基于遗传程序设计的回转支承寿命状态识别

针对回转支承低转速、故障信号微弱的特点,提出了一种遗传程序(GP)设计的方法对其寿命状态进行准确的识别。为保证回转支承运转信息的完整性,该方法从不同领域提取了多个特征指标组成特征向量矩阵。以模型的性能和复杂度为衡量指标,从遗传程序设计建立的模型中选择出最佳模型,再将测试样本输入模型实现对回转支承寿命状态的识别。利用自主研发的回转支承综合性能实验台对某型号的回转支承进行了全寿命疲劳实验,实验结果表明,所提出的方法能够准确地识别出回转支承的寿命状态,为实时维修奠定了基础。     

采用概率主成分分析的回转支承寿命状态识别

针对回转支承故障特征微弱以及难以提取的特点,提出一种基于概率主成分分析(probabilistic principal component analysis,PPCA)的多领域特征提取方法。该方法从振动信号的时域和时频域中提取出多个能够表征回转支承运行状态的特征向量,并将其组成高维特征集。采用PPCA从高维特征集中提取出最能够反映回转支承寿命状态信息的特征量,将其输入粒子群算法优化的支持向量机中进行寿命状态的识别。通过回转支承全寿命实验证明,基于PPCA的特征提取方法优于传统的主成分分析(principal component analysis,PCA),其相应的寿命状态识别精度提高了约8%,并且多领域、多变量的特征更能全面反映回转支承的性能退化趋势。与传统的特征提取方法相比,所提方法能够更全面有效地反映复杂恶劣环境下回转支承的故障信息,因此可以用于回转支承的健康监测领域。     

基于多特征集融合与多变量支持向量回归的回转支承剩余寿命评估

针对回转支承剩余寿命难以评估的问题,提出一种基于温度、扭矩、振动信号时域内多个特征值融合和多变量支持向量回归(MSVR)的剩余寿命评估新方法。该方法通过主成分分析(PCA)求得温度、扭矩、振动信号性能衰退指标量化回转支承性能衰退规律,以此作为输入量构建多变量支持向量回归回转支承剩余寿命评估模型。MSVR克服了结构简单、信息匮乏等缺点,实现变量之间冗余信息的消除和样本数据潜在信息的最大挖掘,采用回转支承全寿命实验数据对评估模型进行检验,结果表明MSVR可获得准确的评估结果。     

基于数据驱动的回转支承性能退化评估方法

为解决工程机械中大型回转支承工作环境恶劣,但可靠性要求较高的问题,提出一种基于集合经验模态分解-主成分分析(ensemble empirical mode decomposition-principle component analysis,EEMD-PCA)的振动信号降噪和性能退化过程评估方法。结合EEMD和PCA各自优势自适应地选择全寿命振动信号中最能反映回转支承性能退化趋势的成分进行重构以实现降噪,提出以PCA模型中的统计量连续平方预测误差(continues square prediction error,C-SPE)作为回转支承的性能退化特征,建立回转支承性能退化模型。利用自制的回转支承性能试验台对型号为QNA-730-22的回转支承进行全寿命疲劳试验。研究结果表明,该方法具有较好的降噪效果,建立的性能退化模型准确地反映出不同阶段回转支承的性能特征,为企业的主动维护提供了数据支撑,从而进一步提高了回转支承的运行可靠性。     

基于小波-能量模式的回转支承故障诊断方法研究与应用

回转支承机械结构和工作条件特殊,导致其故障机制复杂,传统的信号分析方法难以对其进行有效的故障诊断.提出了一种基于小波分解与能量谱相结合的回转支承故障诊断方法.利用小波多尺度、多分辨率的特性,对回转支承振动信号进行多尺度分解;根据回转支承低频故障特性,对小波分解后的低频区进行频谱分析,再结合各尺度频带能量谱进行回转支承故障诊断.通过对回转支承加速寿命试验中各阶段数据分析表明,该方法能够有效、准确地诊断出回转支承故障模式,相比单一的小波频谱分析诊断精度更高、可靠性更好,具有一定的工程实用价值.     

基于小样本试验的大型回转支承剩余寿命预测

提出一种基于小样本的大型回转支承剩余寿命预测方法,首先基于改进的威布尔分布理论建立回转支承剩余寿命预测的可靠性模型,然后基于赫兹理论分析回转支承滚道载荷分布规律,并结合Archard磨损理论和逆幂率加速寿命模型提出通过小样本试验估计预测模型参数的方法,最后用QNA-730-22内齿式回转支承进行验证。研究结果表明:该方法能够通过一次全寿命试验建立起多个疲劳载荷下多个滚道样本准确的寿命模型,相对于NREL设计指南和ISO281的疲劳寿命计算方法,该方法更接近真实试验数据,并且相对传统可靠性建模方法能节省大量的时间和费用,为企业制定及时的主动维护策略提供参考。     

基于粒子群优化支持向量机的回转支承寿命状态识别

回转支承已在工程机械和风力发电等方面得到广泛应用。为了对其健康状态作出正确判断,采用经粒子群算法优化的支持向量机模型来对其寿命状态做出准确识别。寿命状态识别的关键问题是特征向量的提取。为了得到有效而又全面的寿命状态信息,从时域和时频域方面提取多个特征向量进行综合分析,从而实现了小样本数据下信息的最大挖掘。最后以回转史承全寿命实验对该方法进行检验,结果表明,该模型的效果优于传统的支持向量机以及单变量模型,具有实际工程应用价值。     

时间序列预测及在汇率市场中的应用

遗传编程(GP)和基因表达式编程(GEP)是在遗传算法的基础上发展而来的遗传算法的新分支,它在个体的表示、个体的处理和结果的形式等方面与传统遗传算法有着显著的区别和优势.本文针对汇率市场对象的特点,分别研究了用遗传算法,遗传编程,基因表达式编程进行预测,取得了满意的效果.     

疲劳损伤的模糊性研究

针对疲劳极限以下小载荷造成的疲劳损伤问题，依据模型数学理论，引入“造成损伤”这一模糊子集，定义其隶属函数，导出了隶属函数与损伤的关系，建立了模糊累积损伤计算模型以及相应的疲劳寿命计算公式，并采用2个不同的载荷谱，对构件疲劳寿命进行了预估。通过与实测寿命比较，找出了对不同载荷谱选择不同隶属函数的规律，使两种载荷谱下疲劳寿命预估的误差由原来的62．58％、61．65％分别降低到4．03％和0．53％。结果表明，用该方法预测构件的疲劳寿命比传统方法更加准确。     

基于退化检测和优化粒子滤波的轴承寿命预测方法

轴承广泛应用于各种机械设备中,为避免轴承突然损坏而导致设备故障,应有效预测其剩余使用寿命,因此提出一种基于自适应退化检测和粒子群优化粒子滤波(particle swarm optimization-particle filter,PSO-PF)算法的轴承寿命预测方法.首先,从轴承振动信号中提取候选特征,并对候选特征进行筛选,将优选的特征进行加权融合构建退化指标.然后引入自适应退化检测法确定首次预测时刻.最后引入粒子群优化算法对粒子滤波的重要性采样过程进行改进,使用优化粒子滤波算法从检测到的首次预测时刻开始对轴承进行剩余寿命预测.轴承全寿命实验验证,该方法能够有效预测轴承剩余寿命,并且与常规粒子滤波算法相比具有更高的预测精度.     

摩擦因数对回转支承动态特性的影响

基于ABAQUS建立回转支承局部三维有限元模型,将有限元计算的滚动体滚动速度与理论计算对比,检验出仿真的合理性,同时对回转支承进行动态分析,研究摩擦因数对回转支承应力应变和疲劳寿命的影响。仿真的结果和赫兹理论对比表明:摩擦力的作用使后接触区的应力大于前接触区的应力,应力中心不完全关于接触点对称分布,随着摩擦因数增大,次表层的最大应力有向滚道表面移动趋势。反映出回转支承的滚道的疲劳损伤萌生随着润滑效果的变差而变浅,为进一步分析回转支承的疲劳失效原因和动态优化设计提供理论依据。     

线性预测误差与自相关函数矩阵之间的关系

通过数学推导，给出线性预测误差与观察信号自相关函数矩阵行列式及特征值之间的关系。     

基于支持向量机的风电偏航回转支承故障诊断

针对风电回转支承故障样本少、信号微弱且不易提取的特点,提出一种基于小波能谱和支持向量机相结合的故障诊断方法。采用加速度信号的小波能谱与温度、扭矩信号组合构成特征向量,用支持向量机对正常、单个螺栓断裂、多个螺栓断裂3种状态进行分类识别,结果分类准确率都达到100%。样本不变,采用BP神经网络方法分类的准确率分别为84%、92%和80%。结果表明,支持向量机方法比BP神经网络更适用于风电回转支承的故障诊断。     

回转支承自适应负载的运动控制方法

建立回转支承运动系统的动力学模型,以传统阻抗控制为基础,分析由于动力学模型不确定造成的误差,用神经网络补偿这一误差,建立基于力矩型神经网络阻抗控制结构,并对控制系统进行仿真分析。结果表明:力矩型神经网络阻抗控制器具有良好的自适应性及鲁棒性,能实现回转支承系统的驱动力和位置的双重高精度控制,从而降低功率损耗,有效减少损伤的发生机率和减缓损伤发展速度,延长使用寿命。     

回转窑支承系统疲劳寿命与轴线关系及预测方法

回转窑运行中由于轴线偏移,支承载荷分配不均导致托轮轴疲劳断裂。通过对回转窑托轮轴进行力学分析,导出托轮轴疲劳寿命损伤模型,根据支承载荷分配与轴线偏差的线性关系,得出回转窑支承系统各托轮轴疲劳寿命与轴线偏差的关系;结合现场实例介绍了根据检测回转窑的运行轴线,预测支承系统疲劳寿命的方法,为回转窑的维护与调整提供理论依据。研究表明回转窑支承系统疲劳寿命对轴线偏差的变化非常敏感,合理的进行轴线调整,能有效提高支承系统疲劳寿命,防止托轮轴运行中突然断裂。图2,表1,参10。     

基于多表达式编程的汇率预测的研究

由于汇率预测(Exchange Rate Prediction)是一种不确定、非线性、非平稳的时间序列预测问题,传统的方法往往难以得到满意的结果.多表达式编程(Multi Expression Programming,MEP)是一种新型的线性编码的遗传编程(Genetic Programming)的变种.提出一种克隆选择算法优化的多表达式编程模型对国际上3种重要的汇率数据进行了建模和预测,实验结果表明,该模型克服了传统进化算法优化的遗传编程及人工神经网络早收敛、难以找到全局最优解的缺点,取得了令人满意的结果.     

基于K-S距离的GM(1,1)的机械设备剩余寿命预测

在工程应用中的振动信号大多为非线性非平稳信号,为了能充分利用工程中采集的振动信号中的信息,以kolmogorov-smirnov检验为基础,提出了以K-S距离作为机械设备各退化状态退化指标的方法.根据经验设定机械设备完全失效对应的退化指标的阈值,用退化指标序列训练灰色模型,然后用训练好的模型预测退化指标的变化趋势,从而估计退化指标到达设定阈值时的时间并以此作为机械设备的剩余使用寿命.最后通过轴承的全寿命周期振动信号对其验证,结果表明所提出的预测方法可以有效地预测轴承的剩余寿命.     

基于K—S距离的GM（1，1）的机械设备剩余寿命预测

在工程应用中的振动信号大多为非线性非平稳信号,为了能充分利用工程中采集的振动信号中的信息．以kolmogorov—Smirnov检验为基础．提出了以K—S距离作为机械设备各退化状态退化指标的方法．根据经验设定机械设备完全失效对应的退化指标的阈值．用退化指标序列训练灰色模型,然后用训练好的模型预测退化指标的变化趋势．从而估计退化指标到达设定阈值时的时间并以此作为机械设备的剩余使用寿命．最后通过轴承的全寿命周期振动信号对其验证．结果表明所提出的预测方法可以有效地预测轴承的剩余寿命．     

突变信号的时幅拐点分析法

为解决发动机高速轴承振动数据时域信号中隐藏的突变信号难以精确时频定位的问题,提出一种突变信号的时幅拐点分析算法.该算法首先通过离散傅里叶变换对信号进行特征频率的提取,再针对该特征频率进行时移傅里叶分析,通过该频率时移傅里叶分析下的时幅拐点找出突变信号的进入时刻和消失时刻,最后通过对确定时段内的信号进行二次傅里叶分析获得该突发信号的幅值.理论分析、理论仿真和高速轴承振动数据工程仿真验证均表明,该算法能准确捕捉和提取突变信号的幅值及其在振动信号中的出现时刻和消失时刻.     

采用IEWT-SAE算法的配电变压器故障诊断方法

为识别配电变压器运行过程中存在的潜伏性故障,提出一种基于改进经验小波变换(improve empirical wavelet transform,IEWT)及堆栈自编码器(stacked auto-encoder,SAE)算法的故障诊断新方法. 首先,利用顺序统计滤波包络法来改进经验小波变换完成对振动信号的分解,得到一组经验小波分量并计算其与原始信号之间的K-L散度值,以剔除干扰分量. 然后,选取K-L散度值低的经验小波分量作为SAE的输入数据进行特征的自适应提取,再用Softmax分类器完成故障诊断,并在堆栈自编码器训练过程中引入樽海鞘群算法实现参数寻优. 最后,在10kV油浸式变压器上搭建数据采集平台进行故障模拟及分类测试. 实验结果表明,所提方法的分类精度达99.5%,在识别准确率、诊断时间上均优于对比方法.