滚动球变换支持下的TIN-DDM地形特征线自动提取方法

针对传统规则格网数字高程模型地形特征线提取方法中存在阈值难以定量调控、连接方式无法自适应调整以及地形特征线类型不完整的问题,将滚动球变换模型应用于不规则三角网数字水深模型(triangulated irregular network digital depth model,TIN-DDM)地形特征线的自动提取,在构建临界滚动球半径关联的地形特征点定量识别判定准则基础上,引入地形形态边界点概念,采用逆向工程的建模思路,建立了以剖分单元为基础的地形特征线自动提取模型,结合地形类型判定准则的多尺度表达特性及顾及水深数值的地形特征优化模型,提出了可多尺度表达且类型完整的地形特征线自动提取方法。试验结果表明:相比于经典地表流水模拟方法,该方法可实现完整、连续且细分的TIN-DDM地形特征线自动提取及多尺度表达,且提取的地形特征线具有更高的地形重构精度。

基于AESL-GA的BN球磨机滚动轴承故障诊断方法

针对基于知识的贝叶斯网络(BN)构建方法存在不完全和不精确的缺点,提出一种基于知识引导和数据挖掘的BN结构构建方法。针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题,将电流信号与振动信号融合建立BN的特征节点,分别提取2种信号的故障特征参数,利用区分度指标法进行特征筛选,将其作为BN结构特征层的节点。将专家知识构建的初始BN结构结合自适应精英结构遗传算法(AESL-GA)进行结构优化,通过自适应限制进化过程中的搜索空间,减少自由参数的数量,提高其全局搜索能力,得到最优BN结构。通过MQY5585溢流型球磨机滚动轴承实测数据和Paderborn University轴承数据集对所提方法进行验证,结果证明了所提方法的有效性。

基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

汽车轮胎滚动阻力研究综述

汽车轮胎稳态滚动阻力作为轮胎力学特性之一,对汽车的动力性、燃油经济性、制动性、操纵稳定性以及轮胎使用寿命等具有重要影响。阐述了轮胎滚动阻力产生机理,总结了轮胎滚动阻力的试验测量、数值仿真和理论计算方法;分析了车轮结构参数及材料属性对轮胎滚动阻力的影响;指出了汽车轮胎滚动阻力研究的技术挑战及发展趋势,可为轮胎滚动阻力的研究提供一定的参考。

重载铁路小半径曲线内轨滚动接触疲劳机理研究

国内某重载铁路小半径曲线内轨发生严重的滚动接触疲劳及其所致剥离损伤,主要集中在内侧轨肩处。为揭示其萌生机理,在轮轨现场观测和列车参数调研的基础上,建立典型重载列车的动力学模型,并利用损伤函数与表面滚动接触疲劳指数,数值分析内轨滚动接触疲劳的主要影响因素。所预测的疲劳区位置、严重程度及裂纹扩展方向等均与现场观测吻合,并发现钢轨磨耗失形是滚动接触疲劳在内轨两侧轨肩处发生的根本原因。内轨内侧轨肩处疲劳由机车曲线通过行为主导,“Co-Co”式转向架中间轮对的贡献最显著,机车导向轮对与货车共同决定了内轨外侧轨肩疲劳。随着曲线半径R增大,轮轨间作用强度减弱,使得内轨疲劳的严重程度逐渐降低,两轨肩疲劳区向轨顶中心靠拢,并最终在R为1000 m左右时合为1个疲劳区,轨面剥离现象也趋于消失。

基于振动信号的滚动轴承复合故障诊断研究综述

滚动轴承是旋转机械的关键部件。工作原理与工作环境决定了其具有易损、易耗特点。对其进行故障识别与诊断是保证设备运行安全可靠的必要手段。在工程应用中,轴承复合故障发生率高于单一故障,且特征识别较为困难。文章面向基于振动信号的滚动轴承复合故障诊断领域,按照传统诊断、智能诊断分类,从算法历程、基本原理、应用效果、算法优缺点等角度,对各种诊断方法进行了论述和分析,对轴承复合故障诊断方法的研究趋势进行展望。

改进卷积胶囊网络的滚动轴承故障诊断方法

目前许多基于卷积网络的滚动轴承故障诊断方法受噪声信号以及负荷变化的影响,存在诊断效果不佳、泛化能力差的问题。针对此问题提出一种改进卷积胶囊网络的滚动轴承变工况故障诊断方法。该方法设计了多尺度非对称卷积模块,其中采用不同尺度的非对称卷积层对输入数据进行特征提取,在实现最大化提取数据中的特征信息的同时,还能够有效减少参数量;在该模块中引入通道注意力机制,能更好地提取有用的通道特征,提高该方法特征提取的能力;通过将网络中的全连接层改进为胶囊全连接层,使得胶囊在输出向量特征信息时,避免了特征信息在空间中的丢失。使用凯斯西储大学轴承数据集和东南大学变速箱数据集来验证所提方法的诊断性能,并与其他深度学习方法进行了比较。实验结果表明,与其他深度学习方法相比,具有较好的泛化性,效果更佳。

联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

钢轨材料局部激光熔覆自熔性合金涂层的磨损与滚动接触疲劳行为

激光熔覆技术可用于钢轨局部损伤表面的局部修复,但局部修复钢轨材料的磨损与滚动接触疲劳损伤规律尚不清楚。通过在钢轨试样表面切除凹槽来模拟局部损伤,在凹槽处激光熔覆Ni基、Fe基和Co基自熔性合金粉末,分析修复钢轨微观组织与硬度,然后利用双轮对滚试验研究局部修复钢轨试样的磨损与滚动接触疲劳行为。结果表明,激光熔覆涂层形成了共晶与枝晶组织,Ni基涂层组织粗大、硬度较小,Fe基与Co基涂层组织尺寸较小,Fe基涂层硬度最大,Co基涂层硬度居中。相比未熔覆区域,激光熔覆区(涂层)塑性变形层厚度较小,且涂层原始硬度越高,硬化后硬度越大,但硬化率和硬化层厚度更小。未熔覆区滚动接触疲劳裂纹较长,但裂纹角度较小;熔覆区裂纹长度均有所降低,但裂纹扩展角度明显增大;熔覆区与未熔覆区结合处疲劳损伤最为严重,疲劳裂纹角度和深度均比熔覆区和未熔覆区更大。对比分析发现,Stellite21(Co基)熔覆试样摩擦因数较低,熔覆区与未熔覆区磨损深度差较小,抗滚动接触疲劳性能较好,较为适合钢轨局部损伤的激光修复。研究结果可为激光熔覆技术在钢轨局部修复上的应用与优化提供理论与技术指导。

联合收割机滚动轴承故障诊断系统研究--基于声场空间分布特征

首先,介绍了联合收割机滚动轴承振动机理和故障特征,并研究了基于声场空间分布特征的故障诊断流程;然后,对联合收割机滚动轴承的声音信号采集及特征提取进行了深入研究;最后,利用神经网络算法的模式识别对联合收割机滚动轴承的故障进行诊断。验证结果表明:系统对联合收割机滚动轴承故障的综合诊断率为91.67%,系统具有可行性。

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明:所提方法CNN-LSTM有着较高的预测准确度。

滚动轴承局部故障时变刚度系统动力学分析

针对滚动轴承局部故障动力学建模问题,通过分析各滚动体在进入、退出载荷区和陷入故障时的变化情况,基于Hertz接触理论,定义了接触变形保留因子,提出了滚动轴承等效时变刚度函数,建立了局部故障滚动轴承单自由度时变刚度动力学模型,并进行了理论分析和试验研究。研究结果表明:当滚动体进入或退出载荷区时,载荷区中承载滚动体数量增加或减少,引起系统等效时变刚度的小幅增加或减小;当滚动体陷入故障时,因接触变形保留因子的不同使得其有效接触刚度不同程度降低而导致系统等效时变刚度的减小。系统等效时变刚度的变化引起载荷区中其他滚动体的接触变形和接触力产生不同幅度的变化,从而平衡外部径向载荷,对载荷区中心附近的滚动体的影响较为明显,但不影响各滚动体的有效接触刚度。系统等效时变刚度发生突变,导致系统振动。当外环故障时,等效时变刚度等幅变化;当内环故障时,等效时变刚度的变化受到内环旋转的调制而幅值不同。提出的单自由度时变刚度动力学模型与实际更加吻合。

基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断

滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。

基于卷积神经网络的多工况多传感滚动轴承实时监控方法

针对工业环境中广泛在多工况下多滚动轴承实时状态监测的需求和部署环境受限的挑战,提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的面向多传感器滚动轴承运行状态监控方法。该方法将两个不同工况下的一维时间序列数据集以均方根(Root Mean Square,RMS)指标标注,并通过将一维时间序列多传感器数据重构为二维空间张量的形式输入卷积神经网络训练。最后利用层融合和16比特量化优化,将网络部署到FPGA上,用以解决CNN的计算开销。实验结果表明,在结合了两种不同工况的数据集下,网络测试推理准确度依然高达99.24%,比多层感知机实现高10.48%,比多层感知机结合支持向量机的实现高2.91%,该算法对于新加入的数据集也有较强的鲁棒性,经过重训练,新加入的数据集准确率可以达到99.17%。基于FPGA部署优化的网络的峰值能效为76.217GPOS/W,为CPU实现的33.09倍,GPU实现的5.39倍。其中,16比特精度部署的网络测试精度相较32比特精度实现仅降低0.001%。

全局/滚动曝光兼容高动态抗辐照CMOS图像传感器设计

针对高速目标的高精度探测及辐射环境的应用要求,为解决全局与滚动曝光模式兼容难度大、灵敏度和动态低、帧速不高、抗辐照水平低等问题,对CMOS图像传感器架构、像素结构、列并行高精度数字化、高速读出、抗辐照加固等技术进行研究。基于单边列并行DDS、多模兼容的架构方案,设计了一款7.5μm×7.5μm,2048×2048可见光CMOS图像传感器,采用双增益像素结构、高帧速数字化读出、多通道可选输出、像素和电路抗辐照加固等方法,实现了全局与滚动曝光兼容、高灵敏度高动态成像、高精度数字化和高速输出、抗辐照加固等技术验证,填补了国内多模曝光兼容抗辐照CMOS图像传感技术研究空白。测试结果表明:器件功能正常,成像效果良好,动态范围、满阱电荷、灵敏度、帧速、抗辐照等指标满足预期要求,对高速高动态成像及辐射环境的系统应用具有重要意义。

扣件刚度非线性对波磨区轮轨瞬态滚动接触行为的影响

WJ-8型扣件橡胶垫板刚度在长期服役过程中表现出非线性特征,静刚度随荷载增加而降低,为提高三维瞬态滚动接触有限元模型计算精确性,本文以LMA踏面车轮及CHN60型钢轨为基础,基于显式积分算法,将以往研究中线弹性扣件转化为非线性扣件,建立考虑扣件刚度非线性特征的三维轮轨瞬态滚动接触有限元模型,研究刚度非线性对车轮与钢轨波磨间高频动态响应及瞬态接触行为的影响,并重点分析了波磨工况下时频域内轮轨接触力、轴箱加速度的变化信息.结果表明:扣件非线性对轮轨接触力变化影响明显,主要表现为车轮行驶至扣件前端时强振动导致橡胶垫板表现为柔软特性使轮轨接触力减小,车轮行驶至扣件上方时在轴重作用下振动减弱表现为刚硬特性使轮轨接触力增大,轮轨力变化差异最大达到13.1%.

基于角域重采样和领域对抗网络的滚动轴承故障迁移诊断方法及实验分析

该文提出一种基于角域重采样和领域对抗神经网络的电机滚动轴承跨工况故障迁移诊断方法。首先对不同工况下的时域振动信号进行角域重采样,用以降低不同转速下振动信号的时频差异;然后利用领域对抗学习策略提取出源域与目标域数据中的领域不变特征,进一步减小不同工况间的数据分布差异。该文还搭建了电机滚动轴承故障诊断实验平台,针对6种跨工况迁移诊断任务开展了验证实验。实验结果表明,所提方法的故障平均迁移识别率高达95.08%。该故障诊断方法实验研究涉及信号处理、深度学习等领域知识,有助于学生掌握基本原理,锻炼理论联系实际的能力。

基于时频图与视觉Transformer的滚动轴承智能故障诊断方法

基于循环神经网络的故障诊断方法在计算过程中难以保存间隔时间过长的信息且无法并行计算,在大型数据建模方面存在不足,为提高轴承故障诊断工作的效率及准确性,提出了一种基于短时傅里叶变换时频图与视觉Transformer(ViT)的轴承故障诊断方法:通过短时傅里叶变换将原始振动信号转换为二维时频图像,再将时频图作为特征图输入ViT网络中进行训练,详细分析网络参数对故障诊断性能和计算复杂度的影响,构建最优模型结构,最终实现轴承的故障诊断。采用凯斯西储大学和江南大学轴承数据对模型进行验证,结果表明该模型可以有效结合短时傅里叶变换在处理时变信号方面的优势和ViT网络强大的图像分类能力,具有更高的诊断精度和更好的泛化性、通用性。

基于OFMD和FSC的滚动轴承复合故障诊断

针对滚动轴承的复合故障诊断问题,深入研究了一种基于优化特征模态分解和快速谱相关的复合故障诊断方法。首先,通过理论分析,提出脉冲能量因子指标来实现特征模态分解的参数选择以及最优分量的选取;然后,基于快速谱相关原理设计谱相关相对强度曲线和改进快速谱相关图,用于确定不同故障调制后对应的最优载波,对最优载波进行包络处理,从而分离轴承的复合故障特征,最终实现复合故障的准确性诊断。通过模拟故障试验和工程案例分析结果表明,该文所提方法相比于经验模态分解能够有效滤除噪声干扰,具有良好的鲁棒性,同时,避免了解卷积方法设定参数的缺陷,且与Autogram方法相比,能够有效分离复合故障特征,避免复合故障特征成分耦合。