自适应多核组合相关向量机预测方法及其在机械设备剩余寿命预测中的应用

针对支持向量机(Support vector machine,SVM)的惩罚系数难以确定、核函数必须满足Mercer定理等问题,相关向量机(Relevance vector machine,RVM)应运而生以解决上述问题,并在趋势预测等领域得到一定的应用。核函数是决定RVM预测精度的关键因素之一,目前的研究通常是人为选择单一核函数,因此增加了对参数的依赖性并降低了RVM预测的鲁棒性。为了解决以上问题,提出一种新的自适应多核组合RVM预测方法。该方法首先选择多个核函数,利用粒子滤波产生核函数权重,建立多核组合RVM集,然后经过不断地迭代预测、权值更新和重采样,自适应获取最优多核组合RVM,从而自适应融合多个核函数的特性,克服基于单一核函数RVM的局限,提高预测精度和鲁棒性。利用仿真对提出方法进行了验证,并将其应用于机械设备的剩余寿命预测,取得了比基于单一核函数RVM更好的预测效果。     

基于SCADA数据的风机叶片结冰检测方法

针对工作在寒冷地区的风机易出现的叶片结冰现象,提出一种基于SCADA数据的风机叶片结冰检测方法。根据叶片结冰会增大发电机的功率损耗,选择风速与网侧有功功率2个变量,利用主成分分析技术构造对叶片结冰敏感的风速与网侧有功功率在非主成分方向投影特征,通过选择最优阈值使逻辑回归分类器适用于不平衡分类,可以实现风机叶片结冰检测自动化与智能化。通过中国工业大数据创新竞赛数据验证了该方法的有效性。     

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.     

XJTU-SY滚动轴承加速寿命试验数据集解读

预测与健康管理对保障机械装备安全服役、提高生产效率、增加经济效益至关重要。高质量的全寿命周期数据是预测与健康管理领域的基础性资源,这些数据承载着反映装备服役性能完整退化过程与规律的关键信息。然而,由于数据获取成本高、存储与传输技术有待发展等原因,典型的全寿命周期数据极其匮乏,严重制约了机械装备预测与健康管理技术的理论研究与工程应用。为解决上述难题,西安交通大学机械工程学院雷亚国教授团队联合浙江长兴昇阳科技有限公司,选取工业场景中典型的关键部件——滚动轴承为试验对象,开展了历时两年的滚动轴承加速寿命试验,并将获取的试验数据——XJTU-SY滚动轴承加速寿命试验数据集面向全球学者公开发布。该数据集共包含3种工况下15个滚动轴承的全寿命周期振动信号,采样频率高、数据量大、失效类型丰富、记录信息详细,既可为预测与健康管理领域提供新鲜的"数据血液",推动故障诊断与剩余寿命预测等领域的算法研究,又可助力工业界智能化运维的"落地生根"。     

自适应总体平均经验模式分解及其在行星齿轮箱故障检测中的应用

总体平均经验模式分解(Ensemble empirical mode decomposition,EEMD)是针对经验模式分解(Empirical mode decomposition,EMD)存在的模式混淆问题而提出的,对分解信号加入高斯白噪声,改善信号的极值点分布,经过多次平均,从而达到减小模式混淆的目的。然而,EEMD分解效果取决于添加噪声的幅值、筛选次数等参数的选择。目前的研究通常是人为选择这些参数,具有较大的盲目性和主观性,因此分解结果差强人意。为了解决以上问题,提出一种新的自适应总体平均经验模式分解方法。该方法基于EMD的滤波特性,在提取本征模式分量(Intrinsic mode function,IMF)的过程中自适应改变加入噪声的幅值,并对每个IMF自动选择不同的筛选次数,可以更好地削弱模式混淆。通过仿真试验验证了该方法的有效性,并将该方法应用于行星轮故障检测中,取得了比EEMD更好的故障检测结果。     

一种融合多传感器数据的数模联动机械剩余寿命预测方法

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战。基于模型的寿命预测方法大多仅针对单一监测数据进行建模分析,无法有效利用丰富的大数据资源。数据驱动的方法则过分依赖训练数据,缺乏必要的经验指引,方法的可解释性差。为了有效利用多传感器数据指导寿命预测,从数模联动的思路出发,建立了一种融合多传感器数据的数模联动寿命预测方法。采用一种通用的Wiener过程模型对健康状态退化过程进行描述,分别建立多源观测函数和多源映射函数对状态与数据之间的因果关系和关联关系进行描述,采用粒子滤波算法将多传感器数据与模型进行动态匹配,预测剩余寿命。在提出方法的统一框架指导下,选取三种特定模型对铣刀剩余寿命进行预测,验证了提出方法的有效性。     

基于变厚板技术的汽车后纵梁开发

采用单向拉伸试样配合数字图像相关法对变厚板过渡区域力学性能进行了研究,分析了轧制后退火对变厚板性能的影响,通过对变厚板过渡区进行分区离散,对变厚板拉伸性能进行了表征。对比采用变厚板方案的后纵梁仿真结果与实际样件冲压结果,表明实际样件成形与仿真结果接近,样件成形性良好,无开裂与起皱现象,变厚板方案对减轻质量效果显著。     

保证数据隐私的装备协同智能故障诊断联邦迁移学习方法

大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的实际应用仍存在巨大困难。在工业界,多个用户往往拥有相似的机械装备与各自收集的监测数据,因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而,数据隐私性至关重要,不同用户往往不愿将私有数据与其他用户共享,给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法 FedTL,各用户私有数据不出本地完成模型训练,多用户间传输共享数据高级表征;提出软标签信息传输方法,通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递;考虑多用户装备工况不同等场景,提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证,结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。