基于流形学习的旋转设备故障诊断方法

为解决变工况条件下源域样本和目标域样本分布差异导致不同域样本特征动态变化明显以及诊断准确率较低的问题,提出1种基于流形学习的测地流核函数(geodesic flow kernel,GFK)域自适应故障诊断方法,该方法在格拉斯曼流形中构造测地流式核,将频域特征转换为与故障信息相关的固有流形特征,减小源域与目标域在特征空间上的分布差异。研究结果表明:所提方法的平均诊断准确率较KNN、SAE、SA、CORAL方法在滚动轴承上分别提高24.98,12.18,8.14和6.36个百分点,在RV减速器行星轮上分别提高31.38,20.55,20.25和22.19个百分点,在齿轮上分别提高62.71,46.05,51.34和43.84个百分点,可有效提高不同旋转设备变工况条件下的诊断准确率。研究结果可为变工况条件下的旋转设备故障诊断研究提供参考。

基于深度融合神经网络的轴承健康指标构建

基于深度学习方法构建轴承健康指标正成为机械故障诊断领域新的研究内容和应用热点。基于深度学习的指标构建容易受到前期人工特征提取和特征选择的影响,且缺乏对多通道传感器信息进行有效融合。针对上述问题,设计了一种基于深度融合神经网络(DFNN)的多通道信息融合健康指标构建方法。首先,提出一种多通道融合特征提取器(MFE)从传感器原始信号提取轴承退化特征,然后设计一种自适应特征选择器(AFS)进行特征选择,最后引入双向长短期记忆网络(BiLSTM)构建健康指标。所提出的方法在轴承全寿命数据集上进行实验验证,实验结果表明,相比现有基于深度学习的轴承健康指标构建方法,DFNN构建的健康指标趋势性指标高达98.4%,单调性指标增加44%,因而能够更准确的反映轴承实际性能退化趋势。

自冲铆机械内锁结构形态的超声无损检测方法

自冲铆机械内锁区的结构特征直接影响着结构件连接强度和疲劳寿命,是其成形质量评价的重要指标。主要开展自冲铆机械内锁几何特征尺寸及缺陷的无损检测方法研究。基于聚焦超声探头焦平面声压分布,建立结构体边缘声强分布理论公式,并进行试验验证,明确声束扫描结构体边缘时反射回波信号的演变规律,据此提出一种自冲铆钉脚扩张直径的无损检测方法。结果表明:当超声声束靠近钉脚尖边缘时,回波反射声强的变化率呈现先增大再减小的趋势;反映在钉脚扩张底平面上的超声C扫图中时,对应钉脚尖边缘处的灰度-位置曲线的斜率也存在相同的变化趋势,其灰度值变化率的“极值点”可作为钉脚扩张直径测量的边界点。与实际试件剖切测量结果相比较,该检测方法的相对误差为0.14%~1.87%,验证了该方法的可行性。其次,通过分析扩张底平面上的超声C扫图,还可直观地甄别出铆接过程出现的铆接偏心、裂纹等铆接缺陷。

自冲铆接铆钉材料流场的数值模拟研究

以厚度为2 mm的同种AA5052铝合金板料为铆接对象,利用Simufact Forming16.0软件建立铝合金自冲铆接的仿真模型。设定不同水平的铆钉内腔高度和铆钉高度,分别进行模型非线性有限元计算。分析了不同铆钉工艺参数下铆钉材料流场变化以及对接头成形质量和铆接最大冲压载荷的影响。试验表明:仿真结果与实际的接头截面成形效果相似,接头主要变形区域内的板料流速较大;较小内腔高度的铆钉形成的接头内锁结构更优,残余底厚为0.784 mm、钉脚张开度为1.058 mm,铆钉材料径向流速更快;钉脚张开度、铆钉材料径向流速和铆接的最大冲压载荷均随着铆钉高度的增加而增大,残余底厚随着铆钉高度的增加而减小。

铝合金自冲铆工艺参数的多元非线性回归模型

建立有效、可靠的自冲铆工艺及力学性能预测模型是其工业应用推广过程中亟待解决的一个重要问题。选取AA5182、AA5052和AL1420三种铝合金薄板材料,基于Box-Behnken Design(BBD)响应面法开展了铝合金自冲铆连接试验研究。以板厚、板材硬度和铆钉硬度为三参数输入条件,以冲头行程、最大冲压力和失效载荷为输出响应值,建立影响因素与响应值之间的回归模型,探究多种输入参数对响应值的影响规律。试验结果表明:依据回归模型得到的工艺和强度理论预测值与试验值之间的误差在8%以内,建立的回归模型具有较高的工程应用可靠性。通过三维响应面和等高线分析表明,板厚和铆钉硬度的交互作用对最大冲压力和失效载荷的影响最大,冲头行程主要受板材硬度和铆钉硬度的交互影响。