课程文献中心 更多>>

关键词： 轴承故障   声振融合   变分模态分解   小波脊线   特征提取  

摘要： 在火电和核电机组冷却系统中，电机轴承故障信号因具有微弱性和非线性特征，容易被运行信号和无效信号掩盖，采用单一的振动监测不足以采集到完整的故障信息。对此，提出融和声音和振动（声振融合）信号的方法来监测电机轴承的故障信息。首先，针对采集的电机轴承声振信号，提出一种结合小波脊线（WR）和变分模态分解（VMD）的WR-VMD算法提取声振信号的特征。利用WR分析原信号的成分，随后利用获取的信息确定VMD的参数，这样弥补了原VMD方法需要预先根据经验设定参数的不足。最后，将声振信号融合技术和WR-VMD算法用于实测的电机轴承故障数据，仿真结果显示，对比同类型的方法，WR-VMD方法所提取的特征最明显，干扰信息最少，用于故障诊断的准确率最高；融合声振信号相比单一振动信号或者声音信号用于故障诊断的准确率提升了至少7%。

关键词： 截割部故障率   稳健性容差设计   人机协作   最大似然估计   黎曼定积分   人群搜索算法  

摘要： 掘进机截割部的稳健运行是掘进工作能够按时保质完成的必要条件，对截割部故障率进行稳健性容差设计是满足系统稳健运行的同时降低制造成本的有效措施。针对截割部故障率稳健性容差设计过程中故障数据样本量大、缺少相关稳健性优化数学模型、目标函数高维求解困难等问题，提出人机协作的截割部故障率稳健性容差设计方法。该方法以计算机的强大算力为支撑，首先利用人的区间模糊推理知识和最大似然估计方法对大量故障数据进行参数拟合，近似估计零部件故障率。其次基于数学目标规划知识和n重黎曼定积分设计了稳健性度量函数，构建高维高次稳健性优化数学模型。然后使用人群搜索算法和算法参数分析知识进行求解，获得了故障率容差的相对最优解。最后设计基于积分的多维波动模拟策略，得到整个截割部系统故障率的波动曲线。对比试验结果表明，所提出的人机协作的截割部故障率稳健性容差设计方法可以有效获得零部件故障率的扩展区间，并使截割部系统的稳健性能保持在较高水平。在人认知能力和计算机计算智能的联合推动下，该稳健性容差设计方法可经过适应性调整，进一步应用于其它可微的复杂系统。

关键词： 多状态故障   卷积稀疏解析   特征解耦   特征原子   故障诊断  

摘要： 轴承作为机械设备关键部件，因多状态故障特征微弱或耦合的特性，导致故障特征难发掘，给机械设备的健康监测带来极大挑战。因此，提出基于特征原子稀疏解析的故障诊断方法，实现轴承多状态故障稀疏特征解析与诊断。首先，提出特征原子滤波器构造方法，基于可调Q因子小波变换的重构子带最大峭度准则提取小波基原子，并赋予基原子周期性先验特征匹配信号中的多状态故障成份。其次，构建多通道卷积稀疏多状态故障特征解析模型，基于多特征原子与交替方向乘子法优化的卷积稀疏编码解析稀疏系数分量，并重构各故障特征分量，实现多状态故障分量稀疏解析。同时，提出基于稀疏信号峭度与能量结合的稀疏度参数化方法。最后，通过重构分量的包络谱分析结果，确定信号中的特征成份，实现多状态故障诊断。通过仿真、试验和工业水泵等信号的试验验证，并与卷积字典学习方法相比，所提方法具有更好稀疏解析优势。

关键词： 气体绝缘组合电器   局部放电   ICEEMDAN   减法平均优化算法   黄金正弦算法   核极限学习机   故障诊断  

摘要： 气体绝缘封闭开关设备（gas-insulatedswitchgear,GIS）在生产运行时存在多种绝缘缺陷，准确识别绝缘缺陷导致的局部放电信号对保障GIS设备及电力系统安全有重大意义。采用融合黄金正弦算法（goldensinealgorithm,Golden-SA）改进减法优化（subtraction-average-based optimizer, SABO）算法得到融合黄金正弦改进SABO优化算法(GSABO)对改进的完全自适应噪声集合经验模态分解（improved complete ensemble empirical mode decomposition with adaptive noise）与核极限学习机（kernel extreme learning machine）进行参数寻优以实现对GIS局部放电故障的识别。首先，针对SABO可能陷入局部最优、收敛速度不够理想等问题，引入混沌映射与黄金正弦对其进行改进；然后，搭建实验平台采集四种典型局部放电信号，利用GSABO-ICEEMDAN对其进行分解并利用相关系数法筛选有效的模态分量；最后计算筛选后模态分量的样本熵形成特征矩阵，将其输入GSABO-KELM进行故障分类识别。通过实验分析表明，相比于未改进的SABO算法，GSABO在跳出局部最优、收敛速度与精度上有明显的优势。结合其他传统算法进行对比，GSABO-ICEEMDAN-KELM的识别准确率可达99.1667%，以此证明此算法的准确性与优越性，对于GIS局部放电故障诊断的工程应用具有参考意义。

关键词： 软硬不均   盾构施工   模型试验   盾构机受荷   盾构机姿态  

摘要： 软硬不均地层是盾构施工过程中常遇到的不良地质之一，盾构机在掘进软硬不均地层时，刀盘受力不均易导致盾构机姿态发生变化，从而导致盾构隧道偏离设计轴线。为研究盾构机掘进软硬不均地层时，刀盘受力和盾构机姿态变化之间的关系，设计了1:10的模型盾构开挖施工模型试验，对试验中软硬不均地层中盾构机受力状况进行了分析，并对试验施工过程中盾构机的姿态进行了监测和分析。试验结果分析得出：（1）盾构机在开挖软硬不均地层时，刀盘掘进硬土层时开挖面土体反力大于刀盘掘进软土层时开挖面土体反力，刀盘将受到额外的开挖面扭矩，从而导致盾构机刀盘扭矩增大。（2）盾构法施工上软下硬地层时，盾构机刀盘逆时针转动，刀盘右侧接触硬土面积分别大于、小于、等于左侧时，盾构机刀盘受到开挖面反力整体合力分别向左下、左上、左；盾构机刀盘顺时针转动时，受力方向相反。（3）盾构机在开挖软硬不均地层时，刀盘转向应频繁规律的改变，正反转交替掘进。（4）盾构机在地层中的姿态变化受本身固有姿态和盾构机受力的综合影响。

关键词： 故障诊断   电力变压器   多模态信息融合   深度学习神经网络  

摘要： 针对变压器的多模态数据中存在差异性和样本缺失的问题，提出了一种基于振动信号和红外图像数据的多模态信息融合方法，分析多模态数据对电力变压器故障状态进行有效、快速的评估。首先，该方法采用双向门控神经网络对振动信号的文本信息、振动信号的频域图和变压器的红外图像分别进行特征提取，并获得不同模态的重要特征向量。然后，使用交叉注意力机制建立不同模态之间的联系并进行特征向量融合。最后，通过卷积层和全链接层输出电力变压器的故障状态。实验数据采集于10kV变压器，含振动信号和变压器的红外图像。实验结果表明，提出的多模态信息融合方法在4种评价指标上优于对比方法，其故障诊断准确率为96%。在不同的电压和电流等级下多模态信息融合方法能获得较为可靠的诊断结果且准确率高，可为变压器多模态数据的故障检测提供方法。

关键词： 滚动轴承   故障诊断   多传感器   互异网络   数据融合   特征互补  

摘要： 为了解决单传感器单一分支网络的输入容易受到外界干扰以及在不同域信号转换过程中丢失特征信息，导致故障诊断效果不佳的问题，本文提出了基于多传感器数据融合的互异网络轴承故障诊断方法。首先，该方法设计了数据预处理模块，以数据级的融合方式实现来自多传感器的多角度故障特征互补，充分考虑了轴承设备多传感器之间的相关性。同时，将经过快速傅里叶变换（FFT）和频率切片小波变换（FSWT）处理后的信号融合为多域信号作为模型的输入，以多域信号独立作为模型输入的形式确保不同域信号在转换过程中关键的特征信息不会丢失。其次，该方法针对不同的域信号设计了相对应的互异网络结构对多传感器数据高维非线性空间中的低维特征关键提取，这也为设备维修人员提供了更加可靠方便的维修手段。当其中一个分支网络的输入受到外界干扰时，另外两个分支网络会起到纠错的作用，不仅增强了网络的容错能力，同时也会增加网络的特征互补能力。进而，利用记忆单元将特征视为不同的时间步，以此建立不同故障特征之间的依赖关系。最后，为了防止模型陷入局部最优，使用适配于所提模型的学习率余弦退火算法优化模型训练。在两个轴承数据集上进行实验，结果表明，本文方法拥有好的故障诊断效果和泛化能力，可以满足基于多传感器数据融合的轴承故障诊断任务。

关键词： 机电设备   故障诊断   预测性维护技术  

摘要： 随着现代工业的快速发展,机电设备的稳定性和可靠性对提高生产效率与产品质量至关重要.然而,在长期运行过程中,机电设备不可避免地会出现各种故障.因此,有效的故障诊断与预测性维护技术变得至关重要,从而确保设备的连续运行和生产安全.本文深入探讨了机电设备故障诊断和预测性维护技术的研究现状、关键技术、应用案例以及未来发展趋势,并对机电设备故障的分类、特点以及故障诊断的方法和原理进行了概述,以供参考.

关键词： 电潜泵   Transformer神经网络   深度学习   特征提取   故障诊断   多变量时序标记  

摘要： 电潜泵故障诊断对于确保安全可靠采油至关重要，但电潜泵数据呈现出的多变量、非线性和动态变化等复杂特性为该任务带来了严峻挑战。近年来，深度学习在复杂数据特征提取方面表现出的强大能力催生了一系列基于神经网络的电潜泵故障诊断方法。然而，多数方法忽略了电潜泵数据的动态特性及长时依赖特征提取困难的问题。针对上述问题，提出一种多变量时序标记Transformer神经网络实现电潜泵故障诊断。该模型设计了新的多变量时间序列标记策略，继承了引入多头注意力机制和残差连接的传统Transformer神经网络编码器在长时依赖特征提取方面的优势，用前向神经网络替代了传统Transformer神经网络解码器以简化模型复杂度。通过对油田现场故障数据分析，验证了该方法的有效性。实验结果表明，所提方法实现了10类电潜泵故障的精确诊断，相比流行的深度学习方法诊断性能更优。

关键词： 故障诊断   特征对齐   域适应   深度学习  

摘要： 为了兼顾全局域对齐和局部子域的校准，并且使得特征表示容易被决策边界区分，提出了一种基于深度对抗和联合域校准（deep conjoint and adversarial domain calibration, DCADC）方法来进行跨负载的故障诊断任务。首先，将一维轴承振动信号处理为二维灰度图像，有利于模型泛化；其次提出了一种双卷积结构，增强了模型学习域不变信息的能力；另外实施了联合校准策略，使模型在匹配全局信息时捕获局部细粒度信息；最后，加入了特征表示惩罚机制，使决策边界更易于区分样本类别。在三种迁移场景实验中，DCADC方法的平均诊断准确率分别达到了99.8%、100%和99.72%，分别比目前最先进的域适应方法提升了4.8%、0.86%和2.16%。实验结果说明了DCADC方法在复杂工作环境中能够表现出良好的准确性和鲁棒性。