基于自适应深度残差网络的旋转机械故障诊断方法

针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。

多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

变转速极低标签率下旋转机械故障诊断的图注意力网络

在极低标签率情况下,现有的图神经网络(graph neural network,GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中,旋转机械常工作在变转速工况下,且标记故障样本代价高昂。针对上述两个问题,基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network,DGAT),提出了一种熵-图注意力网络,并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先,设计了基于JS相对熵的图构造方法,用于充分挖掘GNN中样本间的关联信息。其次,构建基于熵-动态图注意力网络的半监督学习模型,通过动态注意力机制进一步挖掘样本中故障敏感特征。最后,将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证,结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型,且性能优于其它常用的图神经网络。

AM-FM算子分解方法在滚动轴承故障诊断中的应用

基于算子的零空间追踪算法能够实现复杂信号的自适应分解,其关键在于信号模型的构造与求解。通过定义一种新的可完全消除调幅调频信号的调幅调频算子(AFO),进一步建立了一种基于AFO的信号分解新模型。为了提高参数对信号分解的鲁棒性,将非参数正则化(NPR)方法用于解决上述模型的约束优化问题,提出了一种基于NPR的自适应信号分解方法——NPR-AFO。论文将NPR-AFO方法引入到机械故障诊断中,并通过仿真和滚动轴承局部故障实测数据分析,与现有的其他分解方法进行了对比。结果表明:所提方法不仅可以有效的提取故障特征,而且状态故障特征更加明显。

集成全息希尔伯特谱分析及其在滚动轴承故障诊断中的应用

全息希尔伯特谱分析(holo-Hilbert spectral analysis, HHSA)是一种新的信号解调分析处理技术,其采用双层经验模态分解(empirical mode decomposition, EMD),能够有效揭示非线性或非平稳振动信号中的跨尺度耦合关系。但是,EMD在信号分解过程中存在严重的模态混叠问题,导致瞬时频率估计不准确,影响了HHSA的分析精度。基于此,提出了集成全息希尔伯特谱分析(ensemble holo-Hilbert spectral analysis, EHHSA)方法。同时为了更精确解调故障特征信息,通过对载波变量进行积分,定义了一种可以揭示调制特征的调幅边际谱分析方法。最后,通过对滚动轴承仿真和实测数据进行分析,结果表明:与传统谱分析方法相比,所提EHHSA方法及调幅边际谱的特征提取性能和噪声鲁棒性更强。

自适应噪声均值优选集成经验模态分解及其在滚动轴承故障诊断中的应用

为了提高自适应噪声完备经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)的分解能力和分解精度,解决CEEMDAN方法中噪声残留等问题,提出了一种改进的CEEMDAN方法——自适应噪声均值优选集成经验模态分解(mean-optimized ensemble empirical mode decomposition with adaptive noise, MEEMDAN)。MEEMDAN在迭代筛分过程中引入不同的权重,以正交性指标最小为依据,从不同权重下的分解结果中选取最优模态函数(IMF),确保了每一阶的IMF分量都是整体最优。通过仿真分析验证了MEEMDAN方法在分解能力和分解精度方面优于CEEMDAN方法。同时,将MEEMDAN和最大相关峭度反褶积相结合,并应用于滚动轴承仿真数据和实测数据分析,结果表明,与现有方法相比,所提方法能够更为准确地提取出故障特征频率,且在分解能力和抑制干扰频率方面更具有优越性。

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。

基于ANSYS的扭力杆装置疲劳寿命分析

基于ANSYS对含有内部缺陷的扭力杆装置多体接触模型在倾动力矩和预紧力配合作用下的复杂加载及其边界非线性进行有限元模拟。利用有限元模拟结果,结合编制的转炉疲劳载荷谱及其他相关参数,通过ANSYS/FE-SAFE计算得到扭力杆及联接螺栓的疲劳寿命分布、安全系数。应用相应的理论计算公式计算出扭力杆内部缺陷的疲劳扩展寿命,得到扭力杆芯部缺陷扩展寿命为9.77×105次,据此判断该扭力杆的疲劳裂纹扩展不会影响扭力杆的正常使用。

泵车臂架系统的力学性能研究及结构改进

以42 m混凝土泵车臂架系统为研究对象,建立臂架系统的三维实体模型,分析其最危险工况下的受力情况,采用标准接触对模拟臂架系统的连接,通过有限元计算得到臂架系统的危险部位。在此基础上,对其危险部位的结构进行改进,即在1#弯板两侧加焊补强板,并对改进后的结构进行对比分析。结果表明,1#弯板处应力明显下降,最大应力减幅达到16.96%,实际使用中改进效果良好,可将该改进结构引入泵车臂架系统的设计中。

1580 mm热连轧F2轧机集油盒连接销失效分析

针对某钢厂1580 mm热连轧F2轧机在轧制薄板时弧形齿接轴的集油盒连接销多次失效问题,对F2轧机传动系统及辊系进行了多次现场测试,并对测试信号进行时域和频域分析。建立了包括主传动系统、辊系、机架等轧机整体的三维有限元模型,针对其振动固有频率进行仿真计算,计算结果与测试结果基本一致,可确定轧机机组发生了共振,且优势频率对应的最大振动位移均出现在齿轮箱侧集油盒处,为进一步分析轧机振动特性及原因提供有效参考。

极点加权模态分解及其在故障诊断中的应用

经验模态分解(EMD)是一种自适应信号分解方法,由于其能够同时提供振动信号时域和频域的局部信息,在机械故障诊断领域得到广泛应用。受EMD思想的启发,基于相邻极值加权构造均值曲线,提出一种新的自适应信号分解方法—极点加权模态分解(EPWMD)。通过仿真信号分析,将提出的EPWMD方法与EMD和局部特征尺度分解(LCD)等方法进行对比,结果表明,与EMD和LCD相比,EPWMD方法在分解性能和分解精度方面有显著提高。最后,将提出的EPWMD方法应用于转子碰摩和滚动轴承局部故障信号分析,并与EMD方法进行对比,分析结果表明,EPWMD方法不仅能够有效识别故障特征,而且其诊断效果优于EMD方法。

自适应噪声加权优选经验模态分解及其在机械故障诊断中的应用

自适应噪声辅助集成经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)解决了集成经验模态分解在集成平均过程中的分解不完备问题,但噪声残留和虚假分量问题仍然存在。针对CEEMDAN的不足,提出了自适应噪声加权优选经验模态分解(Weighted Mean⁃optimized Empirical Mode Decomposition with Adaptive Noise,WMEMDAN)。该方法用改进的均值曲线构造方式提取内禀模态函数(IMF),以正交性最小为依据,从不同权重的迭代筛分结果中选取出最优IMF,改善了CEEMDAN的分解能力,同时通过对不同权重下的分解结果进行筛选,确保每一阶的IMF分量都是整体最优,减少虚假分量和残留噪声。仿真和实验信号分析结果表明,WMEMDAN在减少虚假分量和提高分解精度等方面具有优势。将所提方法应用于滚动轴承和齿轮的故障诊断,分析结果表明了方法的有效性和优越性。

基于自适应自相关谱峭度图的滚动轴承故障诊断方法

自相关谱峭度图通过最大重叠离散小波包变换对信号频谱进行分割,并选取最大峭度值所对应频带内的信号进行诊断分析。针对自相关谱峭度图方法在分割频带时因遵循二叉树结构而导致的频带划分区域固定问题,提出一种基于自适应自相关谱峭度图方法的滚动轴承故障诊断方法。自适应自相关谱峭度图方法以改进的经验小波变换为基础,对原始信号傅里叶谱进行包络与平滑处理后再分割,实现了自相关谱峭度图方法自适应分割频带的目的。通过仿真信号与实验数据分析,并将所提方法与快速谱峭度及自相关谱峭度图方法进行对比,结果表明,所提出方法能够准确地检测到合适的解调频带,同时其故障特征更加明显。

匀相窄波局部特征尺度分解方法及其在机械故障诊断中的应用

局部特征尺度分解(local characteristic-scale decomposition, LCD)方法在改善了经验模态分解(empirical mode decomposition, EMD)方法的同时,也继承了EMD的模态混叠问题。噪声辅助分解是解决EMD模态混叠问题的主要方法之一,但由于LCD对于噪声更加敏感,如果采用总体平均经验模态分解(ensemble empirical mode decomposition, EEMD)方法中的白噪声作为辅助信号不仅不能够有效地改善LCD中的模态混叠问题,还会产生较多的虚假分量。对此,提出一种改进的LCD方法——匀相窄波局部特征尺度分解方法(uniform phase local characteristic-scale decomposition, UPLCD)。UPLCD采用具有均变相位的窄波信号来代替白噪声作为辅助分解信号,能够在抑制LCD模态混叠的同时,避免白噪声带来虚假分量增多的情况。通过仿真信号分析,验证了UPLCD方法抑制模态混叠的有效性。并将所提出的方法应用到机械故障诊断中,和EEMD、LCD和匀变相位经验模态分解(uniform phase empirical mode decomposition, UPEMD)等方法对比,结果表明,所提出的UPLCD方法能够有效地处理旋转机械故障模态信号,在分解精度和抑制干扰信号等方面更具优势。

精细广义复合多元多尺度反向散布熵及其在滚动轴承故障诊断中的应用

多尺度反向散布熵能够有效度量时间序列的复杂性,但在粗粒化构造上存在缺陷,且在表征滚动轴承非线性故障特征时缺乏对其他通道同步信息的有效利用。为了准确提取轴承信号的故障特征,结合精细化和广义复合多尺度的思想,将表征同步多通道数据多变量复杂度的多变量熵理论应用到轴承故障诊断中,提出了精细广义复合多元多尺度反向散布熵(RGCMvMRDE)。在此基础上,提出了一种基于RGCMvMRDE与引力搜索算法优化支持向量机(GSA-SVM)的滚动轴承故障诊断方法。首先,利用RGCMvMRDE全面表征滚动轴承故障特征信息,构建故障特征集;其次,采用GSA-SVM对故障类型进行智能识别;最后,将所提方法应用于滚动轴承实验数据分析,并将其与现有基于多尺度反向散布熵、广义多尺度反向散布熵和精细复合多元多尺度排列熵的故障特征提取方法进行了对比。研究结果表明,所提RGCMvMRDE不仅能够有效和精准地诊断轴承的不同故障类型和故障程度,且诊断效果优于上述对比方法。

三排柱式回转支承非理想Hertz接触特性分析

传统方法对三排柱式回转支承的滚柱与滚道间的接触分析都是基于Hertz接触理论,然而滚柱与滚道的实际接触超出了Hertz接触理论的范围。针对该问题,重点研究了滚柱与滚道的非理想Hertz接触特性,得出了接触变形及接触应力沿滚柱轴向的变化规律。结合McEwen关于圆柱体法向接触理论,推导了滚柱与滚道接触区内部的应力场各应力分量解析表达式,并讨论了滚道失效与应力之间的关联。最后,建立了滚柱与滚道接触的3D有限元模型,仿真结果表明,接触区的应力分布与解析解基本吻合,结论可为三排柱式回转支承的设计与制造提供参考。

基于二维多尺度时频散布熵的滚动轴承故障诊断方法

多尺度散布熵(multi-scale dispersion entropy,MDE 1D)是一种有效衡量一维振动信号复杂性特征的非线性动力学分析法,但其仅能反映振动信号时域中的复杂性特征,无法完整反映振动信号频域的非线性动力学信息。为此,在二维散布熵(two-dimensional dispersion entropy,DE_(2D))的基础上,提出二维时频散布熵(two-dimensional time-frequency dispersion entropy,TFDE_(2D))用于衡量时间序列的时频复杂性特征。同时,为更完整地反映时频分布在不同尺度下的复杂信息,受多尺度粗粒化启发,将传统粗粒化方法拓展到二维多尺度粗粒化,提出了二维多尺度时频散布熵(two-dimensional multi-scale time-frequency dispersion entropy,MTFDE_(2D)),用来量度振动信号时频分布的多尺度复杂性特征。在此基础上,将其应用于滚动轴承故障诊断中的非线性特征提取,提出一种基于MTFDE_(2D)和萤火虫优化支持向量机的滚动轴承智能诊断方法。最后,将所提方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,所提方法不仅能有效地提取故障特征,实现不同轴承故障类型和故障程度的有效诊断,且诊断效果优于对比法。

自适应掩膜信号集成局部特征尺度分解及其应用

局部特征尺度分解(LCD)是为克服经验模态分解(EMD)中均值曲线构造的不足而提出的一种自适应信号分解方法,已被应用于机械故障诊断领域.但LCD存在与EMD类似的模态混叠问题,为此,基于均匀相位差掩膜信号构造,提出了自适应掩膜信号集成局部特征尺度分解(AMSELCD),该方法不仅能够将一个复杂信号自适应地分解为若干个本征模态函数和一个剩余项之和,而且能够有效地解决LCD的模态混叠现象.通过仿真信号分析,将AMSELCD与现有多种抑制模态分解方法进行了对比,结果表明了所提方法的有效性和优越性.最后,针对滚动轴承和转子碰摩故障振动信号的调制特征,将所提AMSELCD方法应用于转子碰摩和滚动轴承的故障诊断,对比和实验分析结果进一步验证了所提方法的有效性和优越性.