微流体压力驱动的扫描电化学池显微镜长时间稳定成像

为了提升扫描电化学池显微镜(SECCM)对复杂形貌表面电化学活性成像能力,以及避免探针尖端微液滴蒸发和结晶,进而实现长时间、稳定成像,构建了基于纳米移液管探针微流体压力驱动的扫描电化学成像系统。对探针尖端开口处的微液滴流量补偿、复杂表面形貌同步电化学活性成像可靠性等进行了研究。首先,构建了基于移液管探针微流体压力驱动的SECCM扫描成像系统。接着,建立了移液管微流体压力驱动的探针检测数值模型,研究了探针末端背压与探针尖端流体流量间的关系。然后,在理论模型分析的基础上,实验测试了微流体驱动新方法对具有较大表面形貌特征的玻碳电极材料和铝合金材料表面高分辨率形貌和电化学活性同步成像能力。实验结果表明:新方法可对硬质材料表面(样品表面高度起伏为探针开口直径20倍以上)实现长时间、稳定的电化学成像。新系统的研制将为研究人员在材料电化学、金属材料腐蚀研究提供强有力的工具。

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S-LSSF的小样本滚动轴承故障诊断研究

文中针对滚动轴承故障诊断中滚动轴承故障样本不足的问题,提出基于S-LSSF的滚动轴承故障诊断模型,将Sty-leGan2-ada运用在轴承故障诊断领域。首先利用连续小波变换将时域振动信号转化为时频图像输入StyleGan2-ada生成对应的样本,然后将原始样本和生成样本合并输入改进的ShuffleNetV2模型。在反向传播过程中引入LabelSoomthloss损失函数,降低错误标签对模型诊断性能的影响,进一步抑制过拟合在下采样单元引入LeakyReLU函数解决梯度消失的问题。实验结果表明:S-LSSF模型与原模型相比诊断准确率提高了1.9%,并且平均用时缩短了5 s。与原始样本相比,使用生成样本训练模型后其准确率、精确率、召回率和F1分数分别提高了3.58%、5.71%、6.15%和6.06%,验证了S-LSSF模型在小样本条件下轴承故障诊断的可行性和泛化性。

基于图卷积网络的滚动轴承智能故障诊断

基于非欧几里德空间的数据包含着数据点以及数据点之间的关系信息,而基于深度学习模型的故障诊断方法通常忽略了数据点之间的关系信息。对此,通过结合可视图算法和图卷积网络,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。首先,将原始信号利用可视图算法转换为图数据,以图数据显示时域特征,极大丰富了输入信息;其次,利用构建的图卷积网络对故障特征进行学习,以达到故障诊断的目的。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97%以上的准确率,这表明利用可视图算法提取的关系信息对轴承故障的识别具有重要作用。

关于研究生课程“机械可靠性”的教学研究

研究生等高端人才的培养一直以来都是各界十分重视的问题,研究生教育改革一直在有序地推进。文章提出了在机械可靠性课程教学过程中培养研究生工程创新力的方法。由于现阶段机械结构的复杂性,如何在学好机械可靠性的基础上进一步培养研究生工程创新力显得尤为重要。文章就该课程教学中存在的问题以及如何培养研究生工程创新力提出相应的解决办法,通过优化课程教学与工程实例相结合的方法,来弥补机械可靠性教学中的不足。

基于视觉Transformer的滚动轴承智能故障诊断

在轴承故障智能诊断中,基于卷积神经网络的轴承故障诊断方法,无法建模信号特征之间的依赖关系。基于循环神经网络的轴承故障诊断方法,对于振动信号只能依次进行顺序计算,限制了模型的并行能力;在计算过程中,间隔时间过长的信息会丢失,无法建立上下文的长期依赖。针对以上问题,提出了基于视觉Transformer的滚动轴承智能故障诊断模型。首次使用视觉Transformer网络代替卷积神经网络和循环神经网络进行轴承故障诊断。利用多头注意力机制来捕获振动信号的全局信息,每个头都应用独立的自注意力机制,使诊断模型可以针对不同的任务在不同的表示子空间里学习相关的信息。实验证明,所提方法能够有效提升模型训练效率,减少信息损失,与其他主流诊断方法相比具有更高的诊断精度。

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 Efficient⁃NetV2,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Grad-CAM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用于实际工程设备,适用于检测数据稀缺情形下的滚动轴承故障诊断。

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。

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明:所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。

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。

嵌入式传感器的齿轮裂纹故障诊断

针对传统的齿轮箱体振动信号的故障诊断,提出了一种新的测试方法,即把传感器直接安装在齿轮箱体内的齿轮体上,缩短了振动信号的传递路径,有效降低了振动信号在传递过程中幅值衰减,能诊断出齿轮传动系统的早期故障。为验证该方法的有效性,对齿根2 mm裂纹的故障齿轮传动系统进行了动力学仿真和实验验证,结果发现从齿轮体上的振动信号中能成功诊断出齿轮裂纹的早期故障,而箱体上的振动信号则不能体现故障特征。这充分说明了振动信号在经过复杂的传递路径后导致幅值衰减和频率成分丢失,微弱的故障信息被削弱。这为齿轮箱的早期微弱故障的诊断提供了一种有效的方法。

一种高效压电能量收集器的设计及供电研究

为了优化压电能量收集器的性能以解决植入式传感器的自供电问题,设计了一种双耳悬臂梁的压电结构并提出了一种高效的自供电并联同步开关电感(ESPP-SSHI)电路。通过模型建立和ANSYS及MULTISIM的仿真实验,验证了压电结构的合理性及接口电路性能的可靠性。结果显示:压电结构的一阶固有频率从84.653 Hz降到了59.962 Hz,谐振时开路电压达3.75 V,电路的输出功率为0.97 mW,是并联同步电感(P-SSHI)电路的2.63倍,压电结构的整体功率密度为1.2 mW/cm^(3).

齿面摩擦力对齿根弯曲应力的影响

为了更准确地计算出主动轮的齿根弯曲疲劳应力,考虑了齿面间的摩擦力。以主动轮处于齿顶啮合位置时的轮齿为研究对象,分析了齿面摩擦力对齿根弯曲疲劳应力的影响,并提出一个被称为摩擦力影响因子的影响系数。研究结果表明,摩擦力的影响幅度与摩擦系数f及齿轮的齿数大小相关;当f=0.1时,摩擦力可使齿根弯曲疲劳应力增加8.4%;而当f≥0.15时,则可以高达10%以上。研究结果表明了在齿轮传动设计中,两轮齿齿面间的摩擦力不可忽略。

刚柔耦合的齿轮传动系统动力学特性分析

为了进行齿轮传动系统的振动分析,利用三维建模软件建立了齿轮传动系统的刚体模型;利用有限元分析软件,通过生成模态中性文件建立了系统的柔体模型;并借助机械系统的动力学分析软件,对两种不同的模型进行了动态特性分析。两种模型综合考虑了传动系统中传动轴和支撑轴承的弹性以及箱体的刚度和阻尼对系统动态特性的影响,比较了不同模型下啮合齿轮的速度、啮合力和加速度的动态响应特性。仿真分析结果表明柔性体模型的仿真结果与实际更加接近,因此,把齿轮传动系统中的轴和齿轮作柔性化处理后再进行虚拟分析的动力学仿真更具有实际意义。

基于三维模型的传动滚筒参数化程序设计

利用Pro/Toolkit的强大功能建立了传动滚筒的参数化设计CAD系统。该系统通过访问零件族表来达到快速建立各种型号传动滚筒三维模型的目的,并为设计合理的滚筒提供了有限元分析模型。

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MED-EEMD的滚动轴承微弱故障特征提取

针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。

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。