双转子电机实验台设计与教学功能开发

针对一种新型的车用双转子电机,主要对其进行了实验测试平台的原理设计、功能开发。在对双转子电机应用于电动汽车中相关运行特征和性能进行分析的基础上,将该实验台进行教学功能方面的应用,相应地设计了负载突变和左右轮差速两种模拟实验,使学员可以对比了解到电驱动桥系统工作原理。

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题,提出了一种基于选择性加权适配网络的多域新故障识别方法。所提方法利用一维卷积神经网络提取源域与目标域深度判别特征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知故障和新故障的有效诊断。在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较,所提方法在所有任务上的调和平均值(E-score)达到0.8以上,验证了所提方法的有效性与优越性。

一种用于主轴轴承故障诊断的深度卷积动态对抗迁移网络

迁移学习智能故障诊断方法已经成为了机械设备故障诊断领域的一个研究热点。然而,大多数相关方法在迁移学习过程中未能合理地评估源域样本和目标域样本的相似性,且数据分布的差异会造成迁移诊断的结果不同。针对此问题,提出深度卷积动态对抗迁移网络用于主轴轴承智能故障诊断。该网络首先利用一维卷积神经网络从处理过的振动信号中自动提取特征集,然后利用动态对抗学习策略动态地调整条件分布和边缘分布在迁移学习过程中的重要程度,有效地提高迁移诊断的精度。通过数控机床主轴轴承故障诊断实验,验证了所提方法的有效性。实验结果表明,所提方法能够有效挖掘故障特征信息,实现不同工况之间的知识迁移,具有较好的应用价值。

孪生数据与特征增强融合驱动的装备小样本诊断方法

近年来,得益于新一代信息技术的快速发展,智能故障诊断技术在航空航天、海洋工程、汽车工业等领域得到了广泛的关注与应用.然而,一方面,智能故障诊断模型在实际应用部署时,面临着故障样本不足的难题,导致所构建的模型诊断可靠性较低;另一方面,现有面向小样本问题的智能诊断方法往往需要相关性较强的实测数据作为支撑,这极大限制了该方法的实用性.基于此,本文提出了一种孪生数据与特征增强融合驱动的机械装备小样本故障诊断方法.首先,构建机械装备的虚拟模型,并结合装备的运行机理知识和健康状态的实测数据对模型进行优化修正,以获取高保真模型,进而基于该模型获取高质量的孪生故障数据;其次,以孪生故障数据为输入,利用生成对抗网络进行装备孪生故障数据的特征增强,并将增强后的数据用于卷积神经网络模型的训练,从而实现装备的智能故障诊断;最后,以某汽车用变速器为研究对象,验证所提方法的可行性.该方法丰富了新一代工业人工智能与大数据分析理论,为现代装备的小样本智能故障诊断提供了一种新的解决思路.

基于多任务学习的装备智能诊断与寿命预测方法

智能故障诊断与预测性维护技术是推动我国制造业向数字化、网络化、智能化方向发展的关键切入点和实现"弯道超车"的创新动力.得益于人工智能和机器学习技术的快速发展,智能故障诊断与寿命预测方法在航空航天、石油化工、船舶等领域得到了广泛的研究与应用.然而,传统智能方法为实现机械装备的初始异常检测、故障诊断与寿命预测等多种任务时,均需逐一地训练检测、诊断与预测多个模型,不仅增加了设备开发、部署与维护的成本,也极大地限制了智能方法的实用性.为解决上述局限性,基于多任务学习,提出一种用于机械装备智能诊断(初始异常检测和故障诊断)与智能寿命预测等多种任务的健康监测方法.首先,利用JS散度(Jensen-Shannon divergence)和相关分析实现设备初始异常检测;其次,结合多任务学习(Multi-task learning)的知识共享机制建立可同时实现故障诊断与寿命预测的智能模型,仅需训练和部署一个模型即可同时获得设备的故障信息与剩余使用寿命信息;最后,利用轴承全寿命加速退化实验数据,通过与领域内先进方法对比,验证了所提方法在初始异常检测、故障诊断与寿命预测等多种任务的有效性和可靠性,为工业设备的智能诊断与预测性维护提供重要的决策依据,具有较强的工程应用价值.