广义Morse解析小波变换在机械故障诊断中的应用研究

提出了一种基于广义Morse小波变换的机械故障诊断方法。研究了广义Morse小波相比常用的Morse小波是一种完全解析特性,因此广义Morse具有其他非解析小波所不具有的优势。将该方法应用于某空分机的故障诊断中,并成功提取出重要的故障特征信息,结果证实了该方法可为机械故障诊断提供一条新途径。     

基于经验模式分解和一维密集连接卷积网络的电液换向阀内泄漏故障诊断方法

内泄漏作为电液换向阀常见的故障类型,其故障振动信号具有非平稳性、非线性等特点,且容易被其他信号淹没、破坏。对此提出了一种经验模式分解(Empirical Mode Decomposition,EMD)和一维密集连接卷积网络(Densely Connected Convolutional Networks,DenseNet)的电液换向阀内泄漏故障诊断方法。该方法首先利用EMD对振动信号进行分解得到一系列本征模态分量(Instrinsic Mode Function,IMF),并将IMF分量和原始振动信号依次进行并联堆叠;然后将并联堆叠信号作为一维密集连接卷积网络的输入进行特征的自动提取,并进行故障分类;最后通过DenseNet与传统的一维卷积神经网络(CNN)对比验证得出,该方法能准确、有效地对电液换向阀内泄漏故障进行诊断。     

运行模态分析方法综述

运行模态分析(OMA)是结构动态设计和机械故障诊断的一种重要方法,是系统辨别方法在工程振动领域中的应用.为了在结构动态设计和机械故障诊断中更好地运用该方法,从频域方法、时域方法以及时频分析方法三个方面,综述了运行模态分析国内外研究现状,指出了其关键技术、存在问题以及研究发展方向.     

基于ASP模式的区域性制造业信息化技术服务网络

探讨现有ASP应用服务的各种基本架构 ,提出应用Microsoft .NET技术建立区域性制造业ASP服务平台的设计方案 ,并构建了ASP服务平台     

基于区间B样条小波有限元的转子裂纹定量识别

研究一种基于区间B样条小波有限元的转子横向裂纹定量识别方法.构造包含转动惯量影响的区间B样条小波Rayleigh梁单元,高精度求解裂纹转子前三阶固有频率,获得裂纹相对位置和相对深度作为变量的固有频率解曲面.然后将实测的裂纹转子前三阶固有频率作为裂纹识别问题的输入,利用三条等高线的交点定量识别出裂纹存在的相对位置和相对深度.数值仿真和试验研究结果表明,该方法鲁棒性强,单元数量少,辨识精度和效率高,为转子系统裂纹定量识别提供了新方法.     

基于Laplace小波相关滤波的结构模态参数精确识别方法

为了从结构脉冲响应信号中精确识别结构模态参数,提出一种基于Laplace小波相关滤波的结构模态参数精确识别方法。首先对结构的脉冲响应信号进行经验模式分解,将结构多阶模态响应信号分解为与各单阶模态响应信号一一对应的分量,再对这些分量分别进行Laplace小波相关滤波便可准确识别结构的各阶模态参数。仿真信号的计算结果表明该方法可以得到精确的阻尼固有频率,并能准确地锁定阻尼比。悬臂梁力锤激励试验结果表明该方法在实际结构的模态参数识别中也非常有效。     

嵌入式掘进机截割头主轴工作状态监测诊断系统研究

掘进机故障自诊断系统是当今掘进机机器人化的关键技术之一,也是掘进机发展的重要方向。针对国内掘进机截割头主轴面临的故障频发特点及现有故障诊断系统不能满足现实需要的问题,结合截割头运行故障特性,对掘进机故障诊断软硬件系统进行研究。设计了嵌入式系统,对掘进机截割头主轴工作状态的实时监测、故障预知和自诊断等功能,为进一步提高掘进机工作效率和工作安全可靠性奠定了基础。     

基于水平集方法及COMSOL的弹性结构拓扑优化

针对现有弹性结构拓扑优化方法计算效率差、结构边界不光滑等缺点,提出了一种基于水平集方法及COMSOL的弹性结构拓扑优化方法。优化方法利用水平集函数作为设计变量,结构的整体柔度最小为目标函数,实体材料所占的体积比为约束条件,结合COMSOL偏微分方程(PDE)模块中反应扩散方程有限元求解弹性结构拓扑优化问题。该方法与密度惩罚法相比,得到了光滑的结构边界;与传统的水平集法相比,不用有限差分求解复杂的Hamilton-Jacobi方程,摆脱了柯朗-弗里德里希斯-列维(CFL)条件的限制,提高了计算效率。数值算例结果表明该方法能够提高计算效率并获得光滑的结构边界。     

基于MEEMD的滚动轴承故障诊断方法

提出了一种改进的集总平均经验模式分解(MEEMD)滚动轴承的故障提取方法。对采集得到的振动信号进行MEEMD分解,获得不同频率的本征模式函数(IMF);对各个本征模式函数进行包络谱分析;最后通过包络谱特性反映出来的频谱信息诊断出轴承故障。滚动轴承内外圈故障仿真和实验研究表明:MEEMD方法能有效地应用于轴承的故障诊断。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。