新型便携式剂量率仪振动识别电路模块设计

介绍了一种新型便携式剂量率仪振动识别电路模块的设计方案,并对电路模块进行了实验测试。结果表明,该设计能够有效消除便携式剂量率仪因轻微振动引起的计数干扰。

桥梁断面18个颤振导数自由振动识别

桥梁断面的自激振动力可以用 18个颤振导数来表述 .在现有的两自由度体系总体最小二乘法基础上 ,发展了用于识别桥梁断面三自由度体系 18个颤振导数的方法和试验装置 .利用该方法对箱梁断面进行节段模型试验 ,得到了全部 18个颤振导数 .将三自由度试验结果与CFD(computationalfluiddynamics)方法得到的颤振导数进行了分析比较 。

往复泵活塞磨损故障的振动识别

根据往复泵在工作过程中受多种振源激励的情况，用振动诊断方法对往复泵活塞磨损故障诊断进行了探索研究，提出了判别活塞破损（磨损）的简单方法。诊断过程中，用计算机采集往复泵排出过程或吸入过程中缸套压盖上振动加速度信号。通过对该信号的时域、幅值域分析，尤其是频域的同步功率谱平均分析，可提取出较明显的活塞破损（磨损）故障信息。试验表明，用该方法进行往复泵活塞破损（磨损）故障的监测与诊断，具有简单、实用等优点，可准确地判别出活塞的破损（磨损）故障。

基于迁移学习的复杂环境下输电杆塔异常振动识别

架空输电线路杆塔所处环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对杆塔异常振动识别准确率降低。为改善识别模型偏差问题,文章提出一种基于领域适配深度迁移学习的杆塔异常振动识别方法。通过一维卷积神经网络实现不同环境条件下异常振动信号的自动特征提取,并引入迁移学习,实现复杂环境下异常振动的准确识别。所提方法通过优化场景差异性正则化损失函数,缩小复杂真实场景与典型场景间的分布差异,获得有效的领域适配模型。实验结果表明,所提方法能明显改善复杂环境下输电杆塔异常振动识别效果,并提高识别准确率。

基于LMD-SNN的随钻异常振动识别

针对旋转钻井过程中对钻头异常振动(横向振动、纵向振动、扭转振动)信号识别准确率低,效率差,导致钻具损坏甚至井眼报废的问题,提出一种基于局部均值分解(local mean decomposition, LMD)和脉冲神经网络的异常振动识别方法。首先,采用局部均值分解将微机电系统(Micro Electro Mechanical System, MEMS)加速度计信号分解为具有振动特征的PF分量;然后,从分解的乘积函数(Product function, PF)分量中提取随钻异常振动特征,并将提取到的加速度计振动特征编码为脉冲;其次,使用改进的学习规则训练脉冲神经网络对随钻异常振动进行识别。设计模拟实钻实验和仿真,训练后的脉冲神经网络可以对随钻振动的识别度达到99.39%,显示了该方法在实际应用中的巨大潜力。

D-S理论在复合振动识别中的应用

在D -S证据理论的基础上 ,针对动力机械复合振动识别中在同一征兆域中很难区分多种振动故障的实际状况 ,研究利用其他征兆域的识别信息 ,进行全局信息融合 ,从而达到较为准确的振动故障定位 ;系统地论述了基于证据理论和神经网络的多参数体系识别的数据融合方法 ,在该方法中采用证据理论的组合规则进行局部和全局信息融合 ,结果表明D -S证据理论能有效地识别动力机械复合振动特征 ;

基于CNN-RVM的输电杆塔外破振动识别方案

针对现有杆塔状态检测方案缺乏外破振动识别的现状,提出了一种基于深度学习模型的杆塔外破振动识别技术。首先获取外破条件下的输电杆塔外破振动信号和不同风激励条件下的输电杆塔振动信号,应用延时嵌陷技术对振动信号预处理,将原始信号转为二维形式后送入卷积神经网络(Convolutional Neural Network, CNN)进行特征提取,并采用相关向量机(Relevance Vector Machine, RVM)分类器实现振动模式识别;通过多次实验,确定CNN的最佳参数,再利用softmax分类器和梯度下降法对CNN的权值和阈值进行调整,最终得到高精度识别结构。仿真结果表明,提出的CNN-RVM识别模型在三种振动条件实验中准确率都高于99%,相比于国内外现有其它振动识别方案,具有高精度和高效率的优点。

基于数学形态谱的水泵振动识别研究

针对实测水泵振动信号夹杂噪声等现象,利用多尺度数学形态谱及形态谱熵理论,对不同转速下的水泵振动实测信号进行分析,提取相应的特征形状和特征量,进行振动故障识别,并验证了该方法的可行性与准确性。研究表明,随着转速的逐步增加,存在着不对中和不平衡故障的水泵机组,其振动特性可以划分为正常运行、周期性碰摩运行及混沌运行3类;当水泵振动类型相同时,随着转速的变化,相应的数学形态谱及形态谱熵分析结果几乎不变;采用数学形态谱及形态谱熵理论能够对夹杂大量噪声的故障测试信号进行分析处理,且故障信号识别成功率较高,其中形态谱识别成功率高于形态谱熵,能较好地达到故障识别的目的,也充分证明了该方法的抗干扰性。

基于EMD-LS-MFDFA法的离心泵异常振动识别

为探究离心泵地脚螺栓松动引起的非线性非平稳故障特征,利用经验模态分解(Empirical Mode Decomposition,EMD)提取信号趋势项,采用最小二乘(Least Squares,LS)对趋势项进行优化拟合的思路,对多重分形去趋势波动分析法(Multi-Fractal Detrended Fluctuation Analysis,MFDFA)进行优化,提出一种新的离心泵信号分析法。该分析法通过提取离心泵在正常和地脚螺栓松动状态下实测的泵壳振动信号、电机壳振动信号、扭矩信号,进行特征分析。实验结果表明,离心泵故障信号多重分形特征更为明显,提取的特征参数能够有效区分离心泵正常信号和地脚螺栓松动引起的各类故障信号。此外,通过分析特征参数的均值及均方差值,说明松动状态下会对离心泵造成较大的影响,对电机等部分产生相对较小的影响。

笼型三相异步电动机振动识别与分析

为了准确识别分析三相异步电动机振动的主要影响因素,采用降电压法测量并识别了电磁振动、轴承振动以及转子动不平衡引起的振动等主要成分。结合理论分析方法,对电磁力波引起的振动进行详细的分析,较好的识别了齿谐波电磁力、偏心以及饱和等多种因素引起的振动,为电动机振动噪声的针对性改进优化提供了具有参考意义的结论。

钻柱恶性振动识别与抑制技术研究进展

钻柱振动问题在钻井实践中普遍存在,钻柱恶性振动是造成钻头、钻柱失效的重要原因,其会降低钻井时效,增加钻井成本。如何有效识别钻柱恶性振动并加以抑制是一个重要的课题,国内外对其开展了大量的攻关研究和工程实践。本文详细阐述了钻柱耦合振动的理论研究现状及最新发展趋势,对钻柱振动室内实验研究进行了总结,介绍了国内外井下振动监测装置、钻柱振动抑制工具研发与应用的最新进展;最后提出理论研究与室内试验相结合,研发钻柱动力学分析软件及井下振动识别监测工具,配套合适的抑制、减振工具是解决钻柱恶性振动问题的主要方法;同时建议开展振动抑制一体化解决技术的研究。

一种基于频域信息的机械系统异常振动识别方法

提出了一种基于频域信息的机械系统异常振动识别方法。该方法将振动特征向量选定为特定频率范围内的频率序列,构建马氏距离表征待评估数据与参考特征向量集之间的差异程度,然后利用蒙特卡洛法设定极限阈值,将待测信号与设定限值进行比较,从而实现对故障状态的探测。通过一个船用电机的试验,验证了所提方法的正确性。

基于振动信号深度表征学习的高层建筑结构振动识别

振动识别对于实现结构振动控制、性态监测评估具有重要作用。“智慧城市”背景下的高层建筑结构对其振动响应识别提出了更高的要求,传统基于时频域转换与图神经网络的振动识别方法在计算成本和工程适用性上的局限性愈发显著。该文提出了一种基于振动信号深度表征学习的振动识别方法。在该方法中通过搭建自编码网络对一维频域信号进行自监督学习用以获取振动表征信息,然后基于原始信号和重构信号进行振动敏感参数定义和计算,其结果作为特征工程输入到线性分类器模型中进行训练,进而实现对振动的快速识别。该文以某超高层建筑在不同环境激励下的振动响应识别为例,验证了所提出方法的可靠性。同时为证明提出方法的优越性,引入了目前普遍认为最优的MFCC+CNN振动识别方法进行对比,结果表明,该文提出的方法在计算时间上节省了近20倍,并且整体识别精度从0.74提高到0.95以上。

基于振动模态识别的煤矿大型机电设备故障诊断方法

为了提高煤矿大型机电设备运行的安全性与可靠性,对设备进行准确、快速地故障诊断至关重要。基于此,提出了基于振动模态识别的煤矿大型机电设备故障诊断方法研究。首先,根据设备的结构特点和运行状况,考虑设备的运行工况,布置传感器测点,采集设备运行状态下的振动信号;其次,对多传感器信号进行融合处理,为后续故障诊断提供分析基础;再次,基于振动模态识别原理提取出能够反映设备状态的特征参数,包括振动信号的均值、最大值、均方根值特征;最后,建立煤矿大型机电设备故障征兆与故障因素的模糊集合,通过设备故障征兆模糊向量,确定故障程度与类型。试验结果表明,该方法故障诊断率可达到94%以上,表现出良好的准确性和可靠性。

基于Φ-OTDR的振动事件识别分类器研究进展

相位敏感光时域反射计(Φ-OTDR)凭借着传感距离长、铺设简单、耐腐蚀和抗电磁干扰等特点被广泛应用于分布式振动监测领域。随着传感任务多样化及人工智能的广泛应用,对振动事件的类型识别成为研究的热点方向。为了使读者能更好理解识别分类器研究进展和发展趋势,先后介绍了传统识别分类器和基于深度学习的神经网络识别分类器,对不同分类器性能指标、优缺点和应用场合进行了比较,最后对Φ-OTDR振动事件识别研究方向进行了展望。

基于分布式光纤相位敏感信号分类的油气管道振动检测研究

针对穿跨越油气管道人工巡检困难的问题,文中采用分布式光纤实时监测管道状态,对振动信号进行分类,识别管道振动源。提出改进的秃鹰搜索算法和光纤振动信号特征提取方法,并基于神经网络对分布式光纤相位敏感信号进行分类和识别。实验结果显示,文中提出的Ct-GBES-BPNN分类模型具有良好的分类识别效果,可为保障穿跨越油气管道安全提供支撑。

基于两级SVM的Φ-OTDR系统振动事件识别算法

相位敏感光时域反射计(Φ-OTDR)对于振动信号能够实现高灵敏度的连续分布式测量,目前的振动事件识别算法常从一个或者两个维度来提取特征,如时域或频域等,未能实现多维度大样本特征参量的融合分析;现有的算法一般采用简单的单级识别算法,结构比较简单,导致最终的模型识别准确率不高、泛化能力较差。针对上述问题,对实验采集的振动信号从时域、频域和空间域的多参量特征进行提取和融合,针对具体的振动信号识别问题,构建了一种两级支持向量机(SVM)识别算法,对振动事件进行两级分类,能够实现对相似振动事件的精确识别,识别准确率达90%以上。

基于耦合源误差分析的转子振动信号识别方法

转子振动信号实时监测是保障旋转机械健康运行的关键,转子圆度误差和电涡流位移传感器误差的耦合源误差在以往的研究和振动监测中很少考虑,使得转子振动信号有一定的失真,甚至会引起误判。以实际转子为例,提出了圆度误差测量表达式;测量和分析了两种常用电涡流位移传感器的误差,利用傅里叶拟合方法构建了圆度误差和电涡流位移传感器耦合源误差表达式,建立了耦合源误差与转子振动信号之间的映射关系。提出了点-点法、平均值法与最大值法3种转子振动信号识别方法,3种方法都能有效识别转子振动信号,其中点-点法最精确,识别误差占比约20%;平均值法计算简便,识别误差占比约10%;最大值法偏保守,但可有效避免误判,识别误差占比约32%。

基于数据挖掘的光纤周界振动信号识别

针对光纤周界振动信号中的噪声干扰以及通过单一特征无法全面描述振动信号的问题,研究基于数据挖掘的光纤周界振动信号识别方法。采用SVD(奇异值分解)方法对所采集的振动信号进行去噪处理,基于秩阶次值重构信号,由此消除噪声;针对无噪音振动信号,将峭度。排列熵与瞬时频率标准差作为特征,并进行特征融合,获取振动信号的特征向量;将特征向量输入概率神经网络中,利用模拟退火算法确定网络中的平滑因子参数值优化网络结构,通过学习与训练的过程输出振动信号识别结果。实验结果显示秩阶次值k为5时信号去噪性能最好,信号特征之间差异较为显著,易于区分,识别准确率平均为94.08%。

基于在线识别对转速不敏感的主动电磁轴承转子系统不平衡振动控制

提出一种基于振动识别的主动电磁轴承转子系统不平衡补偿控制方法。该方法的最大特点是能够不依赖控制对象的传递函数,在线识别出转子等效不平衡质量的大小和位置,然后根据识别结果计算出精确的控制信号,迫使转子绕其几何轴旋转。当转子转速变化时,尽管不平衡力随之变化,但不平衡质量的大小和相位特性不会改变,因此无需重新识别不平衡量,大大提高了在变转速情况下对转子不平衡的控制性能,同时减轻了控制器的计算负担。对算法的控制效果进行了实验测试,结果表明提出的对转速不敏感的基于振动识别的主动电磁轴承转子系统不平衡补偿控制方法对不平衡振动的抑制取得了很好的效果,并在转速变化情况下能大幅减少重新识别不平衡量的次数。