基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

动车组转向架轴箱轴承故障及诊断研究

转向架轴箱轴承是高速列车动车组重要的旋转运动部件，它在复杂多变的工况下极易出现由疲劳、过载等原因导致的失效，因此，轴箱轴承的运转可靠性直接决定着列车的行车安全。为了满足动车组运营维护中动态化、系统化的安全保障需求，要对轴箱轴承故障诊断技术进行研究。通过分析轴箱轴承的结构原理和典型故障形式，挖掘故障与外界因素的关系。结合振动信号监测技术得出振动数据，采取时域分析与小波分析结合的故障特征频率提取方法，能对轴承外圈点蚀故障进行诊断。结果表明，时域分析法可快速准确获取故障特征信号，但不能定位故障产生的部位；而小波分析法可从包络谱图中直接看出故障特征频率，准确地提取轴承故障特征信息。综合使用时域分析与小波分析，可明显提高轴承故障诊断率，促进轴箱轴承故障诊断方法在动车组上的应用。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下，可用数据稀缺，导致智能诊断模型对轴承健康状态识别精度较低这一问题，提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of EfficientNetV2,TSTE)的滚动轴承故障诊断新方法。首先，将模型在轴承全寿命周期数据集中训练，之后冻结模型浅层权重，将其在多工况轴承数据集中训练，进行第一次迁移学习。其次，通过构造类不平衡数据集，研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后，基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）过采样方法与编辑最近邻（Edited Nearest Neighbors,ENN）欠采样方法对故障数据进行扩充，使类不平衡数据集重构为类平衡数据集。最后，将模型在类平衡数据集中训练，冻结模型底层权重，训练模型深层，进行第二次迁移学习，使模型掌握平衡数据集故障特征。通过多种指标进行实验评估，同时与其他方法进行对比，并使用GradCAM方法进行了特征可视化。结果表明，所提方法能够将模型在实验室环境下积累的故障诊断知识应...     

基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

传统故障诊断模型训练时易陷入局部最优、模型泛化能力差,且故障识别精度易受人工特征提取质量的影响,针对这一问题对滚动轴承故障诊断方法进行了研究。首先,提出了基于深度置信网络(DBN)的滚动轴承故障诊断模型,研究了DBN模型的逐层自适应特征提取能力;然后,提出了一种改进的混合蛙跳算法(ISFLA),对DBN各隐含层神经元个数和反向微调算法学习率进行了优化;最后,在不进行任何特征提取的情况下,利用美国凯斯西储大学的轴承数据集进行了实验研究,提取了原始时域振动信号,进行了故障特征分析,并与BP、DBN和PSO-DBN算法进行了对比。研究结果表明:与其他方法相比,ISFLA-DBN的故障识别精度最高,算法收敛速度最快,模型泛化能力最好。     

基于MTF-DenseNet的滚动轴承故障诊断

针对滚动轴承振动信号的特征难以提取的问题,提出一种基于MTF-DenseNet的滚动轴承故障诊断方法。利用马尔可夫变迁场(MTF)将滚动轴承的一维时间序列信号进行编程,生成二维图像,从而很好地保留时间序列信号的时间依赖性和频率结构,之后将其输入到密集连接卷积网络(DenseNet)实现故障特征的提取,进而实现故障诊断。采用凯斯西储大学轴承数据集上数据进行实验,实验结果表明,该方法在数据集上的故障分类准确度达到99.35%,故障诊断效果良好。     

基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1D-CAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1D-DCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1D-CAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学(CWRU)以及西安交通大学(XJTU)轴承数据集进行了实验。实验结果表明：基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明：即使在样本数量较少的场景下,基于1D-...     

加权动态时间扭曲的不平衡结构转子故障诊断

为了弥补实际工业数据和实验实验室数据之间的差距，提出了一种基于加权动态时间扭曲的不平衡结构转子故障诊断方法。通过使用基于故障信息内容的加权方案改进的软动态时间扭曲方法处理数据安全性和不平衡问题。在故障分类阶段，引入了一种结构转子故障的早期分类方法，通过仅将准确度作为目标来开发序列深度学习分类器，然后通过考虑准确性和早期性来定义早期决策策略。在试验台数据集上产生的结果证明了提出方法能够有效提升结构转子故障诊断的精度，并且有效同化数据之间的差异。     

基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。     

周向接触弧长对闸片温度场分布影响的研究

提出了热流分配系数受摩擦副周向接触弧长影响的观点;使用分段二次插值法确定了摩擦副周向接触弧长和热流分配系数随径向位置的变化关系;基于能量守恒法,计算和比较了2种不同热载荷下闸片的温度及其分布规律。结果表明:周向接触弧长随径向位置呈先增大后减小的变化规律,而热流分配系数的变化趋势正好与其相反;由2种不同热载荷计算得到的温度峰值发生时刻虽接近,但差值较大;温度在径向和轴向方向上的分布规律也不相同。因此,在摩擦副的热分析过程中必须考虑闸片结构带来的影响。     

基于ANSYS的O形圈活动量对密封性能影响探究

以某飞机某部位作动筒渗漏和密封圈扭转断裂的故障为切入点,利用有限元分析软件ANSYS建立O形橡胶密封圈(简称O形圈)的二维轴对称模型,对装配阶段和静压阶段下不同配合间隙、沟槽深度、沟槽宽度、圆柱度和偏载对密封性能的影响进行分析。结果表明：在一定范围内,配合间隙、沟槽深度、沟槽宽度对密封性能影响较大,而圆柱度和偏载对密封性能影响较小;在允许的范围内,较小的配合间隙、合适的沟槽深度和宽度能够得到优异的密封性能。该作动筒的O形圈发生渗漏和扭转断裂的原因为密封槽宽度偏大,综合考虑,对密封槽宽度进行改进能够有效提升O形圈的密封性能。     

基于温度对预浸料铺放质量的影响研究

针对自动铺带工艺的过程,分析了温度对于铺带过程中的预浸料铺放质量的影响。在一定的铺放速度和铺放压力下,通过实验分析温度对于铺带过程中的预浸料基体的流动性、铺带的带宽变形以及预浸料的黏附性变化影响。总结并分析了铺放温度对于预浸料铺带铺放效果的影响,为实际成型产品工艺提供帮助。     

防腐剂在摩擦副表面的吸附性能探索

利用模拟轴承对润滑油中的防腐蚀添加剂进行吸附实验,通过对吸附前后润滑油的紫外吸光度的测量,表征实验前后润滑油中防腐剂的质量分数变化,进而证明摩擦副对防腐蚀添加剂的吸附作用;在含有定量防腐剂的润滑油中添加不同质量分数的抗磨剂,进行模拟轴承的吸附实验,通过紫外吸光度的测量发现抗磨剂对防腐剂在摩擦副表面的吸附性能有较大影响,说明防腐剂与抗磨剂在摩擦副界面存在竞争吸附效应。     

应力多轴度对机械零部件破坏的影响研究

目前工程实际应用中大多是直接采用单轴试验的数据,没有考虑到应力状态的影响,这与构件实际应力状态不符,很多研究者对多轴应力状态下材料的行为进行了研究。介绍了应力多轴度对断裂韧性以及多轴应力状态对材料的疲劳断裂和蠕变失效的影响研究的最新进展,对几种具有代表性的多轴应力状态下破坏准则以及多轴应力状态下蠕变损伤准则做了简要的回顾,并进行简单的评述。     

基于多标准的空调系统季节能效比计算分析

阐述了季节能效比SEER的计算内涵,分析了SEER与EER的内涵关系,并对ARI210/240,JRA4048-2001,GB7725三大SEER计算标准进行了比较和总结.最后对几款机型在中国的几个城市的测算结果进行了分析,并提出了城市代表温度和功耗分布率的新概念.     

基于ANSYS的数控车床床身的动态特性分析

车床床身是生台机床的基础和支架,它的振动影响着零件的加工精度,由于PRO/E强大的建模功能及ANSYS的分析功能,本文在PRO/E中建立模型,在ANSYS中进行模态分析,提取了床身的前五阶模态,并分析床身的因有频率,振型及其动态特性.为设计者在床身的设计中提供理论依据,避免产生大的振型或者发生共振,从而保证整台机床的设计和加工精度.     

基于SolidWorks建立轴承标准件库方法的探究

针对机械设计中大量使用标准件的问题,从建立轴承库入手,利用SolidWorks软件环境进行轴承的建模,对常用的几种建模方法进行了分析和探讨,提出了装配特征建模法。在此基础上建立了轴承标准件库,并阐述了库的实际应用。     

采样频率对聚合经验模态分解的影响研究

根据聚合经验模态分解的特点对能量泄漏指数进行了修订,从非对准误差、能量泄漏、分解结果的正交性和相关性方面分析了采样频率对聚合经验模态的影响,分析结果显示离散化采样引起的非对准误差随采样频率的提高逐渐减小,而能量泄漏以及分解结果之间的正交性和相关性随采样频率改变近似呈周期性变化。并根据分析结果给出了聚合经验模态中采样频率的选取原则。算例结果表明,综合考虑上述各影响因素后,聚合经验模态较为理想的采样频率范围是信号最高频率的10.3~11倍。     

基于浮力的三维实体测量系统轴承摩擦补偿研究

在研究基于浮力的三维实体非接触自动测量系统由轴承支撑的横梁结构上,基于力矩平衡原则,设计了一种能够精确推导轴承摩擦力补偿公式的方案,并推导了满足三维实体非接触自动测量系统要求的轴承摩擦力补偿公式,通过试验验证了公式的准确性和合理性,并利用计算机进行数据的仿真分析,为基于浮力的三维实体反求工程的误差补偿提供数据和理论.