基于Yu范数深度迁移度量学习的夹送辊剩余寿命预测

针对夹送辊历史数据少和相关寿命预测方法匮乏的问题,提出基于Yu范数深度迁移度量学习的夹送辊剩余寿命预测方法。首先使用Yu范数深度度量学习(DMN-Yu)对振动信号提取深层特征,并以主成分分析法(PCA)和自组织映射神经网络(SOM)相结合对特征进行约简,构建一维健康因子(HI);再结合长短时记忆网络(LSTM)模型,通过迁移策略利用共享隐含层的方法对目标夹送辊进行预测分析。实验验证,经过深度迁移学习的LSTM模型预测效果更好,对夹送辊设备的健康状态评估及剩余使用寿命预测具有一定的指导意义。

基于改进YOLOv5香菇成熟度检测模型

准确检测成熟度对香菇智能化采摘具有重要意义,因此提出一种基于改进YOLOv5实例分割香菇的成熟度检测方法。该方法在骨干网络的C3模块中添加挤压和激发模块(SENet),增强了对香菇具体特征的学习能力,同时将颈部网络中的2个卷积模块替换为可变形卷积模块(Deformable Convnets v2, DCN v2),使网络更好地适应目标香菇的形状和位置变化,提高成熟度检测的准确率和鲁棒性。实验表明,改进后的模型识别香菇成熟度的检测精度达到91.7%,较原模型提高了6.1%,检测的准确性与可靠性均优于原模型,为香菇智能化种植推广提供了技术支撑。

基于高斯混合模型的滚动轴承故障预警

滚动轴承的早期故障预警一直是研究人员和相关行业关注的问题,及时发现滚动轴承的早期故障并预警有助于降低生产中因零件损坏引发的损失。在分析了主流故障预警方法后提出一种基于高斯混合模型(gaussian mixture model, GMM)的轴承故障预警方法;通过GMM对轴承的振动信号建模,描述其不同阶段的分布情况,提出一种新的基于KL散度的轴承健康指标(bearing health index based on KL divergence, BHI-KL),用来描述轴承劣化过程;利用3σ准则提取出健康指标中的异常值,实现故障预警。利用轴承寿命加速试验数据对所提方法进行验证,并通过包络谱验证其精确性。结果表明,该方法较常用的故障特征具有良好的时效性,可以实现对轴承故障进行有效预警。

基于小波灰度矩向量与连续马尔可夫模型的轴承故障诊断

根据机械设备故障诊断本质特征和连续马尔可夫模型(CHMM)所具有的较强的时序模式分类能力的特点,提出了一种基于小波灰度矩向量与CHMM的滚动轴承故障诊断方法。从轴承振动信号提取一种量纲一的小波灰度矩向量作为特征参数,并训练几种故障状态的CHmm,再运用训练好的CHMM进行轴承的状态监测与故障模式的识别。诊断与对比实验表明该方法在故障样本少的情况下仍能进行准确训练与诊断。

LS-SVM在基于小波变换的模态分析中端部效应的应用

系统地阐述了运用改进的Morlet小波进行模态参数识别的方法。运用小波熵对小波参数进行了优化选择从而可以进行密频模态的识别,针对小波分析时产生的端部效应问题,提出了运用最小二乘支持向量机(LS-SVM)对小波骨架进行预测延拓的方法,经预测分析后可获取较准确的模态参数。通过仿真及实验信号的验证分析,表明基于LS-SVM方法可以有效地消除端部效应,且其准确效果优于基于RBF的神经网络和时变自回归的预测方法。

基于互相关技术与小波分析的模态参数识别

系统地阐述了自然激励技术(NExT)与小波分析在大型机械结构的模态参数识别中的应用.机械系统在白噪声激励下利用NExT方法可得到系统响应信号的互相关信号,并结合改进的Morlet小波对其进行了分析,通过调整小波中心频率及分析信号的长度,可有效地抑制端部效应的产生并能较准确地识别机械结构的密集模态参数.仿真试验的分析结果验证了该方法的可行性及准确性.

基于ART和Yu范数的聚类方法在齿轮故障诊断中的应用

针对传统聚类方法需预先指定类别个数而导致应用受限的问题,提出一种基于ART和Yu范数的聚类方法,可自适应地确定类别个数。通过对齿轮无标记故障样本的诊断分析对该方法进行验证。从多个角度提取反映故障信息的特征参数集,利用距离区分技术对其进行优选,并结合ART的机制和基于Yu范数的聚类技术,对齿轮故障类别进行诊断分析,并与Fuzzy ART方法的诊断结果进行比较。结果表明,该方法可以有效地对齿轮故障进行区分,且效果优于Fuzzy ART方法。

基于改进直接灰色模型的泵车摆缸泄漏预测

提出一种基于参数和时间响应序列的改进直接灰色模型IDGM(1,1),对泵车摆缸泄漏的趋势进行预测分析,并与传统灰色模型GM(1,1)和直接灰色模型DGM(1,1)的预测结果进行比较。结果表明,该方法可以准确地预测摆缸泄漏故障的劣化趋势,其预测精度明显优于传统灰色模型GM(1,1)和直接灰色模型DGM(1,1)的预测精度,可为摆缸泄漏故障的主动维护提供重要理论依据。

立式吊具右曲杆强度的有限元分析

右曲杆是立式吊具强度最薄弱的杆件,利用机构的受力分析方法确定了吊具右曲杆的受力大小及方向,在此基础上用有限元法对其进行了应力场分析,发现右曲杆受拉区内凹部分应力集中严重,是其薄弱环节;且现场应力测试结果表明有限元计算值与实际相符。根据理论分析和实际研究结果,提出了改善右曲杆强度的相应措施。

基于混合fuzzy ARTMAP的智能诊断方法在油缸泄漏诊断中的应用

提出了1种混合的fuzzy ARTMAP(FAM)智能诊断方法,对泵车主油缸早期泄漏及异常泄漏进行了诊断分析。由于FAM性能受训练样本输入顺序及油缸泄漏故障样本少的影响,运用信号处理方法和改进的距离区分技术抽取了反映油缸泄漏状态的敏感特征参数,然后将不同排序的学习样本分别输入到多个FAM神经网络进行诊断分析,并结合贝叶斯置信法,获取最终的诊断结果。试验结果表明,该方法不仅能对油缸早期泄漏和异常泄漏故障进行有效诊断,诊断精度分别高于单个FAM及混合BP和RBF网络6%、38%和42%,而且具有较好的鲁棒性。

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。

基于B/S模式的设备故障诊断系统的应用

介绍了B/S模式的结构和优点,提出了基于B/S模式的设备远程在线监测与故障诊 断系统的具体解决方案,论述了在线监测诊断的几个关键技术及其具体实现方法。该系统已 经应用于重要设备的诊断,证明了该系统能够实现远程在线监测与故障诊断等服务。

冶金机械类专业课程群教学改革

建设具有冶金行业特色的机械类专业课程群对于提高教育教学质量具有重要意义。现有冶金机械类专业课程群课堂教学内容陈旧,教学模式单一,实践教学"菜谱式",考核评价体系不全面,不能适应高素质冶金机械创新人才培养的要求。探讨冶金机械类专业课程群的建设体系及改革、创新的主要内容,以提高学生的综合素质与科技创新能力。

基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。

混流式喷水推进泵压力脉动数值分析

为了研究混流式喷水推进泵的瞬态流动特性,利用CFD方法对混流式喷水推进泵的流场进行了非定常数值模拟。通过对设计工况及变流量工况下各级监测点的静压分布及压力脉动的时域和频域分析,发现静压波动均值从叶轮进口到叶轮出口由负压转正而后经过导叶整流逐级减小,导叶出口位置静压波动均值最大为171 kPa;压力脉动强度从叶轮进口到导叶出口逐级递减,叶轮进口A3点的压力脉动振幅约为导叶出口E3点的25倍;大流量工况加剧了泵内流体的振动,并且不同流量工况下各监测点的压力脉动主频均为叶轮的通过频率100 Hz。这些计算结果为混流式喷水推进泵设备运行稳定性提供了理论依据。

基于特征选择与软竞争ART的轴承故障诊断

模糊自适应共振理论(fuzzy adaptive resonance theory,简称Fuzzy ART)已被广泛应用于机械设备实时监控和故障诊断。Fuzzy ART采用只允许一个获胜节点学习的硬竞争学习机制,导致系统极易产生误判。针对此问题,将Yu范数相似度准则、生物侧抑制理论与Fuzzy ART相结合,建立了允许多个获胜节点学习的软竞争ART(简称Soft-ART)算法。为了提高故障诊断精度,运用Yu范数相似度测度改进了基于距离测度的特征参数选择方法。利用轴承故障诊断数据对特征选择算法及Soft-ART算法进行了检验,并与FCM,BP及Fuzzy ART算法进行了对比。结果表明,该Soft-ART算法具有更高的诊断精度,同时说明了特征选择算法的有效性。

基于深度迁移学习的滚动轴承剩余使用寿命预测

针对轴承剩余使用寿命(RUL)预测模型训练样本少导致预测精度低的问题,提出一种基于深度迁移学习的滚动轴承剩余使用寿命预测方法。首先利用深度信念网络(DBN)和自组织映射神经网络(SOM)直接对原始振动信号构建轴承健康因子(HI),然后以长短时记忆网络(LSTM)模型为基础,通过共享隐含层的迁移方法训练RUL预测模型,最后利用LSTM-DT进行RUL预测。实验证明,构建HI能够精确反映轴承的健康状态,LSTM-DT算法有效提高RUL预测精度。

选择性集成迁移算法在轴承故障诊断领域的应用

针对工况复杂多变而产生数据分布不一致,导致传统机器学习进行故障诊断分析时精度低的问题,提出了选择性集成迁移学习的故障诊断方法,基于相似度原理,将相似度高的源域数据迁移至目标域,增加了有效训练样本的数据量,然后结合集成SVM进行故障识别;并在此基础上,提出了一种基于类内类间数据样本分散度的特征选取方法。轴承故障诊断实验结果表明,选择性集成迁移学习可以有效解决工况多变导致设备故障诊断精度低的问题,而且特征优选后诊断精度会得到进一步提升。

有限元仿真技术在刀具磨损研究中的应用

采用有限元仿真的方法对刀具磨损进行研究,不仅可以全面获得切削过程中的各项参数,而且具有成本低、效率高等优点;分析了有限元技术在刀具磨损应用中的关键技术,包括材料的本构模型、接触类型和摩擦模型、磨损模型和磨损计算、ALE网格技术、分离准则和断裂准则,分析了目前研究存在的问题,并提出未来的发展方向,对于推动有限元技术在刀具磨损中的应用具有指导意义。