基于动态卷积胶囊网络的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方式泛化能力较薄弱的问题,提出一种动态卷积胶囊网络(DC-CapNets)的滚动轴承诊断方法。首先,将一维振动信号进行预处理,划分训练集和测试集;然后,采用快速傅里叶变换(FFT)对训练集和测试集样本进行时频转换;模型使用两个动态卷积层和池化层对输入频域信号进行特征提取,并将特征信息传输到胶囊网络中,从而得到诊断结果;通过CWRU(西储大学)数据集验证表明,这种方法在噪声和变载荷工况下仍保持较高的故障诊断准确率,具有良好的抗噪性和泛化性,优于卷积神经网络(CNN)和深度神经网络(DNN)。

地方高校机械类专业新工科建设特色发展与实现路径研究

地方高校立足自身办学的优势与特色、继承与创新、交叉与融合,探索传统机械类专业新工科建设特色发展与实现路径。构建“校企协同育人,创新创业教育相融”人才培养新模式;优化设计通专兼顾的人才培养方案,形成知识、能力和素质一体化培养的特色课程体系;规划项目式为链条的课程设计实践教学体系,实施“以赛促学、学以致用”为主线的课外实践教学体系;明晰“分享人才红利”是企业参与办学的主要内在驱动力,以质量吸引企业、以多种方式积极参与人才培养,主动组成多主体办学的利益共享体,从而达到进一步提升专业优势与特色的办学目的。

基于滑动窗口一维卷积自编码器的滚动轴承故障实时诊断

针对滚动轴承故障检测的特征自适应问题以及工业互联网边缘计算需求,提出一种基于滑动窗口一维卷积自动编码器(SW1DCAE)的无监督滚动轴承故障诊断方法。首先,将一维卷积与自编码器有效结合,同时加入节点随机丢弃技巧,提高模型的学习能力并防止过拟合;然后,将滑动窗口算法引入模型,针对性的塑造样本,提高模型性能,控制模型响应时间;最后,利用预训练SW1DCAE模型的编码层,与全连接层、Softmax分类层构成分类模型进行轴承故障诊断。试验结果表明:SW1DCAE模型具有良好的数据重构能力,故障分类准确率优于传统的自编码器和卷积神经网络,而且占据存储空间小,运算量低,可搭载于嵌入式系统进行在线检测。

石油生产中有杆抽油机故障诊断研究

及时发现并排除抽油机故障对于降低生产成本、提高油井产量具有重要作用。由于抽油机故障种类多,测量的悬点示功图形态多样且容易受环境噪声的影响,测量数据的区分性特征难以提取,造成通过传统神经网络进行故障诊断时的准确率较低。为提高抽油机故障诊断的精度,提出一种基于深度信念网(DBN)和支持向量机(SVM)混合模型的抽油机故障诊断方法。采用深度信念网从样本示功图图像中学习特征,支持向量机根据特征判断抽油机的故障类别。深度信念网和支持向量机的结构参数均使用网格寻优的方法进行优化。实验结果表明,DBN和SVM方法避免了复杂的人工提取数据特征的过程且具有较高的识别准确率和识别速度,同时与其它方法相比具有更好的性能。

基于模拟退火算法的燃料电池建模

提出了一种基于模拟退火算法的优化建模方法,描述了模拟退火算法在燃料电池建模研究中的应用。结果表明,这种方法建立的数学模型和实验数据之间能够达到很高的拟合精度,平均平方误差为0.000 3%,相关系数达99.9%,接近最优结果。

基于电磁场的PEMFC电流分布实时非接触测量研究

针对质子交换膜燃料电池(PEMFC)内部电流密度分布不易被检测到的问题,提出一种基于检测电池外部磁感应强度并对检测数据运用奇异值分解进行处理分析从而得到电池内部电流分布的实时非接触测量方法。对有效反应面积为80mm?80mm的质子交换膜燃料电池建立单体数学模型,分别对电流均匀分布以及局部电流过低两种情况下的电池模型进行了外部磁场仿真分析,并利用仿真所得磁场检测点数据对电池内部电流分布进行计算。计算结果表明,在PEMFC电流均匀分布,或在电池局部电流过低的情况下,该算法得到的计算结果与仿真磁场的电流设定值相符合。

PEMFC电流分布对外部磁场影响的研究

提出一种基于PEMFC外部磁场分布判断内部电流密度分布的非接触测量方法。首先从PEMFC数学模型出发,以过氧量为例讨论了电流密度分布和工作状态之间的关系。然后采用ANSOFT/MAXWELL 2D静磁场对燃料电池内部电流分布与周围磁场分布的关系进行仿真,最后利用仿真结果判断得到电池内部电流分布情况。结果表明,PEMFC外部磁场分布与电池内部电流密度分布直接相关,由外部磁场的分布可以判断得到内部电流密度分布情况,从而掌握电池工作状态,且不会对电池内部工作产生干扰。

三平动绳牵引并联机器人轨迹预处理算法

研究了一种新型飞行摄像平台,能够实现摄像机在大范围的三维空间内可以沿任意轨迹快速运动的摄像平台;摄像平台的运动由四台伺服电机带动四根缆绳并联拖动;绳牵引并联机器人是一种将电机的运动和力以绳为介质并行地转换为末端执行器运动和力的装置,具有结构简单、工作空间大、惯性小等优点;运动过程中满足轨迹光滑、不能出现停顿、振动,为了获得连续、平稳、无噪声的轨迹,文章采用轨迹预处理的方法,当出现轨迹不光滑,且影响了拍摄质量的情况下,采用三次样条圆弧插补的方法对其进行光滑处理,仿真结果表明该圆弧插补预处理算法能够很好地解决吊舱在高速运行而引起加速度过大的问题,进而达到提高运行效率的目的。

质子交换膜燃料电池混合建模研究

支撑向量机(SVM)理论完备,泛化能力强,很适合对燃料电池建模。但是建立高维SVM模型需要大量的实验数据,为了克服这一困难,使用SVM和压力增量机理模型相结合的方法对质子交换膜燃料电池进行混合建模:SVM模型只考虑电流和温度对电压的影响,而压力增量模型则在此基础上预测阴极压力和阳极压力对电压的影响。混合后的模型能够预测不同电流、温度、阴极压力和阳极压力下的输出电压。结果表明这种方法建立的数学模型误差小于1.6%,能够达到很好的拟合精度。

油井抽油机位移加速度信号优化控制

研究抽油机位移加速度信号优化问题。在抽油机抽油过程中,悬点位移难以直接获取。利用位移和加速度之间的关系,采取中值滤波、低通和带通滤波对加速度信号进行处理,再利用加速度积分算法得到位移。仿真验证上述方法能够很好地去除噪声和积分趋势项,对比了不同噪声强度下时域积分、时频域积分、频域积分所得位移和理想位移的标准差,得出在噪声较小时,时域积分效果较好,噪声较大时,时频域积分效果较好的结论,为以提高对位移加速度信号控制的性能。

CNN-SVM模型在抽油机井故障诊断中的应用

针对传统的示功图识别方法对抽油机井进行故障诊断存在人工选取示功图特征,识别准确度低等问题,基于人工智能理论,提出一种卷积神经网络(CNN)和支持向量机(SVM)相结合的示功图智能识别模型。利用卷积神经网络对示功图图像特征自动提取,利用支持向量机根据提取的深层图像特征给出故障诊断结果。结果表明,将CNN与SVM结合用于示功图识别不仅省去了人工选取示功图特征这一环节,而且识别准确度也高达99.71%,测试性能优于其他识别模型。该模型的提出为抽油机井故障的快速准确诊断提供了可行的解决方案,对油田高效作业具有重要意义。

深度信念网在油井功图识别中的应用

针对油井功图识别中存在的一些问题,提出了一种基于深度信念网的油井功图识别方法。首先通过实验对比的结果确定网络结构,然后使用无监督学习的手段初始化网络权值,最后用有监督的误差反向传播算法微调整个网络,从而实现功图图像到油井工况之间的映射关系。实验结果表明:深度信念网能够自动学习功图特征,提高识别效率;与传统分类模型相比,使用深度信念网进行油井功图识别的过程更简便,更能够达到理想的效果。

基于稀疏自编码神经网络的抽油机井故障诊断

针对传统示功图识别方法对抽油机井进行故障诊断存在人工选取示功图几何特征,识别准确度低等问题,提出一种基于稀疏自编码神经网络的示功图智能识别模型。采用无监督学习方式的稀疏自编码器构建特征学习网络自动提取无标签示功图训练集图像特征,然后采用有标签示功图训练集对softmax分类器进行有监督训练,最后通过稀疏自编码神经网络对学习到的有标签示功图测试集特征进行分类并给出故障诊断结果。结果表明,将稀疏自编码神经网络应用于示功图识别,测试准确度能够达到99.44%,优于其它分类模型。稀疏自编码神经网络直接从像素层面提取所需要的特征,不需要人为选定设计特征,为提高示功图识别准确度提供了帮助,进而解决了抽油机井故障难以准确诊断的难题。

齿轮设计参数的指形刀轴截形磨削轨迹推导

为了实现齿轮指状铣刀轴截形的精密磨削,基于齿轮仿形加工理论,推导了基于齿轮设计参数的铣刀轴截形的数学表达式。在此基础上,针对指状齿轮铣刀轴与砂轮轴平行或垂直两种情况,分别通过求解指状齿轮铣刀轴截形曲线的法线、向量合成,最终求解出了砂轮磨削指状齿轮铣刀时的两种运动轨迹表达式。并运用MATLAB软件,对两种磨削运动中的砂轮运动轨迹进行了计算验证。结果表明,砂轮运动轨迹计算正确,该研究为齿轮指状齿轮铣刀廓形的精密磨削提供了理论依据。

PEMFC的PSO优化LS-SVM动态建模仿真

质子交换膜燃料电池(PEMFC)作为一种电化学反应装置,湿度管理对于它的运行性能十分关键。为了建立相应的动态模型,采用了最小二乘支撑向量机(LS-SVM)算法,并使用微粒群算法(PSO)对LS-SVM模型参数进行了自动优化。这种方法建立的动态数学模型能够以进气湿度和工作电压为输入量预测输出的电流密度。仿真结果显示,模型的预测值和实验数据间的平均平方相对误差小于0.0001,能够达到很好的预测精度。因此,这种优化建模策略可以有效的应用到PEMFC研究中。

基于多传感器融合的抽油机运动周期的研究

对油井示功图的分析是评定深井泵、抽油机与抽油杆工作状态的重要手段。抽油机运动周期作为示功图的重要参数,其准确性直接影响示功图的精度。针对采用单一悬点加速度的方法确定的抽油机运动周期误差较大等缺点,提出一种多传感器融合的抽油机运动周期的计算方法。首先对不同传感器采集的同周期的悬点加速度、悬点载荷、电动机电功率3种信号进行卡尔曼滤波,消除干扰噪声;其次对滤波后的信号分别从时域和频域计算出周期值;最后对3种信号周期值进行加权融合,确定最优周期值。实验表明:多传感器融合的方法比单一加速度法所确定的抽油机运动周期具有更高的准确度。

基于小波分解的油井加速度信号的周期计算

抽油机运动周期作为示功图的重要参数,其准确性直接影响示功图的精度。针对悬点加速度信号周期难确定等问题,以及小波分解对信号进行时域和频域分析的强大功能。本文提出采用Meyer小波对加速度信号进行处理的方法。首先通过小波分解提取有效低频信号,再利用最小二乘原理对有效信号进行周期函数的拟合,仿真结果验证了算法的可靠性。最后以中原油田某油井80组加速度数据为依据,通过对比低通滤波后曲线拟合所得加速度周期和小波分解后计算的周期的标准差,得出基于Meyer小波分解的方法得到周期更准确的结论。

油井抽油机示功图位移测量研究

为有效地解决抽油机悬点加速度信号计算位移数据时存在漂移误差较大、准确度较低的问题,提出了基于经验模态分解(empirical mode decomposition,EMD)和相关系数判断相结合的方法。根据实测的加速度信号经两次积分后得到的位移信号特点,进行EMD分解,通过引入相关系数,设定阈值,设计了一种漂移分量判定方法。即通过计算各固有模态分量与原始信号之间的相关系数,分别与提前设定的阈值进行比较,从而判定分解的固有模态分量是否为漂移分量。仿真实验和现场采集的数据测试结果表明了基于EMD以及相关系数的判定方法能够得到漂移误差更小、效果更好、精度更高的位移信号。

抽油机悬点位移间接测量方法研究

针对利用抽油机悬点加速度信号计算位移精度较差的问题,提出自适应噪声的完备集合经验模态分解(CEEMDAN)自适应降噪和极点对称模态分解(ESMD)去趋势项相结合的求解方法。首先使用CEEMDAN分解加速度信号,然后根据模态分量自相关函数与原始信号自相关函数的相关系数,确定噪声分量和有效分量的分界点;进一步采用小波阈值法提取噪声分量中有用信号,并基于排列熵的性质自适应确定小波分解的层数;重构所有模态分量实现降噪;再对消噪的加速度信号进行积分变换得到位移,最后使用ESMD剔除趋势项。仿真分析和实测数据结果表明,该方法比现有方法精度更高、自适应性更好。

涡轮增压机对5kW PEMFC电堆的影响

以采用混合增压空气供给系统的质子交换膜燃料电池为研究对象,建立PEMFC电堆经验模型和混合增压空气供给系统模型,利用Matlab软件对电堆模型以及空气供给系统模型进行仿真。分析结果表明:5kW PEMFC宜采用低压空气供给系统,且电堆的最大等效输出功率点分布在废气能利用率较高的地方。