课程文献中心 更多>>

关键词： Penetration rate   TBM   3D-DFN   joint intensity   blockiness rate   PREDICTION   PERFORMANCE   TUNNEL  

摘要： Various models have been proposed to estimate the TBM penetration rate. Generally, the input parameters of these models can be divided into two categories: Machine parameters and geological engineering parameters. The engineering geological parameters will significantly influence the penetration rate if the machine operational parameters are kept within a reasonable near-optimal range. However, while some performance prediction models can be used for many common project settings, they have lower accuracy in certain applications. This study compared the observed penetration rate of a hard rock TBM with those predicted by MCSM, Norwegian University of Science and Technology (NTNU), Farrokh-Rostami, and Ramezanzadeh's models in the Kerman water tunnel (KWT). Next, joint survey data are collected from the different zones of the KWT. For this purpose, a 3D discrete fracture network (DFN) model code was generated in Mathematica((c)) version 13. The joint data's orientation, persistence, and spacing were used to develop a 3D-DFN model for estimating the blockiness rate (BR) index. The BR index is the actual joint intensity in 2D (P-21) and 3D (P-32). In this study, the BR index is the newest rock mass parameter introduced and used to predict the penetration rate of TBM. This index can serve as a rock mass parameter that provides excellent and realistic results for predicting penetration rate (PR). The corresponding determination coefficient values of the PR with P-32 and P-21 are R-2 = 0.96 and R-2 = 0.98, respectively, and with CIA and UCS, are R-2 = 0.42 and R-2 = 0.49, respectively. Furthermore, using the DFN model showed its potential to be an accurate and reliable method for the overall estimation of the in-situ rock mass fragmentation, which highly controls the penetration rate of TBM.

关键词： 多增量故障诊断   小样本   风力发电机   自适应样例库   权值动态修正算法  

摘要： 作为一种复杂工业设备，风机在长期运行过程中将不可避免出现新的故障。增量故障诊断能从连续的数据流中不断积累新的故障知识，以持续扩展模型的诊断能力，并克服灾难性遗忘。然而，在面向风机复杂的多增量阶段与小故障样本的场景时，增量诊断模型仍会出现“稳定性-可塑性”的困境。因此，提出一种动态记忆策略自驱动的增量故障诊断方法，在故障样本有限的场景下，实现多增量阶段的风机智能诊断。首先，构造了自适应样例库模块，通过自主地提炼存储具有代表性的旧类别样本，以避免多增量诊断过程的灾难性遗忘。其次，设计了权值动态校正算法，帮助模型实时修正各类别节点之间的重要程度，以灵活地学习有限故障数据中的诊断知识。在风机的小故障样本多增量阶段的诊断实验中，通过与当前主流的增量学习方法多维对比，验证了所提方法的有效性和优越性。

关键词： 对比学习   时变工况   小样本   深度卷积网络   故障诊断  

摘要： 时变工况下的故障诊断往往具有高度动态性，而小样本下模型学习受限使得问题更加棘手。针对上述情况，提出了基于对比深度卷积网络的故障诊断方法：首先，针对数据样本量小的特点，利用速度变化引起的振动数据分布差异，无需进行人工操作自然实现数据增强；然后，在数据处理过程中，采用不同转速下相同健康状态的振动数据作为正样本，同时将不同健康状态下的振动数据作为负样本，通过比较样本之间的相似度来提取关键特征，从而缩小正样本之间的距离，同时增大负样本之间的距离；最后采用对比训练方式进行训练优化，将对比损失和交叉熵损失加权组合作为综合损失函数，使模型在学习特征表示的同时能有效进行分类任务。将该方法分别应用于两种不同时变转速下轴承故障数据集进行案例研究。试验结果表明，所提模型不仅在特征提取和分类任务中表现优异，而且在数据匮乏和时变转速工况下均能实现高准确率的故障诊断。验证了所提模型在处理时变小样本数据方面表现出较高的可行性和有效性，且优于其他先进诊断方法。

关键词： 滚动轴承   故障诊断   改进精细复合多元多尺度反向散布熵   概率神经网络   多通道信号   哈里斯鹰优化器  

摘要： 采用单通道振动信号无法完全准确表征轴承多角度的故障信息，导致特征提取不够充分。针对这一缺陷，构建了一种基于改进精细复合多元多尺度反向散布熵(IRCMMRDE)和参数优化概率神经网络(PNN)的滚动轴承损伤辨识模型。首先，使用了振动加速度计和麦克风两种类型的传感器，同时获得了滚动轴承不同工况下的振动和声音信号，构建了故障信息量更丰富的多通道信号；随后，提出了能够同步分析多通道信号的IRCMMRDE方法，并将其用于提取滚动轴承多通道信号的故障特征；接着，采用哈里斯鹰优化器(HHO)对概率神经网络的平滑因子进行了自适应寻优，构造了网络结构最优的PNN模型；最后，将损伤样本输入至HHO-PNN模型中，进行了故障的分类识别，完成了滚动轴承样本的故障辨识；并基于滚动轴承声振信号数据集，对基于IRCMMRDE-HHO-PNN的故障诊断方法的有效性进行了验证。研究结果表明：基于IRCMMRDE和HHO-PNN的故障诊断方法的准确率达到了99.6%，平均的识别准确率达到了99.8%，优于其他多种特征提取方法；同时，对多通道融合信号进行分析取得的准确率优于单个通道的信号，准确率分别提高了8.8%和4.8%；此外，HHO-PNN分类器模型的诊断性能优于其他分类模型，更具有泛化性和实用性。

关键词： 离心风机   滚动轴承   图像编码   格拉姆角场   轻量化卷积神经网络   空间注意力机制  

摘要： 针对石化离心风机轴承故障诊断方法精度不高、诊断速度慢和泛化性较差的问题，提出了一种基于格拉姆角差场（GADF）图像编码以及融合了空间注意力机制的轻量化卷积神经网络（SAM-LCNN）的石化离心风机轴承故障诊断方法。首先，使用格拉姆角差场将轴承一维振动信号编码为二维图像；然后，构建了融合空间注意力机制的轻量化卷积神经网络；最后，将GADF转换所得二维图像作为融合空间注意力机制的轻量化卷积神经网络的输入，进行了特征提取与故障诊断，分别采用了广东石油化工学院的石化多级离心风机轴承故障数据集与凯斯西储大学轴承故障数据集，对该方法的有效性及优越性进行了验证。研究结果表明：两种数据集的测试集分类准确率分别为99.7%和98.5%。相较与卷积神经网络（CNN）、LeNet-5和MobileNetV1三种对比方法，该离心风机滚动轴承诊断方法具有诊断精度高、诊断速度快和泛化能力强等优点。该方法能够有效地对石化离心风机轴承故障振动信号进行分类，为石化安全生产提供了保障，同时也为其他机械设备故障诊断提供了参考。

关键词： 海底电缆   振动信号   能量熵   灰狼算法   极限学习机   故障诊断  

摘要： 【目的】针对海底电缆振动信号研究中特征提取效果不佳以及故障诊断效率较低的问题，文章提出了一种基于能量熵特征和灰狼算法(GWO)优化极限学习机(Extreme Learning Machine，ELM)的海缆故障诊断方法。【方法】首先，采用有限元仿真软件模拟得出不同工况的海缆光单元振动速度信号；其次，结合经验模态分解(EMD)算法将振动信号分解为4个含有固有特征的本征模函数分量(IMF)，提取计算各个IMF分量的能量熵，将其作为指标构建特征向量；最后，将不同工况下的特征向量样本输入采用GWO-ELM方法的分类器中进行工作状态的判断。【结果】在足量样本以及多次计算求平均值的情况下，通过数据总结得出该方法对海缆不同状态的识别准确率能够达到97.4%，分类算法识别时间低至0.968 5 s，并设置了多个算法对比组，结果表明文章所提方法在提取信号特征以及故障诊断方面有着良好效果。【结论】目前海缆在线监测常采用温度分析和应力分析，文章所提方法在大大降低测量难度的同时，故障特征提取效果较好，能够准确识别海缆的实时工作状态。

摘要： 海外建厂的诱因 1.贸易摩擦 近年来,随着国内市场进入下行周期,工程机械企业纷纷加快了国际化步伐,尤其是行业领军企业,它们在国际市场上的开拓力度不断加强.根据海关数据,2023年中国工程机械的进出口贸易额达到了510.63亿美元,其中出口额为485.52亿美元,进口额为25.11亿美元.

摘要： 近日,英国KHL集团旗下权威杂志《International Construction》发布了"2023年全球工程机械50强"榜单.50家企业合计营收创历史新高,达2434亿美元. 此次上榜的企业中,卡特彼勒以410亿美元的营收仍占据榜首,营收占比从2022年的16.3％上升至16.8％,进一步拉开了与排名第二的小松的差距.

关键词： 故障诊断   神经常微分方程   动力学系统   残差网络  

摘要： 针对传统的深度学习故障诊断方法中存在架构可解释性差以及盲目堆叠层数导致的参数增加和内存消耗等问题，将神经常微分方程（Neural Ordinary Differential Equations）引入到机械故障诊断中。搭建面向机械故障诊断的神经常微分方程网络架构，利用神经网络参数化隐藏状态的导数代替指定隐藏层的离散序列。通过构建故障数据与故障类型的非线性关系，使用常微分方程求解器（ODE solver）完成对不同故障类别的分类任务，形成一种端对端的故障诊断模式。将该方法应用到机械故障诊断领域，搭建特定的神经常微分方程网络模型，通过故障数据的输入完成对不同故障类别的分类任务。将该模型应用到航空发动机主轴轴承故障诊断中，并与残差网络模型的故障诊断方法进行对比。实验结果表明，在确保准确率不降低的情况下，该方法不仅减少了内存消耗，而且更将模型参数数量减少了将近五倍。

摘要： 多地掀起的设备更新热潮里,石家庄的风格尤为火热. 2024年3月,国务院印发的《推动大规模设备更新和消费品以旧换新行动方案》,加快了各区域对老旧工程机械淘汰更新为"国四"以及替换为新能源产品的进程.5月份的石家庄市工程机械市场销量更因此高涨.