基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络(convolution neural network,简称CNN)难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归(autoregressive,简称AR)模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络(artificial neural network,简称ANN)等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。

客体信息在视觉工作记忆编码和维持阶段的不同注意选择模式

视觉工作记忆不同加工阶段(编码、维持)对多特征客体信息的注意选择模式是否相同目前仍存在争议。本研究采用变化觉察范式,引入前注意线索和后注意线索,分别探测在视觉工作记忆编码和维持两个阶段中的注意选择模式。3个实验结果显示,在前注意线索试次中,被试对任务相关特征变化的觉察显著受到任务无关特征变化的干扰,表现为任务无关特征变化条件相比于不变条件的反应更慢,报告标准更低;且该干扰效应并不受记忆负荷的影响。而在后注意线索试次中,仅在低记忆负荷条件下(实验1a/1b)存在干扰效应,当记忆负荷增大后(实验2/3)干扰效应消失。结果表明,在视觉工作记忆编码阶段,客体中任务相关与无关特征均被编码进视觉工作记忆并相互竞争注意资源;而在维持阶段,任务无关特征仅在低记忆负荷条件下得到加工。结果揭示,在编码阶段的注意选择模式是基于客体的;而维持阶段的注意选择模式是基于特征的,且受到记忆负荷的调控。

阶次跟踪能量算子与奇异值分解结合的滚动轴承故障诊断

针对滚动轴承变速过程中振动信号非平稳,早期故障特征微弱的特点,将阶次跟踪与能量算子(EO)相结合,提出阶次跟踪能量算子(OTEO)与奇异值分解(SVD)结合的轴承故障诊断方法。首先,对时域振动信号进行SVD以降低噪声干扰;然后,对降噪后的信号进行OTEO解调分析,即对信号先进行EO解调再对包络信号进行阶次跟踪;最后,采用Fourier变换做出包络阶次谱,从中提取出滚动轴承故障特征阶次。试验结果验证了该方法对于滚动轴承故障特征提取的有效性。

滚动轴承不同损伤程度振动特征实验研究

轴承是各类机械设备广泛使用的支撑构件,它的状态决定着机械设备的运行周期。振动是实现轴承状态监测的主要手段,轴承出现故障时,通过振动信号分析可以确定故障部位,同时不同的损伤程度也会造成信号特征的变化。通过模拟实验研究轴承不同损伤程度下的信号特征变化规律,进而指导实际故障诊断过程中轴承损伤程度的识别。首先,预置滚动轴承内圈、外圈及滚动体不同程度的损伤;然后,开展不同损伤程度的故障模拟实验;最后,利用包络解调方法分析不同损伤程度下的实验数据,总结振动信号变化规律及特点。

基于转速提取和优化MSB的滚动轴承故障诊断

在变转速工况下,齿轮箱滚动轴承的振动信号呈现强烈的非平稳性特征,导致无法对其进行故障诊断。针对这一问题,提出了一种基于转速提取和优化调制信号双谱(MSB)的滚动轴承故障诊断方法。首先,利用同步提取变换(SET),从原始振动信号中提取了参考轴的瞬时转速;再对原始信号进行了预白化和最小熵反褶积(MED)滤波,得到了特征增强的降噪信号,并结合提取的转速信号进行了角域重采样,建立了阶次域调制信号双谱(MSB);基于MSB分布,构造了更能体现主导调制分量与载波分量非线性耦合程度的改进载波谱;最后,根据改进载波谱对载波切片进行了择优挑选,结合MSB和双谱相干函数构造了改进调制谱,进一步消除了噪声的干扰,从而提取到了滚动轴承的显著故障特征。研究结果表明:该方法可以用于有效提取变转速齿轮箱滚动轴承的故障特征阶次,从而实现对滚动轴承进行有效的故障诊断;与传统的诊断方法相比,该方法具有明显的优势。

燃气轮机动叶片断裂故障振动特征及其识别方法研究

针对燃气轮机动叶片典型故障模式断裂故障的诊断问题,对动叶片断裂激励下的敏感振动特征及识别方法进行了研究。首先,以机匣-静叶为研究对象,基于动叶片断裂故障机理,并结合燃机叶片结构特点和载荷特征,建立了其断裂激励下的动力学模型及运动方程;通过对其振动响应进行求解及响应分析,研究了便于工程中监测分析的叶片断裂故障的机理特征。然后,提出了一种基于小波变换的叶片断裂故障识别方法。最后,利用某型燃气轮机叶片断裂故障实际案例,对所提出的振动特征及故障识别方法进行了可行性验证。研究结果表明:作为系统主要激振频率,在动叶片断裂后,叶片通过频率的幅值具有阶跃式突降特性,结合小波变换算法可实现对叶片断裂故障的有效识别;该研究成果可为燃气轮机动叶片断裂故障的诊断提供一定的参考。

基于特征增强倒频谱分析的齿轮故障诊断方法

齿轮发生故障后,由于采集到的振动信号同时包含故障冲击、确定性啮合信号及噪声等多种信号,同时,各种信号还会受传递路径的影响,使得齿轮故障特征提取难度较大。倒频谱分析是常见的齿轮故障诊断方法,能将边频带中的周期成分显示为单根谱线,有助于故障诊断,但当故障特征信号较微弱时,倒频谱中得到的故障特征并不明显。为此,提出一种特征增强倒频谱分析方法,利用最小熵解卷积、自回归线性预测和小波去噪3种特征增强方法,逐步增强齿轮振动信号中的故障冲击特征,再利用倒频谱进行故障特征提取。通过实验,验证了所提方法的有效性。

多转子燃气轮机不平衡部位辨识方法研究

燃气轮机已在我国舰船、航空、石油化工等领域广泛应用,但其目前在使用过程中故障频发,而不平衡振动是其主要原因之一。多转子燃气轮机各转子振动相互耦合,在不平衡振动总值超标的情况下,首要问题是判断最优平衡转子,以最简单的处理办法来解决燃气轮机不平衡振动问题。首先,针对燃气轮机转子不平衡故障进行机理分析,研究在多转子燃气轮机中不平衡振动的响应规律、激励与响应关系;然后,进一步提出基于不平衡因子的燃气轮机不平衡部位识别方法,以指导燃气轮机多转子系统的动平衡;最后,针对某型燃气轮机试车过程中出现的不平衡振动问题进行分析,以验证提出方法的有效性。

基于阶次跟踪的变速齿轮啮合频率振动评估方法

针对变速齿轮在某一转速范围内运行时产生共振导致强烈振动的问题,有效地对变速齿轮啮合频率进行评估是减少和规避此类故障的关键。但由于变速齿轮振动信号在时域呈现非平稳性,传统的齿轮信号分析方法无法有效地提取出特征频率,并且齿轮箱振动源较多且存在背景噪声,导致阶次谱成分复杂。有鉴于此,将阶次跟踪和经验模态分解相结合,提出一种基于阶次跟踪的变速齿轮啮合频率振动评估方法。首先采用阶次跟踪方法对某转速下齿轮的时域信号进行等角度重采样;然后对阶次域信号进行经验模态分解,提取出包含齿轮啮合信息的本征模函数(Intrinsic Mode Function,IMF)分量;再利用阶次谱分析提取出齿轮啮合阶次所对应的幅值;最后通过比较不同转速下的齿轮啮合阶次的幅值大小,对齿轮的振动变化进行评估。在实际现场齿轮信号的应用结果表明:该方法得到的阶次谱中啮合阶次明显,并且能够有效地实现变速齿轮的共振转速识别。

轴承周期冲击激励下发动机薄壁支承结构响应机理研究

燃气涡轮发动机轴承故障频发,然而,轴承故障信号经过复杂的薄壁结构传至机匣表面衰减严重,致使基于振动信号分析的轴承故障诊断难度增大。为此,从轴承故障特征产生机理出发,在薄壁支承系统固有特性分析的基础上,基于周期冲击激励与振动响应时频域关联分析,阐释了轴承冲击激励下,复杂薄壁支承结构测点的响应特征。相关结论可以为基于共振解调的轴承故障诊断提供参考,对具有薄壁支承结构的燃气轮机轴承故障预警或诊断有一定的参考价值。

一种基于BPNN和SVM-PDE的旋转机械变工况预警方法

针对传统固定报警限未考虑时变工况的影响,易造成设备在高工况下虚警、低工况下漏警的问题,提出了一种基于BPNN(BP神经网络)和SVM-PDE(支持向量机概率密度估计)的旋转机械变工况故障预警方法。利用BPNN识别设备运行工况,结合信号处理方法从各工况振动数据中提取出多维特征并利用PCA(主成分分析)约简特征维度。将传统支持向量机(SVM)核函数改造为概率密度函数,将运行工况和低维特征输入SVM求解不同工况下正常样本的概率密度。以各个工况下正常样本概率密度值的边界值作为振动阈值进行故障预警。利用双转子试验台振动数据进行验证,结果表明,相较于固定阈值预警方法,基于BPNN和SVM-PDE的旋转机械变工况预警方法能有效降低漏警率和虚警率,验证了该方法的有效性。

某双氧水项目中氢化工作液输送泵的选型

化工项目中,泵的合理选型对于物料的成功输送以及装置长期运行的稳定性与可靠性具有至关重要的意义。本文通过对某双氧水项目中氢化工作液输送泵操作工况的分析,确定了该泵的性能参数及工艺要求。在满足工艺要求的基础上,综合考虑设备布置,管道布置,土建结构设计,总图要求,以及泵本身的制造检修难度,项目进度要求,成本因素等各方面的影响,确定以API610标准制造的BB2(SideSide-Inline)类型作为该泵的最终选型。

基于调制增强切片MSB的滚动轴承故障特征提取方法

针对快速谱峭度图和传统切片MSB(modulation signal bispectrum)算法在强干扰条件下提取轴承故障特征不佳的问题,提出一种基于调制增强切片MSB的滚动轴承故障特征提取方法。首先利用MSB算法计算得到原始振动信号的调制信号双谱,对主维度进行切片叠加得到载波谱;然后基于MSB凸显滚动轴承故障信号调制特征的性质,通过粒子群寻优算法对切片范围进行择优;最后,对故障特征所在切片的双谱相干函数与调制信号双谱进行组合处理,进行增强性重构得到调制谱,去除了大部分噪声分量,直接提取出故障特征。通过仿真、实验验证了调制增强切片MSB算法能够实现长传递路径、强噪声干扰条件下的滚动轴承故障特征提取,所得结果比快速谱峭度图更加直观、清晰。

浅谈中职计算机教育

如何把计算机知识和技能既深入浅出又活泼生动地教给学生,并让每位中职学生真正的掌握,是一个很值得我们去探索和研究的问题。我在十多年的教学实践中也作了一些积极探索,下面谈谈自己的心得和体会。一、运用先进的计算机设施。

基于改进群延迟估计的同步压缩变换及其在冲击类振动信号提取中的应用

旋转机械振动信号中的冲击特征通常代表着轴承损伤、齿轮损伤等常发故障的出现,为了准确提取信号中的冲击分量,提出一种基于改进群延迟估计的同步压缩变换时频分析方法。分析时间重分配同步压缩变换原型算法在处理实际强频变信号时的特性,发现其易导致明显的时频模糊问题。构建基于局部最大搜索算法的改进型经典群延迟估计方法,以克服TSST在分析强频变信号时带来的时频模糊问题,并在此基础上提出了群延迟自适应估计策略。形成一种基于改进群延迟估计的自适应同步压缩变换方法,在其基础上提出一种振动信号中脉冲特征提取方法。仿真信号和试验数据分析结果表明,该方法可较准确地提取出振动信号中的冲击特征,相较其他常用时频分析方法能够生成更为聚集的时频表示。

考虑时变激励的滚动轴承局部故障动力学建模

滚动轴承局部故障的动力学建模是研究轴承故障机理的一种常用手段,其中滚动体经过故障区域时存在复杂的接触过程,因而局部故障激励函数的准确性直接影响整个动力学模型的准确性。然而由于局部故障激励与轴承故障尺寸、轴承转速等条件相关,现有的单一简化激励函数难以准确反映滚动体与故障的实际接触情况。因此,以轴承外圈故障为研究对象,首先,详细分析了滚动体经过故障区域时的接触间隙变化,建立了与滚动体相对位置相关的时变位移激励函数。然后,根据滚动体与故障边缘接触产生的撞击力作用,提出了一种虑及故障尺寸和轴承转速的瞬时撞击力激励函数。在刚性套圈假设和Hertz接触理论的指导下,基于上述激励函数建立了圆柱滚子轴承外圈局部故障的动力学模型,并利用实测信号验证了本文所建立模型的准确性。最后,利用该动力学模型分析研究了故障尺寸对一维及多维轴承振动特征的影响规律,以指导实际应用中滚动轴承的状态评估。