【摘 要】
：
避免旋转设备停机维修造成的经济损失，提出基于改进CNN的旋转设备转子振动故障预测仿真。利用采集器、传感器、应用软件等设备构成信号采集系统，采集旋转设备转子的振动信号；利用小波阈值去噪算法确定小波基和分解层数，分解初始信号，去除低频噪声，重构分解后的信号；根据频带能量不同提取不同故障振动特征；建立卷积神经网络模型，确保每个卷积层均与下采样层连接，减少网络复杂度；将预处理后信号作为网络输入，确定学习率
【基金项目】
：
国家自然科学基金项目（71961029）；
论文部分内容阅读
避免旋转设备停机维修造成的经济损失，提出基于改进CNN的旋转设备转子振动故障预测仿真。利用采集器、传感器、应用软件等设备构成信号采集系统，采集旋转设备转子的振动信号；利用小波阈值去噪算法确定小波基和分解层数，分解初始信号，去除低频噪声，重构分解后的信号；根据频带能量不同提取不同故障振动特征；建立卷积神经网络模型，确保每个卷积层均与下采样层连接，减少网络复杂度；将预处理后信号作为网络输入，确定学习率和激活函数，通过误差反向传播方式训练网络，优化参数；计算网络误差，当误差值满足设定阈值时停止更新，输出故障预测结果。仿真结果证明，所提方法可以获得清晰的振动信号波形，准确预测出转子可能产生的故障和故障类型，保障旋转设备运行安全。
其他文献
五轴数控机床加工过程中,在各种误差的共同影响下,最终会导致工件的轮廓误差。本文以降低五轴数控机床加工中的轮廓误差,提高加工精度为目的,对伺服系统建模、轮廓误差预测与补偿展开研究,主要研究内容及创新性成果如下:（1）针对现有伺服系统建模方法的不足,本文提出一种将数据驱动和模型驱动相结合的伺服系统复合模型。首先,对伺服系统控制原理和机械传动结构进行分析,基于理论推导建立其传递函数。随后,基于数据驱动建
机械臂拖动示教具有简单、高效等优点,广泛应用于装配、喷涂等自动化领域。实际应用中,通常采用在机械臂末端或关节安装力矩传感器的方式获取拖动力,完成示教。但由于力矩传感器价格昂贵、安装不方便,且示教数据存在冗余,导致拖动示教应用成本高、效率低。为此,本文提出一种基于电流反馈的拖动示教控制方法。基于机械臂拖动示教功能需求,分别研究基于阻抗控制的机械臂拖动策略和示教数据后处理技术,提出了基于电流反馈的机械
颤振是机床的一种自激振动,颤振会导致工件表面加工质量降低、刀具磨损加重以及加工噪音增大等问题。在实际加工过程中,常常使用解析法生成稳定性叶瓣图,设置合理的切削参数规避颤振,但是求解稳定性叶瓣图过程复杂,所求的稳定性叶瓣图实际效果并不准确。本文提出基于小波变换和卷积神经网络的离线颤振检测方法,与基于离散主轴转速调谐的颤振抑制方法。本文主要开展了以下三个方面的工作:（1）关于铣削稳定性的研究。针对不易
SiCp/Al复合材料由于综合性能优异,被广泛应用于航天航空、国防、电子和光学等重要领域。该材料是一种典型的难加工材料,加工中会发生严重的刀具磨损,对加工零件表面完整性产生不利影响。研究其精密切削加工中刀具磨损过程,建立刀具磨损率模型,开展考虑刀具磨损的SiCp/Al复合材料精密切削仿真建模研究,基于仿真数据和实验数据对已切削表面亚表层损伤层厚度进行快速精确预测,对改进加工工艺,提升加工质量有重要
数控机床进给系统的高精度建模与仿真技术是提升机床运动控制性能的重要方法,当前进给系统建模通常需要研究人员利用Simulink等专业软件来进行,难以在车间中应用。为此,本文将建模与仿真过程的技术环节进行规范和约简,在数控系统中开发一款智能化的建模与仿真软件（Cyberfeeding）,降低建模的实现难度,直接在数控机床上实现基于其自身模型的仿真和补偿功能。针对当前常用的数控机床进给系统的建模工具过于
3D混凝土打印是当前智能建造领域的热点研究方向,具有施工速度快、精度高、可实现复杂几何形状加工的特点。打印过程中及时获取构件成形质量和加工缺陷情况,判断当前打印状态并反馈修正打印系统参数,能有效提升打印质量。由于作业现场环境复杂,要将现有视觉测量技术应用于打印过程中,还面临着光线不稳定、构件遮挡等问题,且目前暂无高效、安全的现场数据可视化方案。为此,本文针对三维重建方法、几何误差检测、混合现实等关
铣削加工作为常用加工方式有着重要的研究意义,本文针对铣削加工常用铣刀的姿态与进给速度两个重要参数分别提出了基于姿态-力矩分布图的刀姿优化方法和基于优化矩阵的进给速度优化方法,有效结合两种方法能够在降低负载的基础上进一步扩大进给速度的优化空间,既保证了加工质量又能较大程度的提高加工效率。本文在研究切削理论的同时分析了不同加工参数对于切削力的影响,探究了斜角切削预测中存在的误差。详细分析了铣削力矩对于
本文中作者提出了基于雾计算和随机森林算法的变压器温度多源监测和故障预测方法，通过多种传感装置实现了变压器温度数据的实时监测，通过边缘物联装置构建雾计算节点实现了数据本地汇集和处理，采用数据融合和随机森林算法实现了变压器过热故障的预测预警。试验结果表明，文章提出的方法有效实现了变压器过热故障的实时监测，具备较好的可行性和实用性。
基于BP神经网络收敛速度慢，在预测时易陷入局部极小值陷阱的问题，提出一种基于GASA-BP的预测方法，GA和SA协同优化BP神经网络，使得GASA-BP预测模型同时具备较强的全局搜索能力和跳出局部最优解的能力。BiLSTM是LSTM的一种特殊形式，BiLSTM充分考虑了时间序列数据前后节点之间的相关性，有效提取信号中的时间特征，具有更优秀的分类能力。基于此，提出一种基于GASA-BP-BiLSTM
卷积神经网络已经广泛应用于轴承的缺陷识别领域,但是在噪声环境和跨工况自适应问题中无法表现出优势,而脉冲神经网络具有良好的鲁棒性和泛化性。在脉冲学习方法中,基于速率学习的方法生物合理性差,脉冲时序依赖可塑性方法难以训练大规模的网络。针对上述问题,本文提出一种基于注意力机制的多尺度脉冲卷积神经网络的轴承缺陷识别方法,实现对生物神经系统高度仿真,同时提高识别准确性和跨工况自适应性。本文主要研究内容如下。