基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

转子系统振动信号的小波分析原理与应用研究

分析了小波变换对非平稳信号的时频局部细化分解原理,指出小波分析工程应用的核心是对信号子频带信息的深层利用。通过对滑动轴承支承的转子系统正常及轴颈发生瞬态碰摩两种状态信号小波分解结果的利用,对子频带信息的能量特征量和小波域信息熵相对变化率进行了计算。结果表明,小波域能量比和信息熵相对变化率可以准确地探测与定位系统内轴颈瞬态碰摩故障,具有量化系统异常变化程度的能力。     

基于EEMD能量矩与邻域粗糙集的转子故障数据集分类方法

针对旋转机械故障辨识准确率偏低的问题,将经验模态分解（ensemble empirical mode decomposition,EEMD）与能量矩、邻域粗糙集（neighborhood rough set,NRS）结合提出一种转子系统故障模式辨识的方法。首先利用EEMD将采集到的振动故障信号自适应分解成若干个平稳的本征模态函数（intrinsic mode function,IMF）分量并计算其能量矩;以此能量矩作为描述故障状态的条件属性建立故障识别决策表;然后利用邻域粗糙集对决策表进行属性约简消除冗余的属性;最后将约简后的敏感特征子集输入所设计的决策树（decision tree,DT）C4.5 算法中进行模式识别。通过典型转子实验台的故障特征集验证了该方法的有效性。     

基于LabVIEW的数据采集与反馈控制通讯系统

针对传统的转子振动测试方法所需仪器较多、可靠性较差和成本较高等缺点,基于虚拟仪器技术,利用LabVIEW强大的图形化编程环境和adlink公司的数据采集卡,开发了一套先进的数据采集与处理系统.该系统以转子为研究对象,实现了多通道的数据采集、数据实时分析和数据保存等功能,同时利用LabVIEW中的VISA模块,完成了对转子转速的反馈控制.试验结果表明:系统操作简单,运行稳定,可扩展性良好,是一款功能强大、性价比高的分析软件.     

基于CHI-LMD方法的转子振动信号分析

为解决三次样条插值(Cubic Spline Interpolation)局部均值分解(Local Mean Decomposition)(CSI-LMD)方法的分解精度及计算效率偏低问题,提出了一种利用三次Hermite插值(Cubic Hermite Interpolation,CHI)和正交性准则(Orthogonality Criterion,OC)对CSI-LMD进行改进的新方法。该方法首先以三次Hermite插值代替三次样条插值,求解信号的上/下包络线及均值曲线;其次,用OC判据作为分解过程中乘积函数(Product function,PF)迭代结束的判断条件;最后,与LMD方法的其他步骤相结合,形成了一种新的CHI-LMD方法。仿真和实验结果表明,CHI-LMD方法在分解精度、时间消耗、PF分量的正交性以及分离故障转子的特征振动成分等方面,比CSI-LMD方法更具优势。     

驱动轴承内嵌式涡旋压缩机特性分析

对驱动轴承内嵌于动涡旋齿中的涡旋式压缩机的几何特性进行了研究分析,引入了涡旋型线始端展角和终端展角,使吸气容积、吸气角、排气容积、排气角、内容积比等几何参数计算式的应用更为方便,它不仅适用于涡旋型线为整数圈的情况,而且也适用于涡旋型线为非整数圈的情况。将动涡旋的驱动轴承安置于涡旋齿中,可以在结构设计上达到减少气体力和动涡旋离心惯性力对动涡旋产生的倾覆力矩的目的,从而改善了驱动轴承的受力状况。延长了使用寿命。     

全局与局部判别信息融合的转子故障数据集降维方法研究

针对传统的数据降维方法无法兼顾保持全局特征信息与局部判别信息的问题,提出一种核主元分析（Kernel principal component analysis,KPCA）和正交化局部敏感判别分析（Orthogonal locality sensitive discriminant analysis,OLSDA）相结合的转子故障数据集降维方法.该方法首先利用KPCA算法有效降低数据集的相关性、消除冗余属性,由此实现了最大程度地保留原始数据全局非线性信息的作用;然后利用OLSDA算法充分挖掘出数据的局部流形结构信息,达到了提取出具有高判别力低维本质特征的目的.上述方法的特点是通过同时进行的正交化处理可避免局部子空间结构发生失真,采用三维图直观显示出低维结果,以低维特征子集输入最近邻分类器（K-nearest neighbor,KNN）的识别率和聚类分析之类间距Sb、类内距Sw作为衡量降维效果的指标.实验表明该方法能够全面地提取出全局与局部判别信息,使故障分类更清晰,相应地识别准确率得到了明显提升.该研究可为解决高维和非线性机械故障数据集的可视化与分类问题,提供理论参考依据.     

大型水平轴式风力机的国内外研究状况分析

在对大型风力机的国内外研究状况进行分析的基础上，探讨了国外将投入运行的风力机作为研究对象，将风力机的运行参数与风资源评估进行结合。从提高风力机运行可靠性的视点出发，提出了应广泛开展关于风力机的空气动力学、结构动力学、微气象学研究及其耦合问题研究，加大风力机运行参数测试与数据分析研究的新看法。     

双馈变速恒频风力发电机组两种传动链动力学模型建模及分析

以双馈变速恒频风力发电机组两种传动链动力学为研究对象,应用拉格朗日能量法及多体动力学基本原理,建立两种传动链的动力学模型,分析主轴轴承数目的变化和齿轮啮合时弹性变形引起的固有频率的变化,为风力发电机组的设计和应用提供理论依据和技术支撑。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法.从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式...