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。     

基于表观堆栈遗传编程的回转支承寿命预测

由于回转支承的损伤机制不清楚,传统的寿命预测模型不能找出其寿命与振动信号的数学关系。本文改进传统的遗传编程算法(GP),根据表观遗传学的最新研究和堆栈结构,提出了基于表观堆栈遗传编程(ESGP)的寿命预测方法。先从时域、时频域中提取多个特征值,再用动态等距离映射算法从高维特征值中提取能够反映回转支承退化趋势的单一特征值,最后用ESGP进行寿命状态识别。结果表明,该算法成功地找出回转支承的寿命与振动信号的数学关系,为回转支承的损伤机制研究提供理论基础。其寿命预测精度、模型简洁度要高于传统GP。     

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。     

基于多特征参量的回转支承智能健康状态评估

为了提高回转支承运行可靠性,及时发现其潜在的失效,实施良好的设备维护与管理,有必要对其进行健康状态评估。选取表征回转支承健康状态的温度和扭矩作为特征参量,建立了一种采用遗传算法优化动态递归Elman神经网络的回转支承多参量健康状态评估模型,并利用3 MW变桨回转支承疲劳寿命实验数据对该模型进行了网络训练和测试。结果表明,该模型评估结果与实验值相符,可准确地对回转支承进行健康状态评估。     

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.     

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。     

基于性能退化的刀具可靠性评估

针对长寿命少失效样本条件下的可靠性评估问题,从性能退化角度分析了退化指标分布已知与未知条件下的性能退化路径的可靠度评估方法.以刀具为例,将其加工过程的刀具磨损量作为退化指标,建立了3种不同的退化路径模型,结合失效阈值,准确地估计出了刀具的伪失效寿命,并通过伪失效寿命数据分布模型进行了刀具的可靠性评估,对比分析了3种分布模型的可靠性指标差异,验证了该方法的有效性,为长寿命少失效样本条件下的设备可靠性评估提供了新的方法和思路.     

基于LSTM的航空发动机整机支承刚度识别方法

针对旋转状态下航空发动机整机的支承刚度识别问题,提出了一种基于长短期记忆(long short-term memory,LSTM)神经网络的航空发动机整机支承刚度识别方法.首先,建立航空发动机整机模型,基于该模型获得目标转速下不同支承刚度对应的位移响应;然后,建立以LSTM为核心层的深度学习网络,以位移响应为输入、支承刚度为输出训练该网络,构建位移响应与支承刚度之间的非线性关系;最后,利用深度学习网络的泛化特性对多个支承刚度进行直接识别.使用该方法对一航空发动机整机进行支承刚度识别,结果表明,支承刚度的识别误差小于2％,LSTM的识别精度高于径向基神经网络与支持向量机.该方法避免了动力学反问题中复杂的寻优过程,实现了复杂非线性结构的动态参数识别.     

塔式起重机回转平台有限元分析与试验验证

为了评估塔式起重机回转平台强度与刚度,本研究基于有限元板壳理论,建立了平头塔机回转平台上、下支座有限元模型,忽略回转支承滚珠与滚道之间的接触关系,采用实体交叉圆柱替代回转支承滚珠,对回转支承进行近似模拟。进行了回转平台模型试验,验证有限元分析参数设置准确性。结果表明:危险工况下回转平台应力都小于许用应力,整个结构是安全可靠的;围筒与筋板焊缝的应力随筋板安装角增加而增加;回转支承模拟圆柱直径对回转平台应力状态无明显影响;有限元结果与试验测试数据吻合良好,验证了有限元分析的可行性。     

工艺流程识别及阀门操作合理性的可视化监测

为实现工艺流程识别及阀门操作合理性诊断和可视化监测,利用半实物仿真系统采集的温度、流量信息建立了基于支持向量数据描述(SVDD)的工艺流程识别模型。对工艺流程识别进行了半实物仿真实验,对阀门操作进行了可视化监测和合理性判别,提出了基于数字滤波的改进工艺流程识别性能的方法。实验结果表明:无故障样本条件下建立的工艺流程识别模型能够准确地识别出相应的工艺流程,模型输出可以直观地反映阀门开度偏离设定工况的程度,为无故障样本条件下的阀门操作合理性诊断和可视化监测提供了一种新的技术手段。     

工艺流程识别及阀门操作合理性的可视化监测

为实现工艺流程识别及阀门操作合理性诊断和可视化监测，利用半实物仿真系统采集的温度、流量信息建立了基于支持向量数据描述（SVDD）的工艺流程识别模型。对工艺流程识别进行了半实物仿真实验，对阀门操作进行了可视化监测和合理性判别，提出了基于数字滤波的改进工艺流程识别性能的方法。实验结果表明：无故障样本条件下建立的工艺流程识别模型能够准确地识别出相应的工艺流程，模型输出可以直观地反映阀门开度偏离设定工况的程度，为无故障样本条件下的阀门操作合理性诊断和可视化监测提供了一种新的技术手段。     

基于抗噪多核卷积神经网络的轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于抗噪多核卷积神经网络（anti-noise multi-core convolutional neural network,AMCNN）的轴承故障识别新方法。首先,对滚动轴承振动信号进行预处理,得到数据样本,分为训练集和测试集;然后建立轴承寿命状态识别模型,将标签化的训练集数据样本输入AMCNN中进行训练;最后,将训练后的AMCNN模型应用于测试集,输出故障识别结果。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理;为提高模型抗干扰能力,将dropout层作为AMCNN的第一层。运用轴承实验数据对识别模型进行检验,通过对比验证,结果表明所提出的识别方法在高噪声环境下能更准确地实现轴承故障状态识别。     

随机矩阵理论和主成分分析融合的滚动轴承性能退化评估方法

为解决传统特征提取方法处理轴承高维监测数据时会造成部分有用信息损失及现有轴承性能退化状态指标难以精确表征实际运行状态的问题,提出了一种随机矩阵理论(RMT)和主成分分析(PCA)相融合的滚动轴承性能退化评估方法(RMT-PCA)。首先,通过平移时间窗对滚动轴承监测数据进行信息锁定,并构造出随机矩阵模型;其次,利用随机矩阵理论中的单环定理及M-P定律进行矩阵特征分解与提取,构造出14个特征指标;最后,基于PCA算法对多个特征指标进行融合,提取贡献率较大的主成分构造出融合特征指标用于轴承性能退化评估。采用美国IMS轴承全寿命数据进行实验研究,结果表明:与基于最大最小特征值之比指标的异常检测算法相比,RMTPCA方法可提前12.5h检测出轴承的早期异常;与分层狄利克雷过程-连续隐马尔可夫模型相比,RMT-PCA方法在对早期异常点和严重故障点的检测结果与前者基本相同,但其融合指标能够更清晰地反映出轴承在中期和严重退化阶段"愈合现象"的发生。     

考虑损伤程度的设备运行可靠性研究

为了充分利用运行状态中特征参数的变化信息对设备的使用进行可靠性分析,采用设备运行状态主动监测的方法,提出了集成设备失效的先验分布,以及与设备状态的振动信号特征提取相结合的可靠性模型.通过监测设备运行过程中的动态性能退化信号,引入特征评估技术对设备退化信号进行分析,提取具有准确定义和明显趋势性变化的退化指标,将退化指标引入比例故障率模型,实现了不同损伤程度振动信号的设备运行可靠度的有效评估.通过滚动轴承实验装置的运行数据,运用比例故障率模型可靠性参数的极大似然估计方法,分析了在不同的运行状态和损伤程度时可靠度的大小及变化趋势,保障了设备在服役寿命周期内的可靠性和安全性.     

谈圆形煤场堆取料机回转支承的更换

圆形料场堆取料机回转承的寿命决定了设备的使用寿命,通过更换回转支承来延长设备使用寿命一直是困扰业主和制造部门的难题,本文通过对堆取料机底部回转支承的更换,延长了设备的使用寿命。为解决这一难题提供了一定的经验。     

基于状态空间的惯性测量组合剩余寿命在线预测

实时准确的剩余寿命预测能够为惯性测量组合的维护策略安排提供有效的决策支持。由于反映惯性测量组合退化状态的性能指标不能直接监测或直接测量带有噪声,因此需要构建状态空间模型预测惯性测量组合的剩余寿命。考虑到惯性测量组合的性能退化指标随时间呈现非线性特征,首先采用基于非线性漂移的Brown运动(Brownian motion,BM)建模其退化状态,然后基于构建的状态空间模型,利用期望最大化(expectation-maximization,EM)算法和Kalman滤波(Kalman filter)实时估计和更新退化状态和模型未知参数。并且将状态估计的分布函数引入剩余寿命的预测过程,近似得到了剩余寿命分布的解析形式,实现了剩余寿命的实时预测与更新。最后,对惯性测量组合的剩余寿命实时预测问题进行了实验分析,结果表明该方法具有较高的预测精度与较小的预测不确定性。     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.