基于云数据中心的多源异构数据治理技术研究

目前常规的多源异构数据治理方法主要通过对数据属性进行判断,从而实现分区域数据清洗,由于缺乏对非线性数据的分析,导致治理性能不佳;对此,提出基于云数据中心的多源异构数据治理技术;采用关系型数据库中的ETL功能对数据进行清洗,对数据转换模式以及数据清洗规则进行定义;引入互信息系数对数据相关程度进行判定,并进行非线性数据相关性分析;以云数据中心作为载体,对多源异构数据治理体系进行构建;在实验中,对提出的数据治理技术进行了治理性能的检验;最终的实验结果表明,提出的数据治理技术具备较高的查准率,对云数据中心多源异构数据具备较为理想的数据治理效果。

基于SPWVD与知识蒸馏的行星变速器故障诊断研究

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证行星变速器故障诊断准确率的情况下减少网络模型的参数量,提出了一种应用平滑伪维格纳-威利分布(smooth and pseudo Wigner-Vile distribution, SPWVD)与知识蒸馏结合的智能识别模型用于行星变速器故障诊断。首先,利用集合经验模态分解(EEMD)方法将多分量振动信号分解后选取单分量信号进行SPWVD计算后线性叠加得到二维时频图作为输入,以ResNet101为教师模型指导学生模型MobileNet进行训练,复杂教师模型将数据中的知识传授给学生模型,提高了学生模型的精度。将该方法与同类方法进行了对比,结果表明,模型以牺牲2.43%准确率为代价,存储成本下降为教师模型的24.55%,相较未知识蒸馏的MobileNet的准确率提高了9.61%,实现模型轻量化。本研究方法对提高深度学习模型在工程实际应用,降低边缘计算设备部署成本提供了一种有效且可行的解决方法。

数控机床伺服系统参数设计数字孪生实验平台

为解决数控机床伺服系统参数设计相关实验,在真实机床上难开展、高耗材、安全风险大等问题,提出了一种“基于MCD+PLCSIMAdvanced+TIA架构的伺服系统参数设计数字孪生实验平台”设计方案。该方案将机床模型实体与数字孪生实验平台有机地结合起来,以“单轴伺服系统参数优化设计实验”为例,对数字孪生实验平台伺服系统的相关参数进行了调试与优化,并在机床模型实体上对其所得参数的准确性进行了验证,同时也证实了该数字孪生实验平台设计方案的可靠性。

基于自适应窗口与压缩幅值的瞬时转频估计

针对变转速工况下轴承信号的时频分布能量发散、噪声和谐波干扰强导致其转频难以获取的问题,提出一种基于自适应窗口和压缩幅值的瞬时转频估计方法。首先,通过自适应窗口在频率轴方向搜索出脊线窗口避免噪声和谐波的干扰;其次,在脊线窗口内用压缩幅值方法集中发散的脊线能量;然后,用惩罚函数法提取脊线,实现转频的精确估计;最后,根据采用轴承实验台收集的数据验证了所提出方法的有效性和鲁棒性。结果表明,相比于传统方法,采用所提方法估计瞬时转动频率使误差降低约8%。

基于累加式实时串并联变换算法的机械故障声学监测方法

针对基于物联网(IoT)的冲压机床故障监测问题,为了降低冲压机床故障监测的计算复杂度,并提高其低频识别的精度,提出了一种无需机器学习技术的实时性机械故障声学监测方法,即基于累加式实时串并联变换算法的机械故障声学监测方法。首先,研究了物联网场景中冲压机床声学低频分析的必要性,并给出了声学信号的表达式;然后,针对频率轴上多个周期信号重叠导致参数估计较为困难的问题,提出了一种累加式实时串并联变换算法,将输入的采样序列馈入多个具有不同输出端口的串并转换器,从累加的波形中检测出最大绝对值,并进行了比较;最后,通过样本时隙划分,将累加式实时串并联变换算法应用于机械故障监测;通过仿真和冲压机床实机测试,对累加式实时串并联变换算法和实时性机械故障声学监测方法的有效性进行了验证。研究结果表明:在无需大量信号样本的情况下,使用累加式实时串并联变换算法有利于提高低频带的识别精度;在直方图相关性方面,累加式实时串并联变换算法和Morlet小波变换具有相同的性能,且均明显优于短时傅立叶变换;同时,尽管累加式实时串并联变换算法需要的加法总数比Morlet小波变换多2.5倍,但是乘法总数减少了20447%,大幅减少了计算的复杂度。

WGAN-GP结合CBAM-VGG16轻量化网络滚动轴承故障诊断

针对滚动轴承故障诊断中存在的故障数据不平衡且诊断效率低的问题,提出一种将改进的生成对抗网络(Wasserstein Generative Adversarial Network with Gradient Penalty,WGAN-GP)和轻量化卷积神经网络相结合的滚动轴承故障诊断方法。首先,利用连续小波变换(Continuous Wavelet Transform,CWT)生成二维时频图,并通过WGAN-GP进行数据增强;其次在视觉几何群网络(Visual Geometry Group Network-16,VGG16)的基础上,引入Ghost模块和全局平均池化(Global Average Pooling,GAP)对其进行轻量化改进;再次,利用卷积注意力模块(Convolutional Block Attention Module,CBAM)和带重启的余弦退火衰减法提高VGG16模型的性能,构建CBAM-VGG16轻量化卷积神经网络模型,将增强后的数据进行预处理后输入到模型中进行训练,建立故障诊断模型;最后采用西储大学轴承数据集进行模型验证和分析。实验结果表明:该方法证实了故障数据不足时进行故障诊断的可行性,缩短了模型的训练时间、诊断时间并缩减了模型的大小和参数量,提高了故障诊断的效率和准确率。

基于模糊贝叶斯网络的引水隧洞安全评价模型分析

为准确预测黄河引水隧洞安全隐患,提出基于模糊集理论和主观贝叶斯方法的模糊贝叶斯安全评价模型。结合实际巡检数据,模型使用贝叶斯网络处理模糊信息与不确定信息,将巡检数据中给出的多态性故障事件模糊化;再通过贝叶斯网络的条件概率表找出不同故障事件之间的逻辑关系;最后获得对引水隧洞安全模型的整体评价。通过开展引水隧洞安全评价模型实例分析,验证了该方法的可行性。

对抗神经网络在轴承故障诊断中的应用

针对条件对抗神经网络(CGAN)只能进行真假不能进行分类判别和半监督对抗神经网络(SGAN)需要同时进行分类和真假判别的缺点,提出了一种改进对抗神经网络CSGAN模型,并给出了具体设计。该对抗网络的生成器G以CGAN为基础,由多层感知机(MLP)构成;判别器D以SGAN为基础,由卷积神经网络(CNN)构成。基于CSGAN,还提出了一种二维对抗神经网络轴承故障诊断方法,该方法首先将原始故障信号归一化到[-1,1]区间,然后利用一个滑窗从归一化数据中截取1024长度的数据,并转换构成32×32尺寸的二维矩阵作为CSGAN的输入。经多个公开数据集验证表明,这一诊断方法在不同样本比例的情况下都能有效提高判别器的诊断精度,具有良好的适用性。

某风洞充气密封系统设计与应用研究

某风洞充气密封系统用于试验期间隔离大门内外气压环境或填充移动部件间隙,保证风洞回路最高可以模拟2万米高空以下气压环境;密封围带基体材料采用植入增强纤维的硅橡胶,围带截面为“凹”型带两侧固定基座,采用直线型带芯分段模压硫化成型,成功研制了适用于高低温环境、长寿命、高膨胀、大尺度环状充气密封围带;充气/放气气路、电磁阀和变送器等基于集成块安装设计;充气/放气控制系统采用PLC+电磁阀+真空发生器;系统通过Profinet接入风洞测控光纤环网,实现本地/远程自动化控制;解决了围带结构、气密泄漏、大尺度密封面平面度和金属气嘴结构设计等问题;系统应用效果好,自动化水平高,有较大推广应用价值。

基于SOM-BP的全自动口罩机传动系统故障检测

针对口罩机在多工序生产中故障特征难以诊断的问题,提出了一种基于自组织映射(SOM)和误差反向传播网络(BP)的故障检测模型。首先针对4种减速机故障类型搭建SOM-BP复合型神经网络模型并完成检测分类,其次通过提取原振动信号的20组时域和频域参数作为SOM网络的输入样本进行初步聚类,并根据仿真结果确定最佳竞争层结构,最后将聚类后结果输入BP网络进行预测并完成分类,实现故障检测。研究结果表明,7×7竞争层结构下的SOM-BP复合型神经网络对于减速机的8种时域和频域参数的检测效果最优,分类准确率可达93.5%,173次迭代即可收敛,数据拟合度最高达0.99876,达到实际检测要求,验证了该方案的有效性和可行性。

工程领域裂纹检测实验方法的进展

裂纹故障是影响生产生活和设备安全运行的一大因素,裂纹检测实验对于检测技术应用和裂纹故障信息获取具有重要意义,但领域内缺乏对检测实验的系统性归纳与剖析。该文对当前代表性的裂纹检测实验方法进行了分类比较,针对裂纹信息介绍了定位、形貌和深度的检测实验,从先进传感器、数据处理与机器学习应用等3个方面探究了裂纹检测实验方法进展。最后根据国内外裂纹检测实验的研究现状,提出了在裂纹扩展方向检测、误报漏报及实验与实际工况贴近程度方面所面临的挑战,并从实时动态、远程无线和多故障耦合检测等方面进行了展望,为今后裂纹检测实验方法的研究与发展提供了参考。

运动模型式飞行器气动力参数测试系统研究

为了对飞行器进行气动布局、飞行性能评估,提出了一种运动模型式气动力参数测量方法,并研制了一套运动模型式测试系统,通过运动模型来模拟飞行器在空气中的运动,其构造主要包含载具、测试支架、六分量天平、风速测量模块、数据采集模块、控制模块、便携计算机等部分;该类测试系统在某些特定工况下能准确模拟飞行器的飞行状态,对流场参数和模型所受载荷进行实时测量,预测各运动状态下飞行器的气动特性;通过数值模拟分析和风洞试验对车载试验数据进行了对比验证,结果表明,该测试系统能够准确获得模型的气动力特性数据;该系统具有一定的拓展性和通用性,可使用火箭橇等其他载具开展高速运动模型式气动力参数测量试验。

飞机薄壁件损伤铆接修理前后承载能力分析

铆接是飞机结构损伤修理中常用的修理方法之一。为深入研究飞机薄壁件损伤铆接修理前后的承载能力和破坏形式,应用ANSYS/LS-DYNA软件建立了其三维有限元模型,进行了准静态拉伸仿真模拟,并将相应的模拟结果与试验结果进行了对比分析。结果表明:有限元分析能有效模拟飞机薄壁件损伤铆接修理前后的承载能力和破坏形式;同时,进一步分析了铆钉布置和盖板形状对飞机薄壁件损伤铆接修理前后承载能力的影响。这些结果为研究飞机结构铆接修理工艺参数优化设计提供了参考依据。

一种高硬度复杂薄壁翼片的机械加工工艺设计

一种高硬度复杂薄壁翼片目前没有高速铣削的加工手段可利用,需要普通铣削结合真空炉处理的方式来满足产品技术要求,加工难度大,生产进度紧。通过工艺攻关、工艺优化形成了翼片的机械加工工艺方案,采用普通铣削后进行真空炉淬火的方式保证翼片角度、厚度、孔径和力学性能要求,最后用电火花切割的方式将工件与工艺台分离保证翼轴孔距和外形尺寸。结合真空炉处理和电火花切割的特点,及时处理了加工过程中出现的热处理变形、切割外形导致孔距超差等技术问题,最终保证首批次合格产品按进度交付。所涉及到的翼片工艺方案、工艺台、定位基准选择、控制热处理变形的工装、电火花切割工装等内容属于西安现代控制技术研究所首次应用,具有创新性,对于弹体结构件中技术要求较高的翼片及同类结构的零件有一定的参考价值。

无量纲与SVM的石化机组旋转机械故障诊断方法

针对石化机组旋转机械故障信息存在非线性、重叠性等特点,提出一种无量纲与支持向量机(Support Vector Machine,SVM)的石化机组旋转机械故障诊断方法。首先对采集的振动信号进行分析并将其无量纲化;接着通过特征选择选取高价值与敏感性强的无量纲特征,降低分类模型复杂度并提高算法速度;最后通过选取合适的SVM分类模型进行分类诊断。结合具有无量纲特征的故障敏感性与SVM的非线性分类性进行诊断分类,并通过石化机组故障诊断实验平台进行验证,表明该方法相比于其他经典分类方法分类效果更好,分类正确率为99.1%,证明了方法的有效性。

基于MCKD-FDM方法的汽车轴承振动信号降噪

为了提高电机轴承的故障诊断精度,选择傅里叶分解(FDM)方法把降噪处理信号分解,利用最大相关峭度反褶积(MCKD)重构信号包络谱图实现信息故障的诊断,并开展仿真与实验测试分析。研究结果表明:测试信号形成了明显的故障特征频率与各阶倍频,各阶倍频都发生了幅值降低。采用本文方法可以显著突出故障冲击成分,也可以提取获得丰富轴承故障信息,更明显体现故障特征频率与倍频。本研究故障诊断方法能够满足高精度的汽车传动系统故障检测要求。

基于迁移学习和降噪自编码器-长短时间记忆的锂离子电池剩余寿命预测

针对锂离子电池退化数据噪声大、数据量少以及不同生命时期的退化趋势不同而导致的模型预测精度低、泛化能力差等问题,从数据预处理、预测模型的构建与训练三方面展开研究:首先结合变分自编码器(VAE)和生成对抗网络模型(GAN)构建VAE-GAN模型生成多组数据,实现电池的退化数据增强;然后结合降噪自编码器(DAE)和长短时记忆(LSTM)神经网络构建DAE-LSTM模型进行数据降噪和容量预测,为了降低模型参数,此过程中的数据降噪和预测共享同一个损失函数;最后先利用生成数据对DAE-LSTM模型进行预训练,再利用真实数据对其进行迁移训练。在CACLE和NASA公开数据集进行性能测试,实验结果表明该文所提方法精度高、鲁棒性强,能够有效提高锂离子电池剩余寿命的预测效果。

卷积神经网络与知识图谱结合的轴承故障诊断

针对目前旋转机械故障诊断时,存在单一地利用振动数据、诊断结果模糊的问题,提出一种卷积神经网络(Convolutional Neural Network,CNN)与知识图谱结合的故障诊断方法。该方法以原始轴承数据和机理知识作为输入,然后进行实体抽取和数据标注,利用本文提出的端到端多尺度注意力机制神经网络模型进行故障诊断,最终构建知识图谱,实现故障信息的详细展示,进行辅助诊断。利用两份数据集进行实验验证,采用全新的数据处理方法,结果表明,所提出的算法在160种故障类型中加权F1值相比基准模型提高11.03%,并且利用传统故障诊断实验和其他算法对比充分证明本文提出的模型具有较强的稳定性和泛化性能。

基于改进PSO-VMD-MCKD的滚动轴承故障诊断

针对滚动轴承信号在强噪声背景下故障特征提取困难的问题,提出一种变分模态分解(Variational Modal Decomposition,VMD)和最大相关峭度解卷积(Maximum Correlated Kurtosis Deconvolution,MCKD)相结合的故障诊断方法。首先基于VMD方法选取故障信号的最优模态分量,然后采用MCKD算法增强最优分量信号中的冲击成分,最后通过包络谱分析提取滚动轴承的故障频率。利用粒子群优化算法(Particle Swarm Optimization,PSO)对VMD算法中的参数α和K以及MCKD算法中的参数L和M进行寻优,并对PSO算法中惯性因子和学习因子的更新方法加以改进,以提高参数寻优过程的收敛速度。仿真分析和试验结果表明,所提出的诊断方法可以有效提取被强噪声淹没的滚动轴承故障特征。

基于PSO-VMD和EWT的异步电机滑动轴承故障诊断

针对大型电机滑动轴承故障诊断困难的问题,提出基于频域积分、变分模态分解(Variational Mode Decomposition,VMD)和经验小波分解(Empirical Wavelet Transform,EWT)相结合的滑动轴承故障诊断方法。以实际故障电机轴承加速度信号为例,首先通过频域积分得到位移信号,分析位移信号的时域和频域特征可初步诊断出电机可能存在碰摩故障和不对中故障,但轴心轨迹图混乱,无法给出肯定结论;然后将经粒子群算法(Particle Swarm Optimization,PSO)优化的变分模态分解和小波阈值去噪相结合对原始位移信号进行去噪,通过经验小波变换得到位移信号的主要频率成分并进行重构,重新绘制轴心轨迹,分析表明经提纯得到的轴心轨迹清晰、特征明显,可以由此判断出电机存在碰摩-轴承不对中耦合故障。最后将该方法与聚类经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)等方法对比可以得出,采用该方法可以得到更清晰的轴心轨迹图,有助于实现电机滑动轴承的故障诊断。