基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义.针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN-1D)方法.通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接...     

基于DSP的滚动轴承数据采集与处理系统设计

介绍了一种基于DSP的滚动轴承数据采集与处理系统,该系统以DSP芯片TMS320C6713为核心处理器,由数据采集部分、DSP数据处理部分、CPLD控制部分和PC机通信部分等组成。本文对其中的关键电路进行了介绍,并把该系统应用到滚动轴承的故障诊断中,取得了较好的效果。     

高速铣削汽轮机叶片表面残余应力影响因素研究

针对实际应用中汽轮机末级动叶片表面残余应力导致的失效问题,文章通过对不锈钢叶片进行不同工艺参数下的切削试验,研究了工艺参数对叶片表面残余应力的影响规律.由于叶片的疲劳损坏是由其表面层所受的拉应力引起的,表面层的残余压应力可抵消一部分拉应力,从而使叶片的疲劳强度得到提高.通过对不同组间的试验数据进行对比分析表明,提高主轴转速有利于残余压应力的加大,而温度热应力对残余拉应力起着主导作用.研究结果对于在不同加工参数条件下提高叶片表面的残余压应力,提高抗疲劳性能有一定意义.     

数控机床主轴轴承故障知识获取方法

提出了一种基于粗糙集理论的主轴轴承组件故障识别方法,针对具有连续属性的实验数据,将等间距聚类法引入连续属性离散化,通过应用区分矩阵算法进行决策表条件属性约简,提取了清晰、简明的故障模式规则。结果表明,该方法可以实现数控机床主轴轴承组件故障模式识别,在实际模式识别中具有很好的应用价值,可为数控机床机械部件故障诊断提供方法和依据。     

智能故障诊断系统模式研究

分析了故障诊断步骤及体系结构，讨论了故障诊断力祛集。对基于各种算法与人工神经网络集成构造的智能故障诊断系统进行了分析比较，提出了系统中存在的问题。提出了基于多算法与人工神经网络高度集成智能化的故障诊断系统模型框架。     

基于改进V-detector算法的转子故障识别方法研究

为了提高转子故障诊断识别准确率, 提出一种基于改进V-detector算法的转子故障辨识方法。首先对V-detector算法进行了改进, 该算法通过改变拒绝和接受假设检验的条件来减少无效检测器的产生进而提高算法的检测准确率; 然后将信号的谱熵值作为特征向量, 并根据转子故障类型将其划分为多个自体样本集, 用改进后V-detector算法训练出多个检测器集; 最后利用其设计出能够识别转子故障的分类器。仿真结果表明, 改进的V-detector算法能产生较少的检测器, 覆盖率由95%升高至99%时检测器数目无明显增加, 与原算法相比提高了故障的辨识精度。     

涡旋压缩机机构误差对密封间隙的影响分析

根据曲柄销防自转涡旋压缩机的结构,从平面杆件机构的基本原理出发,分析了机构尺寸误差引起动涡旋自转误差模型,并建立了动涡旋自转误差对动、静涡旋密封间隙影响的计算式,通过算例对曲轴回转一周自转误差引起密封间隙的变化及对压缩机气密性、稳定性和安全性的影响进行了分析讨论。结果表明,对于回转半径固定式曲轴结构的涡旋压缩机,由于曲轴偏心为定值,动涡旋逆时针自转时泄漏间隙增大使密封性能变差,泄漏增加。动涡旋顺时针自转时泄漏间隙减小,较大的自转角有可能造成动、静涡旋齿面硬接触,使摩擦损失增大,长时间运转涡旋齿易产生疲劳断裂,因此设计时应严格控制加工精度,减少尺寸误差带来的不利影响。     

风电机组风轮与主轴轴系的动力学耦合特性

针对叶片柔性振动引起叶轮与塔架间产生干涉、使叶根处发生疲劳破坏的问题,对叶片与主轴和主轴轴承间的相互作用关系进行探讨。依据刚柔耦合多体系统动力学理论,建立一种能够计算风轮与主轴轴系间耦合动态响应的低速轴端多体子系统的刚柔耦合动力学性能计算的仿真方法。该方法考虑了主轴轴承的刚度与阻尼、轴承结构间隙、叶片柔性以及叶轮风剪切效应间的相互耦合影响作用。以河西走廊某风场1.2 MW风电机组为例对所建模型进行验证。结果表明,转速与叶片间由于风剪切作用出现的气动力不平衡对主轴轴系的稳定性影响作用较大,该研究提出的方法能够模拟出气动力波动对系统稳定性的影响情况,能够计算获得叶片面内运动的动态响应规律。采用Blade软件进行的验证结果表明了该方法的有效性。     

基于云理论和Relief⁃F的滚动轴承故障识别方法

为了充分利用海量数据中蕴含的信息并对轴承故障进行有效识别,采用云理论方法将轴承的故障数据与其对应的故障类型进行映射,建立了滚动轴承在不同状态下各个特征的云分布模型,并依此构造出轴承故障的云判断知识库。同时,引入Relief-F算法确定训练集各特征的权重系数,结合云分布隶属度系数,提出了样本对于轴承故障的最终隶属度计算方法。通过根据不同数目的训练样本建立的云分类知识库在分类精度上的对比,证明了该方法具备对数据的学习能力。将该分类方法与常用的分类方法在含有噪声的测试样本上进行对比实验,证明了该分类方法在抗噪性方面的优越性。     

基于局部主成分保持投影的旋转机械故障数据降维方法

针对旋转机械高维故障特征集存在的特征冗余导致的分类困难问题,提出一种基于局部主成分保持投影(locality principal component preserving projection, LPCPP)的故障数据集降维算法。该算法将类间可分性判据、主成分计算两种思想与局部保持投影(locality preserving projection, LPP)相融合,使得算法具有剔除冗余特征、减小降维盲目性的能力,从而可以更好地保留能够反映机械运行状态的高价值密度的故障信息以及特征的主要成分。通过两个不同型号的双跨度转子系统的振动信号对所提算法进行验证,并分别以可分性指标和3种不同分类器的识别准确率对本算法的降维性能进行评价。结果表明,本算法能够达到降低故障分类难度与提高故障分类准确率的功能,其可为积累高价值密度的数据资源和基于“工业大数据”的旋转机械智能决策技术工程实现,提供一种数据运算的理论依据。