课程文献中心 更多>>

关键词： 故障诊断   特征偏移   标志性特征   时频滤波器   偏移注意  

摘要： 针对轴承故障数据分布不一致导致特征偏移、标志性特征提取困难的问题，提出一种基于时频滤波器和偏移注意神经网络的轴承故障诊断方法，从离线和在线两个方向分别对故障信号进行处理。在离线部分，提出时频滤波器，分别从时域和频域提取故障信号的标志性特征;提出兼顾全局特征和局部特征的空间采样方法。在线部分提出偏移注意神经网络，与自注意相比，偏移注意更有利于偏移特征的提取，从而降低数据分布不一致造成的影响。在西安交通大学和凯斯西储大学的轴承数据集上进行实验，达到了100%的精度，证明了所提方法能够很好的提取故障信号的标志性特征，并且能够有效抑制特征偏移对故障识别精度的影响。而在凯斯西储大学轴承数据集上的对比实验则证明了所提方法的优越性。除此之外，还在工业现场采集的燃气轮机主轴承数据集上进行了实验，结果证明所提方法具有实际应用意义。

关键词： Microwave-assisted TBM cutter   Hard rock fracturing   Initial stress threshold   Stress-induced failure   NUMERICAL-SIMULATION   CONFINING STRESS   CUTTING TESTS   FRAGMENTATION   INDENTATION   IRRADIATION   PERFORMANCE   PENETRATION   EXCAVATION   SUBJECT  

摘要： Elucidating the effects and fundamental mechanisms of microwave-assisted mechanical excavation under high initial stress conditions is of paramount importance for enhancing the efficiency of deep resource extraction. In this study, indentation experiments were conducted on microwave-damaged rock under initial stress conditions using a tunnel boring machine (TBM) for the first time. By integrating acoustic emission, digital image correlation, and the discrete element method, we conducted a comprehensive analysis of the multifaceted effects of microwave irradiation and initial stress on rock fracturing. The rock-breaking efficiency was evaluated based on the volume of broken rock and the energy consumption. The indentation failure of the sample can be divided into three stages: microfracture closure, elastic deformation, and unstable crack propagation. The microwave irradiation reduced the peak load during the indentation process and simultaneously reduced the brittleness of the specimen. The experimental and simulation results jointly demonstrated the existence of an initial stress threshold in the rock fracturing process. When the initial stress is below the threshold, it suppresses the extension of rock fractures, which is unfavorable for rock fragmentation. When the initial stress exceeds the threshold, stress-induced rock failure occurs, which promotes rock fragmentation. A notable observation is that microwave irradiation alters the initial stress threshold of the rock, where a higher microwave power correlates with a lower initial stress threshold. This indicates that the optimal parameters for microwave equipment must be reconsidered when the initial stress changes. Methods for optimizing rock breakage at initial stress were suggested and examined.

关键词： 液力变矩器   搅油功率损失   狭小间隙   损失模型   数值模拟  

摘要： 针对液力变矩器高速旋转产生较大搅油功率损失问题，以某液力变矩器为研究对象，基于CFD数值模拟及数据统计分析方法，提出一种搅油功率损失预测模型．该模型主要考虑液力变矩器装配间隙几何特征、运行参数、润滑油物性与润滑状态等因素影响，采用正交分解法选择25组不同运行参数下的搅油过程进行数值模拟，并结合某传动装置实际运行工况和使用要求进行了多工况验证．结果表明：随着润滑油雷诺数增大，搅油功率损失成指数型快速增长；搅油功率损失随径向间隙的增大而减小，随轴向间隙的增大而增大；当径向间隙小于9mm时，搅油损失功率随着径向间隙减小而急剧增大；相比于轴向间隙，径向间隙对搅油功率损失值的影响程度更大；狭小间隙下液力变矩器搅油功率损失模型结果与数值计算结果总体符合较好，相对误差在10%内．研究结果可为狭小间隙液力变矩器设计及综合传动装置的优化提供一定技术支撑．

关键词： 掘进机   轨迹规划   截割能耗   欠挖面积   灰狼优化  

摘要： 巷道断面成形是煤矿掘进过程的重要工序，现有的巷道断面成形轨迹多为人工操作进行往复式截割，制约了煤矿掘进工作面智能化的发展。为此，本文针对掘进机截割轨迹规划未考虑煤岩特征、优化目标单一的问题，提出了一种基于改进灰狼优化（Grey Wolf Optimizer,GWO）算法的掘进机截割轨迹规划方法。将截割断面环境根据夹矸位置分为4种，对相应断面进行栅格化并建立栅格地图，采用二值膨胀法对不规则夹矸进行膨胀化处理，并利用改进的GWO算法实现了4种断面环境的轨迹规划。改进GWO算法部分中，首先对算法的收敛因子进行了改进，使其具有更强的寻优能力和更快的收敛速度；然后采用精英反向学习的方法对种群进行初始化，以维持种群多样性；最后基于粒子群思想更新了位置方程，从而提升算法的收敛性能。实验结果表明：相较于传统GWO算法，改进GWO算法收敛速度更快、收敛性更好；在4种仿真实验场景下，改进GWO算法相比传统GWO算法规划出的轨迹截割路径长度更短、欠挖面积更小、转向次数更少，在轨迹跟踪控制时更容易实现高精度、高效率地控制，保证了巷道成形质量。最后通过实验平台掘进机样机进行断面截割试验，结果表明，改进GWO算法规划出的截割轨迹既能提高截割效率，也满足巷道断面成形的质量要求。

关键词： 核主泵   故障诊断   故障预测   健康管理   智能运维  

摘要： 实施“双碳”战略是一场影响广泛而深刻的经济社会系统性变革，如期实现“碳达峰、碳中和”目标离不开电力行业重大技术突破和科技创新支撑．核电凭借高能效、清洁无碳、电量稳定等优势，具有明显的经济效益，应用前景广阔．核安全是核电发展的生命线，核主泵作为核岛一回路系统中的“心脏”，其能否在长服役寿命周期内安全、稳定、可靠运行将直接影响整个核电机组的安全性，因此开展核主泵智能故障诊断与健康管理至关重要．首先，论述了故障诊断对核主泵安全稳定、可靠运行的意义；其次，介绍了核主泵的结构组成与工作原理；再次，阐述了核主泵常见故障类型及机理；从次，综述了近年来国内外学者在核主泵故障诊断与故障预警方面的研究成果；最后，对核主泵故障诊断未来研究方向进行了分析与展望．

关键词： 输水隧洞   悬臂式掘进机   坐标解析   截割头   空间轨迹  

摘要： 悬臂式掘进机截割施工是稳定性较差围岩环境下最常见的隧洞开挖工艺，由于该工艺中粉尘浓度大，操作手具有视野盲区，隧洞超欠挖量难以控制，粉尘环境下本地截割操作具有严重的健康危害。在输水隧洞截割施工中，针对上述工程问题，通过增设多种传感器的方法对悬臂式掘进机进行数字化功能升级，按照传感器子系统、PLC子系统、通讯子系统及信息可视化子系统等功能版块，搭建了截割可视化系统，为操作手提供可视化施工窗口。基于D-H法创建了悬臂式掘进机的运动学模型，通过多参数坐标解析方程式的设计，对掘进机各种站位姿态下截割目标点进行精准空间坐标解析。从施工便利性及工况适应性的角度出发，提出了轴线偏位正向标定法和逆向标定法等两种掘进机轴线偏位补偿方法，在掌子面上布置激光示教点进行标定测试，结果显示标定方法的误差在2cm范围内，实现了不同洞壁条件下掘进机的精准定位。在隧洞现场内开展了截割头空间轨迹识别试验，通过比较试验点距的激光测量值和手持端软件的计算值，对可视化系统的误差进行分析。试验结果表明该系统误差在3.5cm范围内，手持端截中割目标的运动响应延迟率最高为0.2s。

关键词： DRSN   BiLSTM   S700K转辙机   故障诊断  

摘要： 在铁路系统中，转辙机是确保列车安全顺畅运行的关键设备。S700K转辙机的故障诊断对于预防事故和维护铁路运营至关重要。为了解决传统诊断方法在速度和准确性上的不足，提出了一种融合深度残差收缩网络(DRSN)与双向长短期记忆神经网络(BiLSTM)的诊断模型。首先对转辙机功率曲线进行预处理；其次，利用DRSN对预处理数据进行自动特征学习，并压缩数据长度，提高诊断的快速性，其注意力机制和软阈值化降低了噪声特征的影响，并且DRSN网络结构有助于克服网络退化和过拟合的问题；随后，利用BiLSTM的双向结构捕捉时间序列数据中复杂的关系；最后使用Softmax分类器进行故障分类。仿真结果表明DRSN-BiLSTM模型的准确率、精确率、召回率均超过了98.3%，并且该模型故障诊断的准确率相较于DRSN、深度神经网络(DNN)和卷积神经网络(CNN)等模型至少提高了1.47%，并且在添加15dB-40dB高斯白噪声情况下准确率保持在92.7%以上，较其余模型至少提升2%。该模型在确保训练过程的高效性的同时提升了转辙机故障诊断准确率，并且在噪声环境下展现出了优秀的鲁棒性。

关键词： 滚动轴承   自适应残差卷积自编码网络   自适应参数化修正线性单元   自适应残差模块   无监督故障诊断   特征提取  

摘要： 针对传统卷积自编码器(CAE)会将不同故障产生的相似信号进行相同的非线性变换，导致故障诊断准确率下降的问题，提出了一种自适应残差卷积自编码网络（ARCAE)，并将其应用于滚动轴承故障诊断中。首先，在残差模块的基础上，引入了自适应参数化修正线性单元(APReLU)，建立了自适应残差模块（ARM），ARM可以对相似的输入特征进行自适应非线性变换，避免了特征的错误识别；其次，在CAE中嵌入多级ARM，构建了ARCAE，增加了CAE的深度，提取了更具鉴别性的深层次特征，同时有效防止了网络加深而造成的性能退化；最后，基于ARCAE建立了针对一维信号的故障诊断新方法，将其应用于无监督滚动轴承故障诊断中，并通过两个不同类型的实验，对上述方法的有效性进行了验证。研究结果表明：在恒定转速工况下，ARCAE的诊断准确率最高，平均准确率达到了97.05%，且标准差仅为0.007，远低于其他几种传统CAE网络；在变转速工况下，ARCAE模型诊断准确率仍然是最高的，平均准确率达到了93.25%，由此说明ARCAE具有较高的特征提取能力和分类准确率；此外，变转速工况下，由于转速变化导致不同状态的振动信号特征差异变大，诊断难度加大，但与其他几种传统CAE网络相比，ARCAE诊断准确率下降最少，仅为5.37%，说明ARCAE具有更强的鲁棒性和稳定性。

关键词： 弧齿锥齿轮   格拉姆角场   鲸鱼优化算法   注意力机制   残差网络  

摘要： 针对目前流行的残差网络在复杂噪声环境下对弧齿锥齿轮箱故障识别准确率较低的问题，以及传统鲸鱼优化算法（WOA）收敛速度较慢且全局搜索能力较差的问题，本文提出了一种基于GADF和混合鲸鱼粒子群优化算法的CBAM注意力机制残差网络的智能故障诊断方法。首先，对采集到的一维振动信号进行重叠采样以获得足够的信号样本，然后通过格拉姆角差场编码技术将一维数据转换为二维图像数据，构建不同故障下的二维图像数据集，并通过人为添加噪声的方式以扩大样本数量并验证噪声对诊断方法的影响；然后，在传统ResNet网络中加入CBAM注意力机制模块以增强有用特征、抑制无关特征，从而提升模型的表示能力，将图像数据集输入到混合鲸鱼粒子群优化算法优化的CBAM-ResNet模型中进行训练；最后，使用训练好的CBAM-ResNet模型对弧齿锥齿轮箱故障数据集进行分类，输出诊断结果。实验结果表明，该方法在不进行人为降噪的情况下确识别弧齿锥齿轮箱故障准确率达到100%，且在复杂噪声背景下依然可以达到95.38%，相较其他方法具有更高的准确率、更快的网络收敛速度和更好的鲁棒性。

关键词： 水电机组   故障诊断   麻雀搜索算法   自适应变分模态分解   深度卷积神经网络  

摘要： 为提高水电机组故障诊断的诊断精度和诊断速度,提出了一种自适应变分模态分解与第一层为宽卷积核的深度卷积神经网络相融合的水电机组故障诊断方法。首先利用麻雀搜索算法对VMD分解参数进行寻优,利用最优分解参数对水电机组振动信号进行VMD分解,实现振动信号的最优自适应分解,再对分解后IMF分量进行归一化处理,最后将处理后的分量输入到WDCNN模型中进行训练和测试,得到故障诊断结果。以实测水电机组振动信号进行对比试验,结果表明所提方法具有最优的诊断精度及良好的训练速度和降噪效果,在实际的水电机组故障诊断中有一定的参考作用。