-
转子叶片非同步振动问题的主要解决措施之一是尽可能缩小叶尖间隙,但过小的叶尖间隙在整机过渡态工况下又会引起转静子径向碰摩等可靠性问题.为了解决该矛盾,提出一种融合非同步振动影响的叶尖间隙正向设计方法,系统梳理了叶尖间隙理论与工程影响因素及其对非同步振动的抑制规律.改进传统设计流程,构建了包含转静子变形、轴承游隙、加工跳动量等多因子的冷态叶尖间隙降维设计公式.搭建气热固双向耦合仿真平台,采用时域谐波分析法开展非同步振动响应计算,并结合整机试车的叶尖间隙电容式传感器实测数据完成方法验证.结果表明:转子坐标系内叶尖区域非定常流动脉动压力降低约44.4%,气动阻尼也得到改善,有效削弱了非同步振动的激励能量;降维公式计算结果与整机试车实测值的变化趋势高度吻合,双向耦合仿真可准确预测叶尖间隙在降转过程中的突变时刻与规律.该方法实现了兼顾非同步振动抑制与整机可靠性的叶尖间隙正向设计,减少了后续使用过程中叶尖间隙的调整和迭代频次,验证了降维设计方法的可行性与工程实用性,可为航空发动机叶尖间隙的精细化设计提供技术支撑.
叶尖间隙非同步振动双向耦合缩小叶尖间隙航空发动机
-
滚动轴承工作过程中振动信号的识别能力直接影响到农机传动运行效率.为了进一步提高滚动轴承的使用寿命,设计了基于核凸包张量机(CHTM)的滚动轴承故障诊断方法.研究结果表明:CHTM相较于传统向量分类器张量机(TM)、弹性核凸包(FCH),展现出了更优异诊断性能,使用二阶张量对图像诊断性能得到显著提升.CHTM在诊断过程中的优异性能及其高可靠性,使用热成像参数作为输入能提升诊断精度,相较于仅依赖振动信号的优势更明显.该研究能够有效提高滚动轴承故障诊断效率,可推广到其他的机械传动领域,具有很高的理论研究价值.
滚动轴承核凸包张量机故障诊断振动信号
-
针对变工况滚动轴承故障诊断中多源工况分布差异显著,直接混合源域样本易诱发负迁移,以及传统分布适配方法在少量目标域标记样本条件下难以实现细粒度类别对齐的问题,提出一种基于目标域种子残差重构的多源域深度迁移故障诊断方法(DTRSR).首先,模型采用共享权重的一维 ResNet特征提取网络,直接从原始振动信号中挖掘多源工况下的共性故障表征,为跨域诊断提供统一的特征空间;其次,针对多源域结构信息难以有效迁移至目标域的难题,利用目标域中少量有标签样本构建类别种子锚点,并通过源域类中心与目标域种子之间的最小代价匹配,将源域样本相对于类中心的残差信息迁移至目标域种子附近,从而在目标域特征空间中构造兼具源域类内变化多样性与目标域分布先验的重构样本;此外,为避免单纯全局对齐造成类别边界模糊,引入平衡分布适配机制,动态协调边缘分布与条件分布的对齐权重,使模型在减小跨工况分布偏移的同时保持故障类别间的判别性.基于 CWRU 和 PU公开轴承数据集构建的多组闭集多源迁移实验表明,所提出 DTRSR方法在分类准确率、诊断稳定性和跨工况泛化能力方面均优于 PD、MDA和 BDA等对比方法.特征可视化、抗噪鲁棒性、效率分析、消融实验和细粒度损伤程度识别实验进一步验证了 DTRSR在抑制负迁移、增强特征判别性和提升少样本跨域诊断稳定性方面的有效性,为变工况条件下滚动轴承多源少样本迁移诊断提供了一种有效方法.
轴承种子替换平衡域适配迁移学习故障诊断
-
针对风电齿轮箱轴承在随机风载与疲劳强度退化共同作用下的时变可靠性评估难题,从计量科学视角提出高效时变可靠性计量方法.首先,基于 Wiener 过程建立轴承等效径向载荷与接触疲劳强度的参数化时变模型,采用极大似然估计辨识漂移与扩散系数,实现退化量值的可计量表征.其次,提出自适应组合学习函数的双层Kriging 代理模型,内层拟合各随机样本的时间响应极值,外层通过动态加权采样逼近极限状态函数,降低有限元调用成本.以SKF NCF 18/630 V 圆柱滚子轴承为对象开展有限元仿真,最大等效应力965 MPa 与Hertz 理论值918 MPa偏差 5.1%,明确应力计量一致性.计算表明,4 000 天服役期内可靠度由接近 1 降至 0.772;若要求可靠度不低于0.85,建议首次维护周期为 2 500 天.与单一 CA学习函数相比,该方法收敛过程更平滑,达到稳定状态所需的迭代次数相对较少,且代理模型预测精度较高,最终可靠度偏差在可接受范围内.该方法为轴承载荷计量、应力校准及长周期可靠性评定提供了可复现的数值依据,对状态监测标定与预防性维护具有工程指导价值.
计量学风电齿轮箱轴承可靠性计量方法动态应力-强度干涉模型自适应学习函数Kriging 代理模型
-
由于实际加工过程中受切削力波动、工况变化及环境噪声等因素影响,采集到的轴承振动信号呈现出明显的非平稳和非线性特征,导致故障特征提取难度较大.针对这一问题,采用一种基于变分模态分解(VMD)与改进时间卷积网络(TCN)的故障诊断方法.实验结果表明,该方法能够有效提高轴承故障诊断精度,具有一定的工程应用价值.
滚动轴承故障诊断变分模态分解时间卷积网络
-
[目的]为准确测量船舶推进系统的推力载荷,保障船舶运行安全与能效,[方法]提出一种基于推力轴承结构应变响应数据的推力载荷辨识方法.通过有限元数值模拟,系统探究推力轴承结构应变随载荷变化的规律,构建推力与关键测点应变之间的映射关系,并据此生成适用于深度神经网络的数据集.在此基础上,提出基于 Transformer 架构的推力载荷识别与预测模型.[结果]试验结果显示,该模型识别精度整体达 96.3%,相较于多层感知机(MLP)模型在载荷识别和预测精度上有显著提升.[结论]研究成果可为船舶推进系统推力载荷的准确监测与安全评估提供参考.
Transformer推力轴承载荷预测数值计算
-
针对滚动轴承故障振动源信号微弱、相互耦合的特点,为了提高故障辨识的准确性,提出基于最大二阶循环平稳盲解卷积(CYCBD)和概率神经网络(PNN)的方法用于滚动轴承的冲击故障特征提取与识别.通过CYCBD滤波降低强背景噪声的干扰,增强故障信号的信噪比,结合包络谱提取故障特征频率.在此基础上使用概率神经网络(PNN)训练识别故障类型,实现故障诊断.实验结果表明,该方法能有效地实现故障特征提取和识别.
滚动轴承最大二阶循环平稳盲解卷积概率神经网络故障诊断
-
针对传统卷积神经网络在机械设备故障诊断中因最大池化和平均池化方法导致的特征信息丢失问题,提出一种基于修正哈尔小波池化网络的滚动轴承故障诊断方法.利用哈尔小波池化层提取特征,通过哈尔小波滤波器对特征进行采样滤波和数据压缩,并采用哈尔矩阵处理数据,以提高诊断精度.使用4×4 哈尔滤波器矩阵实现数据降维,同时增强模型在高噪音环境下的特征提取能力和对故障信息的关注度.实验采用美国凯斯西储大学轴承数据集,加入高斯白噪声以模拟工程实践环境,通过哈尔小波网络对正常情况、外圈故障、内圈故障和滚动体故障4 种数据类别进行分类识别.结果表明,该方法总体故障识别率达到98.3%,各项故障单独识别率均超过96%.该研究验证了其在滚动轴承故障诊断中较传统故障诊断的优越性.
故障诊断哈尔小波池化网络滚动轴承
-
[目的]针对当前轴承故障诊断方法受限于标注样本数量,导致模型难以收敛且识别准确率较低的问题,提出了一种基于速度同步线性调频小波变换(Velocity Synchronous Linear Chirplet Transform,VSLCT)和改进序列-频谱图神经网络(Sequence-Spectrogram Neural Network,SSNN)的小样本轴承故障诊断方法.[方法]首先,采用VSLCT增强数据的时频特征表示,以捕捉轴承故障信号的细节特征;其次,在SSNN中结合动态权重分配多头注意力(Dynamic Weighted Multi-Head Attention,DW-MHA)机制,自适应地提取时间序列和频谱图的关键特征,并优化特征融合过程;最后,在试验数据集上验证了模型的有效性.[结果]试验结果表明,在每种故障类型的训练样本数量分别为20、40、60的条件下,测试集上所提方法的平均故障识别准确率分别达到98.25％、99.03％、99.53％.相较于其他方法,所提方法具有更强的鲁棒性和学习适应性.此外,自主搭建的轴承试验平台测试结果证实了该模型在高噪环境中的良好性能.
小样本速度同步线性调频小波变换序列-频谱图神经网络动态权重分配多头注意力机制轴承故障诊断
-
以某洗煤厂 WL-1000型卧式刮刀卸料离心脱水机(Horizontal Centrifugal Dewatering Machine,HCDM)为研究对象,针对转鼓振动超标,轴承过早失效与筛篮功能退化三类运行故障频发问题,从振动动力学与材料疲劳失效机理层面深入剖析其成因.建立转鼓残余不平衡力计算模型与轴承修正额定疲劳寿命预测公式,形成量化诊断依据,并依据三类故障的耦合放大效应,设计顺序协同实施的检修技术方案.检修实施后,设备振动烈度由12.3 nun/s降至3.8 mm/s,月均非计划停机时长由30.3 h压缩至3.9 h,降幅87.1％,精煤产品水分由18.9％降至13.2％,轴承换件周期由2 200 h延长至6 800 h,各项改善数据均经实测验证.研究证实,以定量故障诊断为核心,顺序协同实施的预防性检修体系,能够从根本上抑制多类型故障的并发,为同类装备的维护管理提供了可复现的技术路径.
离心脱水机故障诊断动平衡校正轴承寿命预测检修技术
