基于Inception-LSTM的退火窑辊道系统轴承故障诊断

玻璃生产线退火窑辊道系统轴承运行状态显著影响玻璃品质和生产效率,实时监测各轴承运行状态对确保退火窑系统的平稳运行具有重要意义,提出结合Inception模块和长短期神经网络(Long Short-term Memory,LSTM)的迁移诊断方法,对退火窑辊道系统中的辊道轴承和通轴轴承运行状态进行监测、诊断。首先,使用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)对轴承信号进行分解和重构降噪,并利用直方均衡化增强重构信号小波时频图的聚集性。然后,针对样本充足的辊道轴承,建立Inception-LSTM网络,提取多尺度特征并学习其中的时间依赖关系,实现状态诊断。再次,针对转速不同且样本量少的通轴轴承,以辊道轴承信号为源域,以通轴轴承信号为目标域,以Inception-LSTM网络为基础,使用多核最大均值差异(Multi-kernel Maximum Mean Discrepancies,MKMMD)减小分布差异,实现故障样本不平衡条件下的跨转速域不变特征提取和迁移诊断。最后,利用实验数据和实测数据验证本算法的有效性,结果表明,该方法能有效诊断出退火窑辊道系统轴承故障,且具有较高的准确率。

基于敏感特征评估的退火窑辊道轴承故障诊断方法

针对玻璃生产线退火窑辊道轴承振动信号存在强噪声污染、故障诊断准确率低、效率差等问题,提出一种基于灰关联熵分析和敏感特征评估的辊道轴承故障智能诊断方法。首先,将原故障信号用经验模态分解(Empirical Mode Decomposition,EMD)为多个本征模式分量(Intrinsic Mode Function,IMF),采用灰关联熵分析法筛选IMF分量并进行小波阈值降噪,重构故障信号。其次,选择时域和频域特征,定义基于故障特征类间、类内距离的敏感特征评估因子,筛选出敏感特征集。最后,使用径向基函数(Radial Basis Function,RBF)神经网络对故障特征集进行识别。滚动轴承故障测试实验结果表明,该方法能够有效提升故障轴承振动信号的信噪比,并评估筛选出敏感特征,从而实现对滚动轴承的智能诊断。

退火窑主传动系统机-电耦合建模及故障特性

针对退火窑主传动系统故障特性,综合考虑齿轮时变啮合刚度和轴承时变刚度等非线性因素,建立了包含驱动电机、齿轮传动系统及系统负载在内的退火窑主传动系统机-电耦合动力学模型。分析了轴承外圈故障、齿轮断齿故障对退火窑主传动系统动态特性及其电特性的影响。结果表明,当发生断齿故障时,其故障特征是以断齿所在轴及齿轮的故障特征频率为调制信号,对各构件主导频率附近的边频产生了调幅调频的现象,同时也对电信号产生调制现象;当发生轴承外圈故障时,其故障特征是以外圈故障特征频率为调制信号,对各构件主导频率周围的边频产生调幅调频现象,同时也对电信号产生调制现象。研究结果对退火窑主传动系统健康状态监测与预警提供了理论基础。

复合硅酸盐保温材料的性能及应用

院近些年来建筑行业迎来了全新的发展机遇,复合硅酸盐保温材料受到了越来越多的关注,基于此,文章对复合硅酸盐保温材料的性能进行了探讨,同时分析了复合硅酸盐保温材料的应用,包括防火、防水防潮、多功能复合型应用、耐急冷急热、抗冲击应用。