基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

基于Radon-经验模式分析的纹理分类

目的 纹理分类是机器视觉和设备状态检测研究的核心技术,在工业生产领域起着重要的作用。高效的纹理分类方法不仅可以提高生产效率,还可以大幅提高产品的质量和可靠性。针对工业生产中图像纹理提取计算方法复杂等缺陷,提出一种1维化图像的纹理分类方法。方法 在图像1维化基础上,将其视为一类特殊的时域信号,引入EMD(empirical mode decomposition)特征计算方法。具体包括,通过Radon变换将2维信号1维化,评价投影信号以选取有利于分类的投影方向;对投影信号进行端点效应抑制和经验模式分解,并根据各个IMF(instrinsic mode functions)分量与原始信号构建纹理特征集;对特征集进行主成分分析,简化压缩特征集以降低特征集维数;结合支持向量机对特征集进行分类有效性评估,建立最优分类决策体系。结果 在Brodatz和KTHTIPS数据集上展开了多尺度、多方向等纹理分类实验,取得了满意的纹理分类结果。建立了基于网点纹理识别的印刷机状态检测系统,实现了工业生产应用。通过分析多幅Brodatz图像进行了特征提取速度对比,本文方法耗时5 s左右,而GLCM、Gabor滤波分别为9.5 s和24 s左右。结论 1维投影信号的IMF特征对于纹理特征有着很好的识别效果;由于进行了旋转投影选择并计算了统计特征,使得该方法对于多方向和多尺度纹理同样有效;所提出方法有着较高的计算效率。     

印刷机设备状态监测与故障诊断研究进展

通过对国内外印刷机状态监测与故障诊断研究情况和发展趋势的分析,认为当前对印刷机监测的研究主要集中在振动信号的测试研究、专家经验知识的应用、模式识别算法引入等几个方面,并论述了当前基于印刷图像处理的印刷机故障诊断这一新方向的研究情况。由于印刷机不断朝着高速度、高精度、高自动化程度方向发展,传统故障诊断方法在印刷机系统中的应用已受到很大限制,研究认为,兼顾多元信息实现全面状态监测,融合经验知识与先进识别算法建立故障决策体系,从印刷画面信息中提取设备参数,将是今后印刷机故障诊断研究的重点。     

基于振摆信息融合的水电机组状态预测及符号化表征研究

该文以水轮发电机组振动和摆度信号为对象,开展机组运行状态的预测和表征方法研究。通过主成分分析,将水电机组振摆信号进行数据融合研究,实现多组信号的融合,并且大幅降低数据计算量;依托循环神经网络模型,对融合信号进行时间序列建模,根据已知样本预测机组信号;开展机组状态表征研究,提出融合信号的符号熵特征;以我国西南地区某轴流式水电机组为实验对象,获取多种工况下的振摆数据,通过计算得到的预测信号与原始信号平均R2系数大于0.9,验证了所提出方法的有效性。该研究依托深度学习和符号熵分析方法,实现了机组振摆信号的融合、预测及表征。     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型：首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。     

凹印机烘干装置风嘴横风板结构参数研究

目的研究凹印机烘干装置风嘴横风板结构参数与风场分布的关系,以提高烘干系统热风利用效率。方法通过流体力学输纸模拟计算,对比仿真计算分析不同宽度横风板风嘴的风场,选取风场的迹线图和承印物表面的压力分布为主要评估标准,分析了涡流、迹线和压力分布随横风板长度的变化规律。结果随着横风板长度的增加,涡流逐渐向承印物表面接近,迹线在承印物表面处密度增加,承印物表面整体压力略有下降,压力分布更加均匀。结论在风嘴出风口区域增加横风板有利于提高热风利用率,可使承印物表面风场分布更加均匀。为凹印机烘干风嘴结构设计及优化提供了理论依据。     

印刷星标的Gabor纹理特征分析与自动识别研究

印刷星标是判断水墨平衡的重要方式,由于其同时受到水墨关系与光照等因素影响,难以通过一般灰度分析方法准确判断,故提出通过图像纹理识别星标,以实现水墨状态的自动判断。内容包括印刷星标的采集与预处理,基于2D-Gabor的印刷星标纹理特征提取与融合PCA分析的纹理特征集降维,最后利用SVM实现决策网络的构建,实现了印刷机工作中对星标的自动识别,相关研究结果在减少调试维修设备工时和成本、提高印刷调节效率、快速实现水墨平衡等方面具有实际应用价值。     

熔融沉积成型喷头系统的研究进展

熔体堵塞喷头、产品成型精度低是熔融沉积成型（FDM）技术潜在的隐患。优化FDM喷头系统有利于降低设备工作故障的发生率,提高成型品的品质和打印效率。打印过程中,喷头系统的工作状态复杂多变,本文主要从喷头系统的流道结构、散热装置、加热装置以及喷嘴等方面入手,综述了近年来喷头系统的国内外研究进展和发展动态。通过研究分析,指出喷头系统是FDM设备的工作核心,现有的喷头系统面临着巨大的挑战。但是随着前沿技术地不断发展,未来的喷头系统将会有效地应对这些挑战,其潜在的方向和发展趋势将会打破FDM设备的局限性,极大地满足人们对产品的需求。     

图像处理的印刷机杠子特征参数提取

杠子是常见的一种印刷故障,杠子产生的原因和解决的办法是印刷领域研究的难点,提出了一种基于图像处理的杠子特征参数提取方法。用CCD采集待检测印刷图像,求印刷图像与标准图像的差分图像,可得到杠子的缺陷图像,通过数学形态学提取杠子图像特征参数,判断杠子故障的产生原因。通过J2108印刷机实例验证了方法在印刷机杠子诊断的可行性。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。