一维卷积神经网络实时抗噪故障诊断算法

针对旋转机械智能诊断方法计算量大和抗噪能力差的问题,在经典模型LeNet-5的基础上提出基于一维卷积神经网络的故障诊断算法.采用全局平均池化层代替传统卷积神经网络中的全连接层,在降低模型计算量的同时,降低模型参数数量和过拟合的风险;利用随机破坏后的时域信号进行训练以提高其抗噪能力;采用改进后的一维卷积核和池化核直接作用于原始时域信号,将特征提取和故障分类合二为一,通过交替的卷积层和池化层实现原始信号自适应特征提取,结合全局平均池化层完成故障分类.利用轴承数据和齿轮数据进行实验验证并对比经典模型LeNet-5、BP神经网络和SVM.结果表明:采用全局平均池化层可有效降低模型计算量,提高模型在低信噪比条件下的诊断精度,采用随机破坏输入训练策略可显著提升模型的抗噪诊断能力;改进后的模型可以实现噪声环境下准确、快速和稳定的故障诊断.通过t-SNE可视化分析说明了模型在特征学习上的有效性.     

基于排土量与注浆量的盾构施工地表沉降预测

盾构法已成为隧道施工最主要的方法.通常盾构租赁方和施工方是各自独立的,该方法的提出可以使盾构租赁方仅凭盾构机本身而不依赖于施工方的测量数据便可知悉地表沉降情况,从而掌握施工状况.对Peck公式进一步推导,实现仅根据盾构施工的排土量与注浆量数据就能对地表沉降值进行预测.提出了利用电子皮带秤动态测量输送机上散料质量,通过积分法切片累加的排土量测量方法,以及通过拉绳位移传感器和压力传感器甄别注浆有效性的注浆量测量方法,实现通过盾构机有效获取排土量与注浆量数据.在上海某区间的实际运行测量试验,验证了利用排土量与注浆量预测施工隧道最大地表沉降值的方法是行之有效的.     

基于深度学习的机械设备健康管理综述与展望

随着机械设备的自动化与智能化程度日益提升,人们对机械设备健康管理的要求也越来越高,得益于海量大数据的积累和计算机技术的发展,除了传统的机器学习方法以外,深度学习方法凭借其极强的非线性拟合能力逐步进入人们的视野。首先介绍现有的深度学习方法以及这些方法各自与机械设备健康管理的结合,然后综述了深度学习在制造业的具体应用,包括代替肉眼检查裂纹、实现设备自我诊断、异常提前感知、施工质量监测。接着指出要实现对机械设备智能化健康管理的必要基础是大批量、高质量、覆盖面广的全生命周期数据,并结合国内外基于机械设备全生命周期数据的故障识别及预诊相关研究说明其重要性。最后提出了基于深度学习的机械设备健康管理的研究趋势和面临的挑战。