课程文献中心 更多>>

关键词： 小位移旋量   几何要素误差模型   配合面误差   公差优化  

摘要： 零件加工精度是保证机床装配质量的基础。首先基于小位移旋量建立几何要素误差模型，通过蒙特卡洛模拟法和响应面法获得误差参数实际变动区间带宽及其与公差的函数关系；然后建立配合面的误差模型，研究串联和并联配合下的误差传递属性；最后提出以公差成本为目标，以装配精度可靠度与公差原则为约束的公差优化模型，对锥齿轮铣齿机的主轴刀盘部件完成了公差优化分析。研究发现：在保证装配精度可靠度不小于97%前提下，公差加工成本降低了8.36%，表明了该方法在指导公差设计方面的价值。

关键词： 地铁工程   复合式盾构施工   初始掘进  

摘要： 由于城市交通压力逐渐增大,地铁作为高效的公共交通方式,得到了迅速的发展.基于参建地铁工程的实际施工情况,提出了地铁工程复合式盾构施工的技术要点,主要包括盾构机的选型,掘进前准备,盾构机下井,盾构始发及初始掘进,开展土压平衡的掘进,盾构到达等,通过对其技术要点的优化,保证复合式盾构施工更高效、安全.

关键词： 锂离子电池   孤立森林算法   微内短路故障   电池储能系统  

摘要： 电池系统的内短路故障是造成电池热失控和火灾事故的主要原因之一，有必要对电池内短路故障进行诊断以对事故做出早期预警。孤立森林算法是一种无监督的异常检测算法，被广泛应用于异常数据识别领域。根据串联电池组中内短路电池的电压会与正常电池发生偏离的特点，本文提出了基于孤立森林算法的锂离子电池微内短路故障诊断方法。为了对方法进行验证，本文构建串联电池组进行了不同短路电阻和充放电工况的短路实验，并在实际运行工况下对一个梯次利用锂离子电池储能系统进行了电池短路实验，然后利用孤立森林算法对实验数据进行分析诊断。结果表明，对于循环充放电工况，孤立森林算法对短路电阻为1000 Ω的短路故障诊断精准率超过了74%，召回率超过了76%，准确率超过了91%；在模拟电动汽车实际驾驶的动态工况中，算法对300 Ω的短路故障诊断精准率和召回率超过了86%，准确率超过了95%；算法对电池储能系统在实际运行工况下25 Ω的内短路故障检测召回率大于98%。实验结果表明孤立森林算法可以在多种工况下对锂离子电池微内短路故障进行有效检测，被检测出的锂离子电池内短路电阻达到了千欧姆数量级。

关键词： 故障诊断   声发射   非接触旋转密封   状态识别   深度学习  

摘要： 针对非接触旋转密封故障信号不明晰和难以辨识的问题，本文搭建试验台和声发射测试系统，设置非接触旋转密封正常以及六种典型故障工况进行声发射信号监测，有效获取14000个特征样本；采用贝叶斯优化算法，结合连续小波变换，建立一个具有适应性的卷积神经网络分类模型，进而采用混淆矩阵和t分布随机近邻嵌入分析故障识别模型的诊断性能。研究结果表明：该模型实现了非接触旋转密封正常运行、干摩擦、混合润滑、弹簧失效、端面凹坑、弹簧局部失效以及端面划痕七种工况有效分类识别，平均识别精度达到了99.7023%，从而证明了非接触旋转密封声发射信号在非平稳性、复杂性和重叠性环境中，可以被有效地分离与识别密封故障源。

关键词： 水电站   水电机组   振动信号   故障诊断   迁移学习   数据驱动  

摘要： 【目的】针对水电机组实际运行中故障数据少、不同机组间故障信号不符合同分布假设而导致模型训练困难、现有诊断模型泛化能力差的问题，提出了一种结合迁移学习策略与CNN-BIGRU-attention网络(TCBA)的故障诊断方法。【方法】以转子试验台数据为源域，真实水电机组振动数据为目标域数据。首先，组合卷积神经网络（CNN）、双向门控单元（BIGRU）与注意力单元，构建CNN-BIGRU-attention诊断模型，然后利用源域数据对模型进行训练，训练完成后将模型的参数迁移至目标领域的故障诊断模型中，迁移过程中将低层网络冻结，并通过部分目标域数据对高层网络进行微调，最终得到适应目标设备的故障诊断模型。为验证所述方法的有效性，通过转子试验台数据集与真实水电机组故障数据的迁移实验对比所述模型与传统深度学习方法的识别准确率、训练速度以及所需样本量等指标。【结果】结果表明：与传统训练方法相比，所提方法能够显著提高模型的收敛速度并有效降低训练所需样本量。在小样本下对实际水电站故障样本数据的故障状态的识别率可达99.02%，相比传统方法提升约3.00%。【结论】研究结果充分证明了该方法具有较好的故障状态识别能力，为解决数据有限情况下的水电机组故障识别问题提供了一种有效的解决途径。

关键词： Disc cutter   Abnormal wear   Mixed ground   Interpretable machine learning   Data augmentation  

摘要： The widespread adoption of tunnel boring machines (TBMs) has led to an increased focus on disc cutter wear, including both normal and abnormal types, for efficient and safe TBM excavation. However, abnormal wear has yet to be thoroughly investigated, primarily due to the complexity of considering mixed ground conditions and the imbalance in the number of instances between the two types of wear. This study developed a prediction model for abnormal TBM disc cutter wear, considering mixed ground conditions, by employing interpretable machine learning with data augmentation. An equivalent elastic modulus was used to consider the characteristics of mixed ground conditions, and wear data was obtained from 65 cutterhead intervention (CHI) reports covering both mixed ground and hard rock sections. With a balanced training dataset obtained by data augmentation, an extreme gradient boosting (XGB) model delivered acceptable results with an accuracy of 0.94, an F1-score of 0.808, and a recall of 0.8. In addition, the accuracy for each individual disc cutter exhibited low variability. When employing data augmentation, a significant improvement in recall was observed compared to when it was not used, although the difference in accuracy and F1-score was marginal. The subsequent model interpretation revealed the chamber pressure, cutter installation radius, and torque as significant contributors. Specifically, a threshold in chamber pressure was observed, which could induce abnormal wear. The study also explored how elevated values of these influential contributors correlate with abnormal wear. The proposed model offers a valuable tool for planning the replacement of abnormally worn disc cutters, enhancing the safety and efficiency of TBM operations.

关键词： 滚动轴承   故障诊断   小样本学习   生成对抗网络   结构相似性分析  

摘要： 滚动轴承是一种重要的旋转机械部件，伴随着深度学习的发展，基于数据驱动的滚动轴承故障诊断方法因其独特的优势，受到越来越多的关注。然而，轴承故障标记样本的稀缺严重阻碍数据驱动方法的诊断效果。针对轴承数据易出现样本缺失以及故障数据少等问题，提出了一种基于2维灰度图和结构相似生成对抗网络（structural similarity generative adversarial networks， 简称SSGAN）的小样本轴承数据故障诊断方法。首先，将1维振动时序信号转换成2维灰度图输入到SSGAN中进行对抗训练；其次，结合真实故障样本对生成样本进行结构相似性分析（structural similarity， 简称SSIM），以此来剔除差异性较大的生成样本，得到辅助训练样本；最后，将扩充后的训练样本输入到深度卷积神经网络（deep convolution neural network， 简称DCNN）中学习，并在输出端利用Softmax分类器输出故障识别结果。研究表明，所提方法与其他故障诊断方法相比具有良好的稳定性和优越性，在小样本轴承数据集下的故障识别准确率达到了99.10%，具备实际应用可行性。

关键词： 起重机械   欠驱动系统   终端滑模控制   固定时间稳定理论   抗干扰能力   快速响应   抖振抑制   桥式起重机  

摘要： 由于桥式起重机系统的运行环境的原因，起重机运行过程中普遍存在类似机械振动、风力影响等外部干扰。为了提高起重机系统的抗干扰能力和快速响应性能，以二维桥式起重机系统为研究对象，提出了一种鲁棒的基于固定时间滑模控制（FTSMC）的桥式起重机抑摆策略。首先，综合考虑了外部干扰以及导轨与行车之间的动态摩擦特性对桥式起重机动力学的影响，采用拉格朗日动力学方程建立了起重机系统的非线性动力学模型，并对其行车的期望轨迹进行了规划；然后，基于固定时间稳定理论和非奇异快速终端滑模控制策略，设计了新型非线性滑模面和弱抖振控制律，并利用Lyapunov理论证明了闭环系统的稳定性；最后，通过数值仿真实验验证了FTSMC控制策略的有效性。研究结果表明：在系统参数不确定性、不同载荷率等鲁棒性测试中，FTSMC控制策略能够保证系统的高抗干扰能力和快速响应特性，同时还表现出良好的负载摆动抑制能力；与现有文献中的控制策略相比，FTSMC控制策略可以在9 s内快速抑制负载摆动，抑摆控制时间至少缩短了25.3%；在行车的轨迹跟踪方面，FTSMC控制策略能够在6 s内精确地跟踪期望轨迹，其跟踪速度至少提升了49.3%。FTSMC策略不仅提高了起重机系统的快速响应性能和抗干扰能力，同时在抑制负载摆动方面也展现了其优越的性能。

关键词： XGBoost分类   热成像   故障诊断   零值绝缘子   低值绝缘子  

摘要： 提出了一种基于红外热成像(IRT)图片的非接触式瓷绝缘子故障诊断方法，用于对架空电力绝缘子进行自动监测和视觉检查。首先采用最优阈值法对IRT图像中的重点区域进行分割。随后，从分割的重点区域中计算出各种几何、形态、强度和统计特征，作为XGBoost分类器的输入，最终利用图像处理技术和基于XGBoost的分类器模型开发出零值和低值绝缘子状态分类方法。研究表明，XGBoost分类器各项指标均为最优，精度(ACC)可达98.00%，真阳性率(TPR)为93.55%，而假阳性率(FPR)仅为1.49%。虽然错误发现率(FDR)稍高，但仍为XGBoost分类器、GK-SVM分类器、和传统CNN预测结果的最低值，为12.12%。表明该系统对绝缘子故障进行了较好的分类。传统CNN各项指标虽然次于XGBoost分类器、GK-SVM分类器，但是其精度(ACC)仍可达92.00%，假阳性率(FPR)也仅为6.88%。这表明论文所提的图像增强以及重点区域的分割和提取方法是有效可靠的。