基于参数优化VMD和峭度准则的齿轮故障诊断

针对盾构主减速机齿轮故障特征难以提取的问题,提出了一种基于参数优化变分模态分解(variational mode decomposition, VMD)和峭度准则的故障诊断方法。利用粒子群算法(particle swarm optimization, PSO),以最小平均包络熵为适应度函数来确定VMD算法的模态分量个数K及惩罚因子α的最佳组合;将原始振动信号利用[K,α]参数组合通过VMD分解成若干本征模态(intrinsic mode function, IMF)分量,根据峭度准则筛选出最佳和次最佳IMF分量进行重构,降低噪声干扰;最后,提取重构信号的时域和熵理论特征,利用粒子群优化支持向量机(PSO-SVM)和轻量级梯度提升机(LightGBM)进行故障识别分类。通过使用DDS试验台实测信号数据验证表明,该方法能够有效地提取齿轮故障特征,实现对齿轮故障类型的准确判定,验证了该方法的可行性和有效性。

一种改进LeNet5结合LightGBM的滚动轴承故障诊断方法

针对传统卷积神经网络在滚动轴承故障诊断方面容易发生的过拟合、精度不足等问题,提出了一种改进LeNet5结合轻量级梯度提升机(LightGBM)的滚动轴承智能故障诊断方法。将滚动轴承的时域信号堆叠为二维的灰度图作为输入,通过改进卷积神经网络LeNet5实现原始数据特征的自适应提取,引入批归一化操作以及全局平均池化代替全连接层降低计算量,将特征输入LightGBM分类器中。使用西储大学轴承数据集以及INV1618实验台变转速数据进行实验结果验证,将该模型其他机器学习算法进行对比,证明了其在准确率和鲁棒性上的优势。

基于MPE与PSO-SVM的滚动轴承故障诊断

滚动轴承是旋转机械的重要部件之一,针对滚动轴承故障诊断问题,提出了一种多尺度排列熵(MPE)与粒子群优化(PSO)的支持向量机(SVM)相结合的算法。利用MPE方法得到轴承故障信号的故障特征,并将其作为特征向量输入PSO-SVM模型中,使用凯斯西储大学轴承故障数据进行验证,发现该方法可以有效进行滚动轴承的故障识别。同时将该方法与多尺度排列熵结合传统的SVM方法以及使用网格搜索优化的SVM方法所得故障分类结果进行比较,发现该方法在滚动轴承故障诊断的时效性以及准确率方面具有一定的优越性。

基于数字孪生的盾构机状态检测与故障诊断方法研究

针对传统的盾构机故障诊断方法存在的感知不全面、数据噪声大、质量低等问题,提出了基于数字孪生技术的实体与虚拟实时交互感知方法,可以实现盾构机状态的实时准确检测、故障精准诊断以及故障信息及时反馈。阐述了数字孪生盾构机的内涵及应用前景,建立了数字孪生盾构机模型以及运维系统的架构,对盾构机主驱动减速机提出了一种仿真数字孪生建模方法,并对其进行了多体动力学仿真。模拟了太阳轮的常见故障,并对其进行了故障频率分析,与理论值对比,验证了所建模型的准确性。