分数阶傅里叶变换(FRFT),获得多个分数阶次下振动数据的时频特征;其次,构建具有多尺度特征学习模块的轻量级卷积神经网络(MFL-Net),进一步从分数阶域时频特征中提取故障信息,通过训练获得诊断模型并应用于故障识别;最后,通过离心泵和滚动轴承故障数据集对所提方法的有效性进行验证。结果表明：所提方法可以有效提取非平稳信号中的故障特征,并实现故障的准确诊断。     

基于高维时空张量CP分解的风速监测缺失数据恢复

“大数据”时代的到来为风机健康监测带来了新机遇，风机往往运行在极端恶劣环境下，监测数据中夹杂了大量缺失值，数据质量无法保障，进而会制定有误的运维指导策略。为保证风速监测数据质量，提出了基于高维时空张量CP分解的风速监测数据缺失值恢复方法。构建包含时空信息的四阶张量，利用CP分解将张量分解为多个因子矩阵，通过加权张量将恢复缺失数据转化为求解目标函数最小值，根据因子矩阵重构张量，从而获得缺失处原始信息值。利用提出方法与GPR、GRU、LSTM、SWLSTM等传统方法对某风电场的缺失数据进行恢复，结果表明，相比传统方法，提出方法的R²最接近1,MAE等误差指标均为最小，具有最高拟合度，从而验证了该方法的有效性。     

多稳态匹配随机共振在机械早期故障特征提取中的应用

传统单稳态或双稳态随机共振方法的势函数稳态结构单一，难以匹配复杂多变的输入信号；固定尺度因子忽略了与势结构、输入信号之间的协同增强作用；且一阶系统易遭受低频噪声干扰，依赖高通滤波器辅助。因此，提出自适应二阶多稳态匹配随机共振方法，并应用于机械早期故障的微弱特征提取。该方法的优势在于：(1)多稳态势结构的多样性可与不同的输入信号实现有效匹配；(2)能实现输入信号、势结构、尺度因子三者之间的协同作用；(3)二阶多稳态随机共振能够抑制低频噪声干扰。仿真分析和机车轴承故障诊断案例表明：提出的方法相比单稳态和双稳态随机共振方法具有更强的微弱特征增强与提取能力。