基于ACNN—LSTM网络的轴承状态退化预测

为了便于大型机组的维护和检修,确定机组齿轮箱轴承的更换时间,需要预知轴承的工作状态。根据轴承数据特点,提出卷积神经网络(CNN)的改进算法ACNN-LSTM网络。ACNN-LSTM是结合融入注意力机制的卷积神经网络与长短期记忆网络(LSTM),实现对轴承的退化预测。选取轴承退化敏感特征,利用主成分法建立退化指标。ACNN的注意力模块(CBAM)能够准确提取退化特征,经五点三次平滑法处理突出退化状态。为验证ACNN-LSTM网络的有效性,搭建风机齿轮箱平台。实验结果显示,预测退化曲线和实际退化曲线基本重合,到达失效阈值的时间接近,表明该改进算法能够准确预测轴承状态退化趋势,为评估轴承的运行状态提供依据。

基于振动信号分析的发电机组轴承状态监测技术研究

在现代电力工业中,发电机组作为核心设备,整个电力系统可靠性都需要其稳定运行进行维系。同时,轴承在发电机组中扮演重要角色,机组的整体运行效率跟其性能状态更是存在直接相关的影响。鉴于此,本文深入探讨基于振动信号分析的发电机组轴承状态监测技术,利用实时捕捉和分析轴承振动信号的方式, 希望为发电机组的稳定运行提供有力保障。

深度概率优化的VAE轴承状态评估

基于振动信号的VAE(variational auto-encoder,VAE)轴承状态评估方法,由于VAE近似后验分布简化高斯假设,其隐变量低维空间表示过于简单,往往无法捕捉到振动信号真实的潜在故障特征,且利用变分证据下界评估运行状态,存在估计不准确以及受样本数目影响较大等问题。研究分布变换优化VAE近似后验分布,利用优化采样算法优化计算VAE边缘概率密度,建立一种基于深度概率优化的VAE轴承状态评估模型。通过标准化流(normalizing flows)实现VAE中的分布优化,构造复杂灵活的近似后验分布,自适应学习健康状态下轴承振动信号频谱概率分布;采用AIS(annealed importance sampling,AIS)算法,通过一系列中间分布,采样完成边缘概率密度的优化计算,建立评价指标。滚动轴承对比实验表明,所提方法对滚动轴承退化过程更为敏感,证明了该方法在轴承状态评估中的有效性。

基于征兆驱动和专家推理的水电机组轴承状态分析

导轴承是维持水电机组主轴在轴承间隙范围内稳定运行的重要部件,其工作性能的好坏将对机组安全稳定性产生重要影响。为准确监测水电机组轴承运行状态,提出了一种基于征兆驱动的轴承状态诊断模型,通过建立相应的基础数据库,运用时域和频域分析方法提取故障征兆,并结合故障诊断专家推理机制实现对轴承状态的分析诊断。应用表明,该方法能对轴承运行状态实时集中监测,同时实现对轴承故障的及时诊断,可为电站机组的运行检修提供参考。

基于振动信号显著性序列的滚动轴承状态诊断方法研究

为提升基于时域信号的滚动轴承状态诊断准确率,提出了一种基于振动信号显著性序列的滚动轴承状态诊断方法。首先,将采集得到的振动信号归一化后进行了傅里叶变换,得到对数幅度谱和平均对数谱,并将二者相减获得了信号的谱残差;然后,对谱残差通过傅里叶逆变换映射回时间域,得到了信号的显著性序列;最后,将显著性序列输入到状态诊断模型中,对滚动轴承运行状态进行了分类,实现了对滚动轴承的状态诊断。实验及研究结果表明:相对于原振动信号,显著性序列可以有效地提高分类准确率,特别是对信噪比(SNR)较差的振动信号,如混有-6 dB的高斯白噪声,以支持向量机(SVM)及卷积神经网络(CNN)分别作为状态诊断模型,显著性序列的状态诊断准确率较原振动信号可分别提高9%和10.75%;对于利用卷积神经网络的状态诊断模型,显著性序列还能有效缩短网络模型训练时间,提高系统的时效性。

适用于水电机组开机过程的轴承状态综合评估方法

为了克服利用单一限值难以充分表征水电机组轴承状态的缺陷和不足,基于机组开机过程多项参数指标,提出了一种具有层次性的轴承状态综合评估方法。该方法利用专家经验和权重渐变性的组合赋权来确定各项指标的综合权重,并通过概率论和模糊理论求取评判矩阵,最终得到水电机组轴承状态综合评价指标值。以某机组运行实测数据为例进行验证,结果表明该方法具有工程适用性。

基于灰色模型的转台天线传动轴承状态预测模型设计

转台式天线广泛应用于航天器测控、遥测系统,其传动系统的运行状态对天线系统功能和性能的发挥起着决定性作用。轴承作为天线传动系统的重要组成部分,是传动失效分析的关重部件,也是天线传动系统状态监测和预防性维护维修的重点。文章根据天线传动系统轴承的损伤特点,以表征轴承损伤严重程度递增的特征量为输入,提出了一种采用灰色预测模型进行轴承状态预测的方法.并通过对经典灰色预测模型的改进,分别釆用RMS、ArRMS和ArMedRM等特征量作为模型输入,经某天线系统轴承状态演化测试数据验证了修正的灰色预测模型的有效性。

基于深度神经网络的轴承状态监测研究

为提高轴承状态监测的准确性和实时性,研究了基于卷积神经网络和GPU运算的轴承状态识别模型。利用振动信号监测轴承性能状态,应用连续小波变换算法对振动信号进行时频变换得到小波系数云图,通过基于卷积神经网络的深度学习方法进行数据驱动的特征学习,卷积和子采样计算提取具有旋转和尺寸不变性的特征向量,最后全连接层对特征向量进行状态识别。采用基于CUDA(Computer Unified Device Architecture)框架的CPU+GPU异构并行运算对计算模型加速,提高系统的实时性。为验证提出算法的有效性,采集轴承全寿命周期振动信号,运用提出的CPU+GPU计算方法和CPU计算方法分别对轴承运行状态进行识别实验。实验结果表明,所提出的方法,计算速度是CPU计算速度的5倍以上。

LQ1020轴承状态检测仪动设备检测效果分析

LQ1020轴承状态检测仪工作原理及应用优点,通过炼油厂动设备故障实例诊断情况,使用LQ1020轴承状态检测仪对部分运转设备进行故障预防,在动设备损坏前将其维护正常,保障生产装置的长周期稳定运行。

确定抗磨轴承状态的振动脉冲法(SPM)

引言球轴承和滚柱轴承是迥转机械中最普通、最重要的元件。每一个滚动元件或抗磨轴承都有其极限寿命,它同安装、使用条件及受到的维护有极密切的关系,而机床的可靠性、效率和安全则要取决于轴承的功能是否正常。每个轴承的磨损和失效最终是由金属疲劳所引起的。轴承过早失效是由于操作条件、润滑和使用等问题所造成的。当一个轴承失效时,随后会使某些机器零件损坏,而更严重的是在生产上造成的损失通常要比更换轴承的费用高好几倍。定期更换轴承的做法也不保险。

基于脉冲信号的频谱分析对电机轴承状态判定以应用实例

今年来,随着工业化进程的发展,大功率交流电机的应用越来越多。而对于实验室等一些特殊环境应用下的电机,因系统的复杂程度和实验室实验的特殊性,导致常规的拆机及维护不具备实施的空间和条件,但实验室本身对精度要求高的特性又恰恰对系统电气的状态极为敏感。为此,本文根据现场实例,介绍和论述了通过系统外部信号判断电机轴承状态的方法,并选取一种进行针对现场系统的搭设。

高斯过程回归在轴承健康状态预测中的应用

轴承作为列车牵引电机的重要零部件,准确评估其后续健康状态对列车的安全运行至关重要。基于轴承台架试验及实车数据,将主成分分析(PCA)和高斯过程回归(GPR)应用于轴承的健康状态评估及预测中。通过对试验数据进行特征提取,获得能够表征轴承衰退规律的特征数据,应用PCA将提取的数据进行降维并建立轴承状态评估数据,应用GPR对评估数据进行学习和预测。通过预测值与真实值的对比验证,GPR可以实现轴承的健康状态预测,并在低采样率下保持了较高的准确率。

轴承退化状态表征的流形融合指标构建方法

针对传统数据融合构建的轴承退化状态表征指标易受噪声影响,存在波动和难以兼顾轴承退化状态的全局结构和局部结构等问题,提出了基于一致流形近似与投影的轴承退化状态表征的融合健康指标构建方法。首先,分别在时、频域内计算轴承退化状态表征指标,构建原始高维退化趋势特征集;然后,建立退化状态敏感特征筛选准则,从高维特征集中筛选出较好表征轴承退化状态的特征指标;最后,引入一致流形近似与投影算法和指数加权滑动平均对筛选出的敏感特征进行融合与平滑,构建轴承退化状态表征指标。通过两组全寿命轴承振动数据对所提方法进行验证,结果表明,与单一指标以及传统的指标融合构建方法相比,该方法可以克服单一指标表征能力有限和传统指标融合方法能力不够全面等缺点,能有效提高轴承健康指标的单调性与趋势性,以准确表征轴承的退化状态。

基于Hadoop的船舶轴承健康状态监测系统设计

综合利用Hadoop的分布式计算、负载均载均衡能力好、易于扩展、适合海量数据存储等特点,开展大数据环境下船舶轴承状态监测系统研究。通过分析监测系统的技术需求,提出船舶轴承健康状态监测系统总体框架;从功能设计、业务流程等方面进行系统设计。在此基础上,研制了船舶轴承健康状态监测系统,并开展案例验证。研究结果表明,提出的船舶轴承健康状态监测系统适用于大数据环境下的海量监测数据分布式存储和分析。

转炉倾动机械轴承振动状态监测系统的设计

分析梅钢转炉倾动机械轴承振动在线监测系统的工艺特点和技术现状,针对人工观察方法存在的缺陷,采用高速实时采集技术,设计一种基于故障诊断的振动状态在线监测系统。在设计过程中,依据干扰抑制机理,采用电磁屏蔽、硬件和软件滤波等措施。结果表明:该系统较好地满足了实时监测、自动报警、数据记录和历史查询等要求,有效地提高了转炉倾动机械运行状态在线监测的可靠性,并为系统故障诊断提供可靠的依据。

基于VMD-LSTM的滚动轴承退化状态识别

针对滚动轴承退化信号的非平稳、非线性特点以及全寿命退化状态难以有效识别的问题,提出一种基于变分模态分解(VMD)和长短时记忆神经网络(LSTM)相结合的滚动轴承退化状态识别方法。该方法首先采用麻雀搜索算法(SSA)对VMD的两个参数(模态分量个数和惩罚因子)进行优化;然后将滚动轴承振动信号分解成若干个本征模态函数(IMF),再根据皮尔逊相关系数选择VMD分解得到的敏感IMF分量,对其重构后进行特征提取;最后将多维退化特征输入LSTM模型训练,建立退化状态模型。实验结果表明该方法能够准确识别轴承的退化状态,验证了该方法的优越性。

基于颗粒度分布在线监测的汽轮机轴承磨损状态识别

建立了汽轮机润滑油系统基于颗粒度分布的污染控制模型,分析了汽轮机油系统颗粒度分布规律与轴承磨损状态之间的关系。采用威布尔分布(weibull)函数的尺度参数和形状参数及分布均值来描述油系统中颗粒度分布并仿真研究了在不同磨损状态下3个参数的变化规律。仿真试验结果表明,通过在线监测汽轮机润滑油中颗粒度分布的尺度参数、形状参数及分布均值的变化,可及时判别汽轮机轴承磨损状态的改变,该监测方法与铁谱、光谱检测技术相结合可及时准确地诊断出轴承的异常磨损状态。

基于逻辑回归的轴承状态监测

以列车牵引电机的核心部件滚动轴承为研究对象,通过振动加速度传感器采集振动数据计算特征指标,采用因子分析和逻辑回归的方法计算轴承的健康度,通过健康度对轴承状态进行监测,更早地发现轴承问题,进行维修或更换,降低运维成本,提高使用效率,提升用户满意度。

轴承加速度变化与轴承使用寿命的研讨

状态监测技术是目前保障转动设备安全运行最有效的手段。滚动轴承加速度的趋势变化、频谱分析是状态监测技术的基础。通过监测加速度升高更换轴承的方法,可以有效防止轴承故障的发生。但根据实际维修结果反馈,存在部分过度维修的情况。本文总结近3年大量典型维修案例,结合加速度频谱、轴承状态等进行精细分析。目的在于尽可能精准选择轴承维修时机。做到不可以继续运行的设备,立即停泵维修;可以适当运行的设备,在保障安全的前提下继续运行,从而延长轴承寿命、降低维修成本、节约人力资源。

基于光纤传感的轴承异常状态识别研究

为了解决当前轴承异常状态识别过程中存在的难题,提高轴承异常状态识别效果,提出了一种基于光纤传感的轴承异常状态识别方法。首先采用光纤传感技术获得轴承异常状态信号,并对轴承异常状态信号进行预处理,消除轴承异常状态信号中一些无用信息,然后将处理后的轴承异常状态信号输入到隐马尔科夫模型进行学习和训练,建立轴承异常状态识别的分类器,并对分类器参数进行优化,接着根据分类器进行轴承异常状态的识别,最后采用具体的实例进行了轴承异常状态识别的仿真测试。测试结果表明,这种方法的轴承异常状态识别正确率高,减少了轴承异常状态的漏识率和误识率,同时轴承异常状态识别时间短,加快了轴承异常状态识别速度,获得了理想的轴承异常状态识别结果。