期刊文献+
共找到6篇文章
< 1 >
每页显示 20 50 100
数据驱动的旋转设备性能退化趋势预测方法 被引量:11
1
作者 王庆锋 刘家赫 +1 位作者 刘晓金 许述剑 《计算机集成制造系统》 EI CSCD 北大核心 2022年第3期724-734,共11页
为解决在役状态监测系统采用常规固定阈值报警方法难以追踪旋转机械性能退化发生和发展的问题,应用振动监测原始数据和实时监测原始数据构建了数据驱动的旋转设备性能退化趋势预测模型,提出一种基于谱距离指标运行可靠性曲线l_(1)趋势... 为解决在役状态监测系统采用常规固定阈值报警方法难以追踪旋转机械性能退化发生和发展的问题,应用振动监测原始数据和实时监测原始数据构建了数据驱动的旋转设备性能退化趋势预测模型,提出一种基于谱距离指标运行可靠性曲线l_(1)趋势滤波的旋转设备性能退化趋势预测方法。应用美国辛辛那提智能维修信息系统(IMS)中心轴承实验数据和中国某石化公司离心压缩机转子不平衡故障案例数据验证了所构建的旋转设备性能退化预测模型。结果表明,数据驱动的旋转设备性能退化预测模型只需要运行正常状态振动原始数据,无需依赖外部专家先验知识,能够准确预测和追踪旋转设备性能退化趋势的发生和发展。 展开更多
关键词 数据驱动 性能退化 趋势预测 l_(1)趋势滤波 预测性维修
下载PDF
基于相对特征的滚动轴承实时健康评估方法研究 被引量:3
2
作者 王庆锋 张程 +2 位作者 卫炳坤 许述剑 刘江 《机电工程》 CAS 北大核心 2021年第9期1099-1106,共8页
旋转机械设备的性能退化状态缺乏量化的评价准则,针对这一问题,构建了一种基于相对特征的滚动轴承实时健康评估模型。首先,基于单调性原则筛选出了相对整流平均值与相对有效值,并将其作为健康指数,再采用模糊C均值聚类方法,构建了一种... 旋转机械设备的性能退化状态缺乏量化的评价准则,针对这一问题,构建了一种基于相对特征的滚动轴承实时健康评估模型。首先,基于单调性原则筛选出了相对整流平均值与相对有效值,并将其作为健康指数,再采用模糊C均值聚类方法,构建了一种由数据驱动的滚动轴承实时健康状态评估模型,以及健康状态评价准则的知识库;然后,利用最近邻原则与设计的逻辑判断修正算法,来对待测轴承的健康状态进行实时判别;最后,以辛辛那提大学智能维修系统(IMS)中心第二组轴承实验数据为模型训练数据,选择中国某石化公司加氢裂化装置P3409A离心泵轴承“运转到坏”的振动数据作为待测数据,对构建的健康状态评估模型进行了验证。研究结果表明:该模型能够有效地表征旋转机械设备的实时性能退化状态,实现对其在线实时评估,且仅需要待评定设备正常数据,不依赖外部专家先验知识,因而该模型具有良好的泛化性。 展开更多
关键词 滚动轴承 健康状态评估 相对特征 模糊C均值聚类 评价准则
下载PDF
数据驱动的滚动轴承实时健康状态评估方法 被引量:1
3
作者 王庆锋 张程 +2 位作者 陈文武 刘晓金 张宇飞 《计算机集成制造系统》 EI CSCD 北大核心 2023年第7期2211-2223,共13页
为解决工业企业旋转设备滚动轴承健康状态难以实时在线量化评估的难题,基于单调性原则筛选多尺度互相关系数均值和多尺度谱距离指标均值作为健康指数,采用多尺度分析、改进的l_(1)趋势滤波、模糊C均值聚类分析方法,构建了一种数据驱动... 为解决工业企业旋转设备滚动轴承健康状态难以实时在线量化评估的难题,基于单调性原则筛选多尺度互相关系数均值和多尺度谱距离指标均值作为健康指数,采用多尺度分析、改进的l_(1)趋势滤波、模糊C均值聚类分析方法,构建了一种数据驱动的滚动轴承实时健康状态评估模型和评估准则知识库;借鉴迁移学习基本原理,提出了一种实时待测数据向构建的健康状态评估准则知识库对应的坐标体系下的数据映射方法;应用“运转到坏”的实验数据训练健康状态评估模型并实现工程实践运用。以辛辛那提大学智能维护系统(IMS)中心第二组轴承实验数据为模型训练数据,建立轴承健康状态评估准则知识库,应用IMS中心第一组实验数据和中国某石化公司加氢裂化装置P3409A离心泵轴承“运转到坏”的振动加速度数据为模型验证数据,对构建的滚动轴承健康状态评估模型进行验证。验证结果表明,该模型具有泛化性且能够有效表征滚动轴承健康状态,评估过程不依赖外部专家先验知识、不需要待评估轴承历史故障数据,对于实现旋转设备“无人化”智能运维具有重要的工程应用价值。 展开更多
关键词 健康状态评估 多尺度分析 改进l_(1)趋势滤波 模糊C均值聚类 评估准则 滚动轴承
下载PDF
基于优化核函数带宽SVDD的机械振动预警模型 被引量:1
4
作者 刘晓金 陈文武 王庆锋 《机电工程》 CAS 北大核心 2023年第11期1641-1654,1672,共15页
基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算... 基于高斯核函数的支持向量数据描述(SVDD),因其具有良好的异常检测性能,常被用于机械振动故障预警领域,但其性能的好坏受限于核函数带宽的取值是否适宜。为此,针对常规高斯核函数支持向量数据描述(SVDD)存在需要负类样本训练模型、计算量大、不收敛、不适用于小数值数据等问题,提出了一种不需要专家经验知识和负类样本训练SVDD超球体的优化核函数带宽计算方法,构建了基于优化SVDD核函数带宽的机械振动故障预警模型。首先,根据空间矩阵复杂度的信息熵,量化表征核函数带宽的取值对SVDD超球体的影响;然后,采用粒子群优化(PSO)算法寻找空间矩阵复杂度最大时对应的核函数带宽σ取值,实现了目标函数的快速收敛目的;综合考虑惩罚参数对SVDD超球体描述边界的影响,引入惩罚参数对寻优结果进行了修正,完成了对历史正常运行状态数据驱动的机械振动故障预警模型的构建任务;最后,应用辛辛那提大学智能维护中心轴承试验数据集等6项公开实验室数据和4项工程案例数据,对上述方法的实用性和可靠性进行了验证,并将其结果与采用常规方法所得结果进行了对比验证。研究结果表明:与常规方法相比,采用优化核函数带宽计算方法训练出的机械振动故障预警模型的合格率为100%,超球体描述边界拟合良好,并且不存在不收敛的问题。 展开更多
关键词 机械设备故障预警 高斯核函数 支持向量数据描述 核函数带宽 惩罚参数 超球体 空间矩阵复杂度 粒子群优化算法
下载PDF
一种数据驱动的旋转机械早期故障检测模型构建和应用研究 被引量:19
5
作者 王庆锋 卫炳坤 +2 位作者 刘家赫 马文生 许述剑 《机械工程学报》 EI CAS CSCD 北大核心 2020年第16期22-32,共11页
传统在线监测系统未能实现早期故障预警,旋转机械状态劣化评估采用固定阈值分级报警方法,存在较多的误报警和漏报警现象,难以指导企业设备预测性维修开展,设备运行安全性、可靠性、利用率难以保障。立足于工程应用,研究基于小波包分解... 传统在线监测系统未能实现早期故障预警,旋转机械状态劣化评估采用固定阈值分级报警方法,存在较多的误报警和漏报警现象,难以指导企业设备预测性维修开展,设备运行安全性、可靠性、利用率难以保障。立足于工程应用,研究基于小波包分解、动态核主成分分析、T2统计分析、Beta分布预警控制限自学习等技术,构建数据驱动基于振动信号分析的旋转机械早期故障检测模型。应用辛辛那提大学智能维修系统中心滚动轴承试验数据和中国某石化公司加氢裂化装置P3409A离心泵轴承"运转到坏"的在线监测振动数据,对构建的设备早期故障检测模型进行验证,结果表明,构建的设备早期故障检测模型,相比传统固定阈值分级报警方法,能够检测滚动轴承早期故障并实现早期故障准确告警,能够有效降低错误报警率和漏报警率。构建的基于振动信号的旋转机械早期故障检测模型,只需要知道监测部件正常运行状态历史数据,无需外部专家支持,实时数据驱动即可实现早期故障检测预警。 展开更多
关键词 小波包分解 动态核主成分分析 监测统计量 早期故障检测 预测性维修
原文传递
旋转机械突发不平衡故障早期预警及诊断方法研究 被引量:3
6
作者 肖扬 王庆锋 +3 位作者 杨哲 徐伟 舒悦 陈文武 《机械工程学报》 EI CAS CSCD 北大核心 2023年第11期308-318,共11页
旋转机械突发不平衡故障的早期预警是当前状态监测领域工程实践中的难题,对于避免设备非计划停机造成灾害事故发生具有重要的意义。针对实际工程应用中,正常数据丰富、故障数据缺乏的情况,提出一种旋转机械突发不平衡故障早期预警及诊... 旋转机械突发不平衡故障的早期预警是当前状态监测领域工程实践中的难题,对于避免设备非计划停机造成灾害事故发生具有重要的意义。针对实际工程应用中,正常数据丰富、故障数据缺乏的情况,提出一种旋转机械突发不平衡故障早期预警及诊断方法。提取正常运行工况历史数据的特征指标,构建支持矢量数据描述预警模型检测早期故障趋势,再利用包括强化特征提取、强化特征迁移、强化模式识别的强化故障诊断方法进行模式识别。应用两组石化企业实际工程故障案例作为测试数据,早期预警方法相较于传统的振动峰-峰值报警分别提前了2 400 min和4 330 min。强化故障诊断方法对两组测试数据的识别准确率分别为95%和90%,与其他故障识别方法相比诊断精度和F分数最高,标准差最低。结果表明,所提方法具有良好的早期故障检测性能,对不同设备和工况的跨域数据故障识别鲁棒性较好,领域泛化能力较强。 展开更多
关键词 旋转机械 早期预警 故障诊断 强化特征迁移 领域泛化
原文传递
上一页 1 下一页 到第
使用帮助 返回顶部