基于动作单元的机电产品故障溯源诊断方法

针对故障在复杂机电产品中传递发展的特点,提出了一种基于动作单元的机电产品故障溯源诊断方法.按照"功能-运动-动作"对整机功能进行结构化分解得到基本的动作单元,并分析动作单元之间的传递过程;在此基础上建立以动作单元和故障现象为节点的贝叶斯网络模型,利用贝叶斯网络的推理算法,计算各个节点的发生概率并追溯最大概率路径,实现动作层的故障动作单元诊断及故障动作单元传播过程诊断;利用故障图对动作单元内部的故障模式及其传递发展过程进行描述,找到引起动作单元故障的根本原因.通过对机电产品动作层和动作单元内部的诊断分析,实现故障现象到故障原因的溯源诊断.将所提出的溯源诊断方法应用到某企业数控转台故障诊断中,结果表明,从运动的角度进行故障溯源诊断,能够有效地诊断出故障动作单元及其传播过程并反映出动作单元内部元件故障的传递发展过程,便于找到导致故障的根本原因,提高了对机电产品故障诊断的效率.     

数控机床基于元动作的FMEA分析技术研究

目前用于机电产品的故障模式及影响分析法实施起来较为繁琐、费时且容易出错,同时该方法选取的分析对象也无法反映机电产品"运动决定功能"的特点.为解决这一问题,首先按照"功能—运动—动作"的分解思路将机电产品的功能分解为最基本的动作——元动作;其次,对元动作的性质进行分析,并探讨了将其作为机电产品故障模式及影响分析的研究对象的合理性;再次,以此为基础提出了一种适用于机电产品的元动作故障模式及影响分析法;最后,在合理性、适用性、简易性等方面对传统方法与所提方法进行了对比,凸显了本文所提方法的优势.以国内某型号的数控机床为对象进行分析,验证了所提方法的适用性和有效性,同时也提高了机电产品故障分析的准确性和效率.     

基于运动单元故障建模的装配可靠性控制技术

为提高机电产品装配环节的可靠性,首先采用"功能—运动—动作"的结构化分解方法得到元动作单元,然后对产品历史故障数据进行分析以确定各运动单元的故障模式,并建立运动单元故障树;为提高分析效率,使用二元决策图(BDD)对故障树进行转化,得到故障树的最小割集,并根据基本事件的发生概率计算得到基本事件的重要度;然后根据80/20定律将重要度较高的事件确定为可靠性控制点,分析可靠性控制点故障的故障源,建立基于多色集合理论的故障与故障源间的布尔关系矩阵,提出在装配过程中针对各主要故障原因的可靠性控制措施。研究结果表明:该故障建模和可靠性控制技术能够有效提高装配过程中的可靠性。     

基于Gamma和混合Copula的 元动作单元性能可靠性分析

针对机电产品(系统)性能可靠性建模和分析困难的问题,提出一种基于非线性Gamma随机过程和混合Copula函数的元动作单元性能可靠性分析通用模型.分析性能退化过程特点建立产品性能退化与其实现的特定功能之间的联系,利用"功能(Function)-运动(Mo-tion)-动作(Action)"的功能运动分解方法将机电产品分解成一系列最小运动单元——元动作单元,将机电产品性能可靠性问题转化为实现特定功能的元动作单元性能可靠性问题.非线性Gamma随机退化过程描述单元内关键零件磨损的退化过程,在此基础上,结合Copula函数考虑元动作单元内部零件和结构的依赖耦合关系,提出一种元动作单元的性能可靠性分析方法.为了更准确地评估元动作单元的性能可靠性,采用描述相关关系更优的混合Copula函数建立元动作单元的性能可靠性分析模型,并利用改进的遗传算法,在适应度函数中加入惩罚项,实现混合Copula函数的最优参数估计,最后结合串联系统概念得到考虑内部结构依赖耦合的元动作单元的性能可靠度表达式.以某托盘交换架分解得到的不同元动作单元为例进行分析,并通过实验对比验证了该模型的可行性和有效性.     

基于元动作的铣齿机机械结构可靠性评估

针对大型数控铣齿设备机械结构可靠性分析不足的问题,文章提出一种基于元动作的铣齿机机械结构可靠性评估方法。首先引入元动作理论,采用功能-运动-动作(function-movement-action, FMA)分解方法对数控铣齿机床进行功能分解,得到元动作单元集;对元动作单元进行故障模式及影响分析,运用模糊TOPSIS(technique for order preference by similarity to an ideal solution)方法优化其风险评估排序能力,提取关键元动作单元;对关键元动作单元进行故障树分析(fault tree analysis, FTA),引入故障树贝叶斯理论,提升其故障溯源推理能力,实现数控铣齿机床可靠性评估能力优化;最后以某公司数控铣齿机床为例,验证了该模型的有效性。     

元动作装配单元误差传递模型及有效路径求解方法

在对机械产品进行"功能-运动-动作"结构化分解的基础上,将影响元动作装配单元装配精度的误差源分为零部件的形状误差、位置误差、装配位置误差和运动误差等四类误差源。引入误差链接模型作为元动作装配单元误差关联关系的基本封装单元,构建结构化误差关联模型——链接网络和链接矩阵,形象描述误差间的耦合嵌套关系。提出基于误差链接模型的装配误差传递路径求解方法,用老鼠迷宫算法搜索所有可能的误差传递路径,以装配精度最高作为判别依据,得到各误差分量的有效传递路径。以蜗杆转动元动作装配单元蜗杆轴线平行度误差有效传递路径为目标,对上述方法进行验证,结果表明该方法能够高效地搜索到所有误差传递路径,并快速获得有效传递路径。该方法的提出为整机装配过程质量预测与控制提供了理论依据。     

基于结构化模型驱动的稳控装置动作模拟仿真方法

提出了一种基于结构化模型驱动的稳控装置动作模拟仿真方法.通过对稳控装置模型的结构化,将其稳控策略组织为四元表形式(即故障、运行方式、潮流水平和控制策略),并将其控制策略分解为控制方式、控制量、控制量实施原则、控制对象队列和约束5个基本元素,在此基础上归纳出直接型、顺序型、循环型和最优型四种基本的控制策略结构化模型.进一...     

基于小波包变换-主元分析-神经网络算法的多电平逆变器故障诊断

针对级联多电平逆变器的故障诊断问题,提出了一种基于小波包变换-主元分析-神经网络算法的故障诊断方法。首先,通过小波包变换对故障信号进行多尺度小波包分解,并重构提取小波包能量作为故障特征向量;然后,采用主元分析方法提取主元信息以降低故障特征的维数;最后,利用BP神经网络进行故障分类和识别。通过仿真实验,验证了该方法相对于传统方法具有更高的故障诊断和故障识别的准确率,并且对噪声具有较好的鲁棒性。     

考虑外界影响的元动作单元故障概率模型

为描述数控机床运动构件的故障率随时间变化的情况,本文从元动作单元出发,建立了一个关于元动作单元的故障概率模型.首先,根据元动作单元故障发生的原因将故障分成两类,随机故障和老化故障.然后,根据这两种故障类型故障数据的不同特点,选用两个不同的概率分布函数分别进行描述,随机故障用泊松分布进行描述,老化故障用威布尔分布进行描述.接着,给出这两种故障概率模型中各参数的物理意义和估计方法.更进一步,工作负载和工作环境会分别对元动作单元的老化故障和随机故障的故障率造成影响.为比较这两者对故障率影响的大小,提出了工作负载参数R l和工作环境参数R e,并给出这两个参数的估计方法.最后,根据收集到的运动构件的故障数据作出频率直方图,同时,对故障数据进行参数估计得到概率密度函数,并将这两者画在同一幅图上,发现两者具有较好的拟合效果.表明提出的元动作单元故障概率模型适合于描述运动构件故障率随时间的变化,模型有效.     

基于KPLS特征提取的WNN模拟电路软故障诊断

为提高模拟电路的软故障诊断能力,提出一种基于KPLS特征提取和WNN的集成诊断方法。首先利用KPLS良好的特征提取能力,构建故障样本集的主元特征集;然后,利用WNN解决复杂非线性问题的优势,建立主元特征集的故障识别模型;最后,由所建模型对各种故障模式进行诊断判定。Sallen-Key带通滤波器的仿真测试表明:该集成方法仅通过不到300次迭代计算即完成模型训练,诊断的总正确率达到96.7%,且9种模式中的6种达到100%正确率,从而验证了其可行性和有效性。     

基于灰色关联与故障树分析法的汽车制动系统故障诊断

为了提高汽车制动系统的故障诊断能力和效率,在传统的故障树模型的基础上,引入灰色关联分析方法,建立了基于灰色关联度的故障模式分析模型。依据故障树底事件的重要度,计算出各故障模式之间关联度,并按大小进行排列,从而确定导致汽车制动系统失效因素发生的优先顺序。该方法在实践中不仅可以提高诊断工作的效率,也为汽车可靠性设计提供理论依据。     

一种基于改进极端梯度提升决策树的轴承故障诊断方法

针对传统故障诊断模型面向海量故障数据时诊断准确度低的问题，首先，提出了一种局部均值分解与固定点算法联合降噪方法，以消除轴承振动信号中的噪声；其次，为了避免原始信号中敏感特征难以提取的问题，提出了一种基于核主成分分析的降维方法；再次，构建了一种基于改进极端梯度提升决策树的故障诊断模型，采用GS-PSO算法优化SVM性能，进而运用改进极端梯度提升决策树思想修正分类模型的残差以提升模型分类精度，应用Spark-大数据平台，通过并行处理技术进行科学计算；最后，采用CWRU提供的滚动轴承数据进行训练与仿真，证明构建的模型能实现对不同类型滚动轴承的识别诊断，并保证诊断结果的准确率。通过对4种不同故障诊断模型的对比分析，表明本文模型具有可行性和优越性。     

基于IMM-UKF方法的机电作动器突发性故障诊断研究

飞机飞行控制系统机电作动器（electromechanical actuator,EMA）的突发性故障会影响到飞机的飞行安全性,甚至导致飞机失控.针对EMA的突发性故障,提出一种基于交互式多模型（interactive multiple model,IMM）和无迹卡尔曼滤波（unscented Kalman filter,UKF）相结合的故障诊断方法.该方法利用UKF不仅能更好地逼近状态方程的非线性特性,而且能使滤波器具有更好的稳定性和更低的计算量要求;利用IMM不仅解决了可测量参数偏少导致的故障诊断困难的问题,而且还改善了发生的故障与预先假设的故障差异较大的情况下故障诊断的快速性和准确性.通过对某型EMA进行故障诊断,仿真结果表明所提出的IMM-UKF故障诊断方法可以实现对EMA部件和传感器故障的快速准确诊断.      

基于LMD和SSA-SVM的电机故障诊断

针对电机故障诊断问题,尤其电机轴承方面的诊断,提出了LMD分解和麻雀搜索优化算法（SSA）优化支持向量机（SVM）的故障诊断方法。第一步采取小波降噪和LMD算法相结合去处理原始信号,经过小波降噪后的原始故障信号会去掉一部分的干扰,再分解得到原始信号的一系列PF分量,接着使用相关性分析法选择出有效的PF分量进行信号重构,重构后的故障信号再次经过LMD分解得到的PF分量求出各自的能量熵,直接用能量图展现出来。接着将各个PF分量的能量熵组成一组组特征向量输入到支持向量机的故障诊断模型里。利用麻雀搜索算法在支持向量机（SVM）对于电机故障的分类的模型上进行惩罚参数和核参数的挑选和模拟,选择最合适的参数组合建立SSA-SVM故障诊断模型进行仿真实验,通过仿真实验验证该方法的故障诊断准确率高达99.2％,与PSO-SVM和SVM故障诊断模型进行比较分析,实验证明提出来的方案有着更适合的故障识别能力,对电机故障诊断有着很好的适应性和发展性。     

基于HHT和FKNN的动调陀螺仪故障诊断研究

动调陀螺仪是一种重要的、典型的和复杂的机载机电设备。针对动调陀螺仪的故障结构特征,提出一种基于希尔伯特-黄变换(HHT)和模糊Kohonen神经网络(FKNN)的动调陀螺仪故障诊断模型。首先,在对动调陀螺仪进行故障模式与影响分析的基础上,明确了故障模式及特征参数;针对特征参数中的随机信号,采用希尔伯特-黄变换进行特征提取;然后,在分析Kohonen神经网络结构、原理及不足的基础上,提出一种模糊Kohonen神经网络诊断模型;最后,通过诊断算例进行分析验证。结果表明所提出方法在动调陀螺仪故障诊断中具有较高的正确诊断率。     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,本文提出将迁移学习的思想与卷积神经网络（Convolutional Neural Networks,CNN）相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析（principal component analysis,PCA）对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法（MMD）选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。     

基于多尺度排列熵和正则化RVFL的高压隔膜泵单向阀故障诊断

高压隔膜泵单向阀运行工况复杂,运行时产生的振动信号具有非线性、非平稳特性,导致信号特征提取困难,故障状态难以识别.为了提取单向阀运行状态的非线性动力学特征,提升故障诊断模型的识别精度和泛化能力,提出了一种基于多尺度排列熵（Multi-scale Permutation Entropy,MPE）和正则化随机向量函数链接（Random Vector Functional Link,RVFL）网络的单向阀故障诊断方法.首先,对工况下采集的单向阀振动信号进行变分模态分解（Variational Mode Decomposition,VMD）获得既定的若干本征模态函数（Intrinsic Mode Function,IMF）分量;然后,计算IMF分量的多尺度排列熵,构建表征单向阀运行状态的特征值向量;最后,基于运行状态的特征值向量,建立正则化随机RVFL的故障诊断模型,并应用于单向阀的运行状态监测与识别.实验结果表明,构建的故障诊断模型能够精确地识别单向阀的故障类型,准确率达到98.89%.     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

基于改进EEMD的卷积神经网络滚动轴承故障诊断

集合经验模态分解(EEMD,ensemble empirical mode decomposition)对信号进行分解,得到的模态函数(IMF,Intrinsic model function)在2端点存在严重的发散现象,如果将分解结果直接应用到故障诊断系统中,会导致诊断的准确率下降。首先将支持向量机(SVM,support vector machine)和EEMD算法结合进行信号分解,并利用仿真信号进行可靠性分析;其次对SVM(support rector machine)-EEMD分解的分量进行选择后再分解并构建能量向量,最后和卷积神经网络结合,构建滚动轴承故障诊断模型并通过实验验证。结果表明,改进EEMD算法可以有效缓解端点发散问题,构建的故障诊断模型提高了故障诊断精度。