基于边缘图注意力网络的轴承智能故障诊断

基于欧几里德空间的数据包含着节点和边的关系信息,比传统的欧几里得空间的数据具有更多信息。然而,传统的图卷积以及图注意力网路注重于节点信息的提取,对于边的信息利用不够充分。对此,通过结合可视图算法和边缘图注意力网络（EGAT）,将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。诊断过程分为两步：利用可视图算法将原始信号转化为图数据;利用EGAT对故障特征进行学习,然后即可进行故障诊断。实验结果表明：图卷积网络在单一轴承故障分类任务上能够达到 100%的准确率,表明所提出的方法对于轴承故障诊断具有明显的作用。     

基于Pro/E族表的传动滚筒参数化建模

主要介绍了使用Pro/E的族表实现传动滚筒的参数化建模方法。首先,对其各零部件进行建模,产生通用零件,然后把各零部件的控制参数建成族表,最后建立装配族表,完成滚筒的系列化。当组件参数族表化实现后,进入该组件,只需选取相应名称便可得到该参数下的实体模型,从而有效地提高了实体建模速度,缩短了设计周期,具有较高的实用价值。     

有限元法公析齿轮面摩擦力对轮根弯曲应力的影响

在齿轮传动设计中,为了更准确地计算出主动轮的齿根弯曲疲劳应力,考虑了齿轮齿面间的摩擦力并建立了较精确的有限元模型,以主动轮处于齿顶啮合位置时的轮齿为研究对象,利用有限元法分析了齿面摩擦力对齿根弯曲疲劳应力的影响,提出了摩擦力影响因子的影响系数。研究结果表明,齿轮传动设计中。两轮齿齿面间的摩擦力不可忽略。     

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下,可用数据稀缺,导致智能诊断模型对轴承健康状态识别精度较低这一问题,提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of EfficientNetV2,TSTE)的滚动轴承故障诊断新方法。首先,将模型在轴承全寿命周期数据集中训练,之后冻结模型浅层权重,将其在多工况轴承数据集中训练,进行第一次迁移学习。其次,通过构造类不平衡数据集,研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后,基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）过采样方法与编辑最近邻（Edited Nearest Neighbors,ENN）欠采样方法对故障数据进行扩充,使类不平衡数据集重构为类平衡数据集。最后,将模型在类平衡数据集中训练,冻结模型底层权重,训练模型深层,进行第二次迁移学习,使模型掌握平衡数据集故障特征。通过多种指标进行实验评估,同时与其他方法进行对比,并使用GradCAM方法进行了特征可视化。结果表明,所提方法能够将模型在实验室环境下积累的故障诊断知识应...     

EEMD和TFPF联合降噪法在齿轮故障诊断中的应用

为了消除噪声对齿轮传动系统故障特征提取的影响,提出了一种基于集成经验模态分解(ensemble empirical mode decomposition,简称EEMD)和时频峰值滤波(time-frequency peak filtering,简称TFPF)相结合的降噪方法。针对TFPF算法在窗长的选择方面受到限制的问题,采用了EEMD方法对其进行改进,使得信号在噪声压制和有效信号保真两方面得到权衡;含噪声的信号经过EEMD分解后,得到一系列频率成分从高到低的本征模态函数(intrinsic mode functions,简称IMFs),计算出各IMFs间的相关系数,判断需要滤波的IMFs。对不同的IMFs选择不同的窗长进行TFPF滤波,把过滤后的IMFs和剩余的IMFs重构得到最终的降噪信号。用模拟仿真信号和齿轮齿根故障信号对该方法进行验证,可见EEMD+TFPF能有效地去除噪声,成功提取齿根裂纹故障特征。     

带式输送机重型传动滚筒的有限元分析

使用三维造型软件Pro／E创建带式输送机传动滚筒装配体的模型,采用大型有限元分析软件ANSYS对其进行静力学分析,得到传动滚筒的应力和变形的分布规律,根据分析结果提出了传动滚筒结构设计的要点,为其优化设计提供了基础。     

基于CMF-EEMD的风电齿轮箱多故障特征提取

针对EMD(empirical mode decomposition)模态混叠现象和由于所添加白噪声幅值单一而影响EEMD(ensemble empirical mode decomposition)分解精度等问题,提出了一种新的信号处理方法CMF-EEMD。CMF(combined mode function)将EMD分解得到敏感的IMFs按高低频进行组合,形成两个包含高低频的本征模态函数Ch和CL,然后通过添加不同的白噪声幅值对Ch和CL分别进行EEMD分解,最后对敏感的IMFs进行循环自相关函数解调分析。将提出方法应用于仿真信号和风力齿轮箱试验台的振动信号,成功提取了多故障特征频率,验证了此方法的有效性。并通过与添加单一白噪声幅值进行对比分析,凸显此方法具有更高的分解精度。     

基于G-YOLO网络的滚动轴承故障诊断方法

滚动轴承是旋转机械设备中非常重要的零部件,将深度学习在目标检测和图像分类领域内的优势用于轴承故障诊断,提出G-YOLO智能诊断模型。首先利用格拉姆角场将轴承的时域振动信号转化为特征图像,其次将特征图像输入到G-YOLO智能诊断模型中,通过研究转化参数、网络结构、模型参数等得到最优结果。为了验证模型的优越性,采用西储大学轴承数据集中几组对应不同直径的具有同一类故障轴承的数据进行试验,同时引入目标检测领域内精确率、召回率、F1分数、均值平均精度4种指标对G-YOLO模型诊断结果进行评估,平均精确率达95.36%,召回率达到96%,证明了该方法的有效性与可行性。     

基于拉普拉斯特征映射的旋转机械故障识别

针对旋转机械故障特征信号复杂且难以提取有效特征量的问题,提出一种基于拉普拉斯特征映射算法(Laplacian Eigenmap,LE)的旋转机械故障识别方法。对旋转机械三类典型故障的监测信号进行提取和转换得到26个时域和频域特征量,在由此构建的高维特征空间中,利用LE算法进行特征融合,提取隐藏在高维特征空间中的故障本质和规律进行故障样本分类识别。利用二维或三维图像表示提取出的低维结果,以样本识别率及聚类分析中的类间距Sb和类内距Sw作为衡量指标,从模式识别的角度进行分析。结果表明:较之主元分析法(principal component analysis,PCA)和核主元分析法(kernel principal component analysis,KPCA),LE方法能够更好地从高维特征空间中提取出有效特征量表征设备运行状态,实现旋转机械典型故障的分类识别。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。