基于K-均值聚类算法的岸桥载荷分类识别

为了探究岸边集装箱岸桥每次作业的载荷情况,提高对使用寿命评估的准确性,运用K-均值聚类算法与定量统计分析方法,对岸桥起升电机的径向和轴向振动烈度进行研究.建立了起升电机振动烈度与岸桥载荷状态的数学模型和振动烈度径向与轴向的相关性模型,提出了岸桥载荷分类识别方法.通过实时数据验证,该分类方法能够很好地代表岸桥的实时工作状态,对于岸桥载荷状态的正确分类和工程应用中的监测与评估具有重要意义.     

基于SOFM的岸桥提升电机状态识别及可视化

研究并分析自组织特征映射(self-organizing feature map,SOFM)神经网络的结构和算法,并应用于岸桥提升电机的状态识别及可视化.通过运用SOFM,对属性约简后的数据进行聚类及可视化分析,以有效值、脉冲指标和裕度指标为特征向量,得到3种主要的电机状态,并利用Matlab实现仿真可视化.通过对样本数据处理,实现电机状态的准确识别,从而更好地监测岸桥提升电机,同时也为机械状态的识别和维护提供一种新途径.     

起升动载激励下岸桥起升传动系统动态特性

为研究岸桥起升传动系统在起升复杂工况下的动态特性,建立了起升机构的动力学模型,模拟了传动系统所受的起升动载.考虑传动系统中齿轮副的时变啮合刚度和支撑刚度,建立了起升传动系统平移-扭转耦合的动力学模型,得到了电机从启动到匀速最后减速到停止的起升过程中传动系统各构件的振动响应,并对不同阶段的啮合力进行了频域分析.研究表明,传动系统各构件的扭转振动与起升动载有相同的变化趋势,且由于起升速度的变化,加速和减速阶段的啮合力频谱出现了边频带现象.     

基于LSTM-CAPF框架的岸桥起升减速箱轴承寿命预测方法

岸桥起升减速箱轴承的健康状况对港口生产安全具有重要意义.针对岸桥变工况的工作条件,提出一种起升减速箱轴承的剩余使用寿命(RUL)预测框架.首先,对工作载荷进行离散化,并确定工况边界.然后,利用长短时记忆(LSTM)网络模型预测载荷和相应的运行工况.其次,以维纳过程为基础,建立了考虑不同工况下退化率和跳变系数的状态退化函数.最后,利用工况激活粒子滤波(CAPF)方法预测轴承退化状态和RUL.采用NetCMAS系统采集的上海某港口起升减速箱轴承全寿命数据验证了所提出的预测框架.与其他3种预测模式比较表明,所提出的框架能够在变工况条件下获得更准确的退化状态和RUL预测.     

基于模拟声辐射信号的桥上板式轨道脱空状态智能感知方法

提出了一种基于轨旁传声器采集结构声辐射信号的板式轨道脱空状态智能感知方法。建立了车-轨-桥耦合振动计算模型和声振耦合分析模型,模拟了列车动载激励下轨道板和桥梁结构的振动和声辐射响应,分析了轨道板脱空状态对结构振动和声辐射响应的影响规律,采用声辐射数值模拟数据和支持向量机（SVM）实现了对轨道板15种脱空状态的二分类和多分类识别。结果表明：相比于位移响应,加速度响应和声辐射响应对轨道板脱空状态的变化较为敏感;二分类SVM模型对于不同测点数据的分类效果有所差别,但准确率基本都能达到85 %以上;根据某测点声压数据训练出的二分类SVM模型对未知测点数据的分类准确率相比于自身测点数据下降10 %~30 %;多点位数据信息融合可以提高多分类识别准确率。     

岸边集装箱起重机的地震反应谱分析

采用振型分解反应谱法和谱分析技术进行岸桥地震动态响应研究。建立了岸桥地震作用下的动力学方程和谱分析有限元模型,在编制了地震反应谱后,基于ANSYS平台实现了7级烈度地震下的岸桥地震谱分析,为进一步研究岸桥的抗震分析提供了依据。     

集装箱桥吊仿真训练器起升机构动力学模型的建立与计算

建立起升机构的动力学模型并进行分析计算是设计岸桥仿真训练器的重要环节。本文对岸桥起升机构进行初步的动力学分析,建立了微分方程组对运动参数进行求解,并对动力学模型进行了讨论。     

基于小波包变换和极限学习机的滚动轴承故障诊断

采用基于小波包变换(WPT)和极限学习(ELM)的方法对轴承故障进行诊断和分类辨识。该方法首先采用小波包变换对采集到的振动信号进行分解,求得各频带的相对能量,并构建特征向量,接着利用极限学习机进行自动分类识别。经使用实验台实测电机滚动轴承不同状态的信号进行分析,研究结果表明,所建立的自动分类模型可以有效地对轴承的单一故障,以及不同程度故障有很好的辨识能力。     

车用内置径向式永磁同步电机的降振优化设计

为降低永磁同步电机径向电磁力所引起的电磁振动噪声,基于电磁场、结构场以及声场有限元分析方法,提出了一种基于隔磁磁桥偏移的优化方法.以一台车用内置径向式永磁同步电机为研究对象,将电机隔磁磁桥所在位置沿转子外径的圆周轨迹向磁极方向偏移,同时对隔磁磁桥相邻间距与隔磁磁桥长度进行优化,在综合考虑电机振动噪声水平与电机性能的前提...     

振动波形的分形判别及特征提取

首先给出了寻找振动波形的无标度区的方法,波形在无标度区内可视为无规分形,利用文中的公式可以求得波形的盒维数。振动式的验表明,波形确实存在在无标度区;盒维数为波形的一个重要特征,可以用于对振动状态的分类识别;与频域模在数识别的方法相比较,盒维数方法更简单易行。     

准确近似聚类算法及其在岸桥拉杆状态监测中的应用

为了探究码头岸桥每次作业拉杆的载荷情况,更加准确评估拉杆的使用寿命并确定其维修周期,采用聚类算法与定量统计分析方法,对岸桥拉杆载荷进行分析。考虑到传统K均值算法在处理大规模数据时的局限性,在聚类思想的基础上,提出一种准确近似K均值算法(AAKM)。该算法在聚类数目K的初步确定和提高聚类算法的准确性方面实现了极大的改进,并利用试验结果进行了验证,结果表明该方法对于岸桥载荷状态的识别和工程应用中的监测与评估具有重要意义。     

基于小波分析和神经网络的电机故障诊断方法研究

在电机故障诊断技术中,电机振动信号最能全面反映电机的运行状态.本文提出一种基于小波分析和神经网络的电机故障诊断方法,该方法采用小波时频分析技术对电机故障振动信号进行消噪滤波,通过小波包分解系数求取频带能量,根据各个频带能量的变化提取故障特征,应用BP神经网络进行故障识别,并采用Matlab仿真软件予以实现.结果表明,该方法不需要建立电机的故障诊断模型,能有效提高电机故障诊断的准确性.     

基于振动能量的内燃动车组柴油机组振动烈度分析

车载设备的振动水平不仅影响设备安全可靠运转,也影响周围环境的振动噪声.降低车辆的乘坐舒适度.为研究设备振动水平,本文建立了单自由度系统振动模型,分析了单自由度振动系统的振动能量特征.借鉴基于振动速度的振动烈度评价方法,推导了基于振动能量的等效振动速度的振动烈度公式,并采用基于振动速度和基于振动能量的两种方法,分别评价了某型内燃动车组(DMU)动力包的柴油机组振动烈度.结果表明:机组的振动烈度均随运转速度呈递增趋势,基于振动能量的振动烈度评价方法更能全面反映机组的振动水平和动态特性,为评估车载设备振动水平提供了新的评价方法.     

运用频率指标诊断电机轴承故障的神经网络法

电机滚动轴承的时域振动信号经过快速傅里叶变换和自功率谱处理后,可以获得电机滚动轴承振动的固有频率,然后运用该频率指标,利用多层反向传播前馈型神经网络,通过神经网络的学习和推广两个阶段,可以实现对轴承故障的自动分类诊断。对一电机滚动轴承的实验表明,该方法行之有效,对工程应用具有较高的实用价值。与其它损伤识别指标相比,诊断精度相对提高率均大于１１％,说明频率指标对结构的损伤具有更高的灵敏度。     

基于多代理决策融合的电机状态识别

提出了基于多代理决策融合的电机状态识别系统.以电机的振动信号和电流信号为输入,六种分类器用来识别其状态.每个分类器视为一个代理,独立完成模式识别工作后,同其他分类器交换信息从而提高识别率.本文还将传感器融合和分类器选择融入系统,同单源数据和无分类器选择相比具有更大的优势,使最终电机状态识别率达到98.9%.     

产生式规则在岸桥电动机选型中的应用

针对岸边集装箱起重机电动机选型设计时,人工计算存在易出错耗时长的问题,采用产生式规则理论方法,以起升机构电动机选型为例,对选型知识合理分类并进行知识表示,建立相应规则库,给出合理的知识推理模型.在此基础上,运用Power Builder 11.5软件平台设计出一个岸桥起重机电动机选型系统,通过实例验证了该方法的可用性.结果表明:采用产生式规则理论所选型号与人工计算一致,且该系统选型周期较短,避免了容易出现失误等不足.     

精细复合多尺度模糊熵在电机轴承损伤检测中的应用

针对电机轴承的损伤检测问题,本文提出一种基于精细复合多尺度模糊熵算法（RCMFE）和粒子群优化最小二乘支持向量机的诊断模型,通过提取振动信号中的关键特征有效识别轴承的运行状态.该方法以粗粒化过程和模糊熵的优化改进算法,克服了传统多尺度模糊熵（MFE）因粗粒化尺度不断增大而引起的熵值不规则浮动、误差增加等缺陷.之后,结合电机轴承不同工况的振动数据进行实验验证.结果表明,相较于其他方法,RCMFE计算熵值的误差更小,一致性更强,且分类结果显示RCMFE获得了更高的诊断精度.     

基于小波域威布尔分布模型的电机滚动轴承故障诊断

电机轴承的运行状态是否正常，通常可以通过分析电机的滚动轴承的振动信号得到诊断结果.因此，分析和研究电机轴承振动信号是滚动轴承研究的热点.首先对电机滚动轴承振动信号进行降噪等预处理，并对预处理的振动信号进行小波分解，再对小波分解系数进行单支重构，得到不同尺度下的单支重构信号；接着对单支重构信号分别建立威布尔分布模型，并验证模型的恰当性，然后求取单支重构信号的威布尔分布模型的尺度参数和形态参数；最后将模型的尺度参数和形态参数输入SVM模式识别器进行故障诊断和模式识别，识别结果表明其参数能较好地表征电机轴承的运行状态.实验结果证明所提方法能较好地诊断电机轴承的故障.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于数学形态学分形理论与PNN的轴承状态监测与故障诊断

针对滚动轴承状态监测实时性差、故障诊断准确率低的问题,提出一种基于改进局部均值分解（ILMD）和数学形态学分形理论的特征提取算法,并结合概率神经网络（PNN）完成对轴承状态的智能化识别分类.该算法首先通过ILMD分解轴承原始振动信号,选取相关性系数最大的两阶分量,求取其分形维数作为特征向量;其次,结合盒维数理论,将“形态学覆盖面积”作为第三维特征向量,同时构建起三维特征矩阵;最后将特征矩阵输入PNN以完成状态的识别分类.使用西储大学实测轴承数据验证算法,结果表明,该算法不仅能够精确识别不同状态的轴承,还能有效分类同种故障下不同损伤程度的轴承状态,平均识别率超过99.6%,平均识别时间0.21s.