基于数字孪生的旋转机械可视化监控与故障预警系统研究
这是一篇关于旋转机械,数字孪生,虚实映射,故障预警,胶囊网络的论文, 主要内容为随着信息技术的飞速发展,世界各国纷纷探索制造业的智能化、数字化转型路径。智能制造过程中存在的机械设备全生命周期监控视角不全面、数据传输实时性差、故障状态预警准确度及效率较低等问题,仍然是机械设备健康状态监测领域所要面对的关键技术难题。针对上述问题,本文提出了一种基于数字孪生技术的旋转机械可视化监控与故障预警方法,旨在借助三维建模、数据通信、深度学习等多学科技术,实现旋转机械的可视化监控和故障实时预警。主要研究内容如下:(1)旋转机械可视化监控与故障预警系统总体方案设计。针对旋转机械可视化监控和故障预警研究中的关键问题,总结了系统的设计需求和设计原则,确定了基于数字孪生模型五维架构的旋转机械可视化监控与故障预警系统的整体框架和功能模块的设计方案。(2)旋转机械高保真数字孪生模型构建方法研究。搭建了轴承-齿轮箱旋转机械实验台,从几何模型、行为模型和故障演化模型的角度对数字孪生模型结构进行了分析,基于数字孪生模型的构建原则提出了旋转机械实验台几何模型的构建、装配和优化策略,基于数字孪生模型的空间几何变换原理分析了行为模型的实现方法,构建了具有完整映射的旋转机械高保真数字孪生模型。(3)旋转机械实验台数字孪生模型映射方法研究。为了获得旋转机械实验台实时孪生数据,为旋转机械可视化监控与故障预警系统的构建提供数据支撑,针对孪生数据需求搭建了多传感器数据采集系统,设计了基于Lab VIEW DAQmx驱动的数据实时采集方案。通过构建数据库和数据传输通道实现了孪生数据的实时传输和存储,研究了数字孪生行为模型的构建方法,基于Unity3D开发引擎实现了三维仿真场景的搭建和数字孪生模型的实时精准映射。(4)基于胶囊网络的故障诊断方法研究。为了实现对旋转机械故障的精确诊断预警,研究了基于胶囊网络的故障诊断模型构建方法。制备滚动轴承和行星齿轮箱故障件,构建其复合故障数据集作为模型训练样本,针对滚动轴承和行星齿轮的单一及耦合故障进行诊断。采用相同参数构建卷积神经网络故障诊断模型进行对比试验,基于准确度评估指标对胶囊网络模型输出的混淆矩阵、t-SNE可视化结果和对比实验结果进行了分析,验证了该故障诊断模型的精准性。(5)旋转机械可视化监控与故障预警系统开发。针对旋转机械可视化监控与故障预警系统的流畅性、适用性和兼容性需求,配置了系统开发环境,构建了用户注册登录、设备状态监测、三维模型可视化和故障预警四个功能模块,基于B/S和C/S混合架构集成各个功能模块并完成系统开发。
基于集成学习的设备故障识别方法研究
这是一篇关于旋转机械,故障诊断,集成学习,单一模型,异质集成,深度神经网络的论文, 主要内容为随着当今社会对旋转机械设备性能要求的不断提高,其内部结构变得愈加复杂。当设备发生故障时,轻则带来经济损失,重则造成人员伤亡。因此,对设备的运行状态进行实时监测与故障诊断具有重要意义。本文基于集成学习方法,结合数据采集和信号处理技术,针对旋转机械设备的故障诊断任务展开了深入研究,具体研究内容如下:(1)针对集成学习Light GBM模型的性能受限于传统特征提取方法和Le Net-5网络在面对设备复杂工况时诊断性能较差,提出一种改进Le Net-5网络结合Light GBM模型的故障诊断方法。该方法首先将一维振动信号转化为二维灰度图像,并对灰度图像进行直方图均衡化以增强其对比度。之后利用改进Le Net-5网络对灰度图像进行特征提取,并将提取到的特征输入Light GBM模型进行识别分类。最后通过西储大学滚动轴承故障模拟试验,验证所提方法的有效性及优越性。(2)针对单一模型在故障诊断时,容易出现泛化能力差且性能提升潜力有限的问题,提出通过Stacking框架异质集成多种单一模型来对机械设备进行故障诊断。所提方法首先通过小波包变换提取设备的故障特征,之后将提取得到的特征放入经过超参数调优的初级学习器中进行预测,并将预测结果输入到次级学习器LR中进行故障分类,最后通过故障模拟试验验证所建模型的诊断性能。(3)针对浅层机器学习模型需要手工提取特征和单一神经网络模型在诊断设备故障时的局限性,提出一种多目标协同差分进化集成深度神经网络模型的故障诊断方法。该方法首先根据模型能否收敛筛选含有不同激活函数的网络模型,之后通过MOEA/D算法迭代进化网络模型超参数,再利用DE算法为优化后的网络模型分配权重。最后采用投票法集成带有权重的网络模型,并将其应用于轴向柱塞泵和转轴、转子系统的故障模拟实验。
薄煤层采掘设备故障诊断系统的研究与实现
这是一篇关于采掘设备,旋转机械,RBF神经网络,基于Web的故障诊断系统的论文, 主要内容为我国薄煤层的储量在煤炭总储量中的占比高,其产量却十分低下。主要在于薄煤层开采效益低,机械化和智能化程度过低。构建采掘设备故障诊断系统,有利于提高薄煤层开采设备的智能化水平。本文研究了薄煤层采掘设备上的旋转机构部件的故障诊断。为了模拟采掘设备的旋转机械故障,以NI数据采集卡和Labview软件为核心搭建了一个旋转机械的故障仿真平台。针对该旋转机械故障仿真平台,分析了轴承、齿轮、转子类故障的特点和模型,设计了一个RBF神经网络来进行旋转机械故障分类算法,并将采集的平台故障振动数据用于RBF神经网络的训练和测试。在诊断过程中,本文采用先快速定位故障,后精细诊断的策略。在RBF网络的输入特征值向量的处理上,本文分别采用考虑故障模型和不考虑故障模型两种方式进行实验。实验结果表明,RBF网络和故障模型相结合的诊断方式准确率更高。为方便采掘设备的远程监控与诊断,本文采用JSP、Struts2、Hibernate和Mysql数据库设计并实现了一个基于java Web的采掘故障诊断系统,该Web系统采用基于MVC的四层结构。将故障诊断平台上研究的故障分类算法用java实现,并应用到该Web系统的诊断模块部分中。状态监控模块和故障诊断模块是该系统的核心模块,为了方便用户权限控制和新增采掘设备的管理,Web系统中还设计了权限管理和设备管理模块。
转子叶片状态参数无线遥测关键技术研究
这是一篇关于旋转机械,遥测,电磁兼容,DCO-OFDM,可见光通信的论文, 主要内容为转子叶片状态参数的获取是旋转机械故障诊断与预测性维护的重要前提,也是航空发动机、汽轮机设计的关键步骤。传统的滑环测量法存在使用寿命短、工作转速低、测量通道数少以及测量噪声大等缺点,难以满足当今的测量需求。遥测法采用了无线供电技术与无线数据传输技术,能够实现高转速条件下长寿命、多通道、低噪声的叶片状态参数测量,是目前的研究热点。遥测系统发射机布置在高速旋转的转子上,高转速、强干扰的工作环境给遥测系统的稳定电能供应、高精度信号测量及高速率数据传输带来了极大挑战。本文设计了基于电池辅助电磁感应供电与可见光通信的转子叶片状态参数遥测系统,针对旋转供电、信号调理采集以及数据传输等关键技术进行了深入研究,主要工作如下:1.针对低转速时电磁感应发电不能满足系统耗电需求的问题,分析转子转速与磁感应强度对线圈输出电压的影响规律,设计了一种基于电池辅助的电磁感应供电方法,实现了低转速时遥测系统的稳定供能;针对供电模块安装导致转子动平衡失衡的问题,建立了线圈受力模型,确定了“侧表面对称”的布局原则,减小了线圈所受安培力引起的转子径向抖动,实现了高速旋转条件下转子的动平衡。2.针对单应变片电桥测量电路测量线性度不高的问题,设计了一种基于电流源驱动的双应变片电桥电路,实现了低功耗、高线性度的状态参数信号测量;针对强干扰、高转速复杂工作环境,设计了基于伪差分信号传输的信号调理与采集电路,减小了磁场与射频对信号的干扰,实现了状态参数的准确测量。3.针对转子遥测传输方案中激光方式可靠性较差、红外方式通信速率较低的问题,使用可见光通信技术进行转子遥测数据传输,提出了基于直流偏置光正交频分复用调制与RGB波分复用的遥测数据传输方案,提升了每路光通信的频谱利用率,实现了多通道遥测数据的并行高速传输;针对高速旋转条件下不对正、大气湍流等干扰因素对接收光功率的影响,构建了通信光链路模型,提出了一种基于导频的解调阈值实时补偿方法,有效降低了旋转条件下可见光通信模块的误码率,实现了单路18Mbps的稳定数据传输。4.研制了遥测系统样机,搭建了旋转试验台,开展了验证性试验,在0～3000rpm转速范围内实现了遥测系统的稳定供能,达到了优于6.2×10-6的通信误码率,实现了信噪比优于60.9d B的应变信号高性能采集,实现了转子叶片状态参数的准确测量。
旋转机械故障诊断多代理系统的研制
这是一篇关于旋转机械,故障诊断,证据理论,联盟的论文, 主要内容为基于多代理的故障诊断技术是机械故障诊断领域研究的热点之一。论文以旋转机械为对象,针对多代理故障诊断系统实现中的若干关键问题进行了较为深入的研究。 首先,论文在系统分析三(多)层分布式网络结构的基础上,应用CORBA规范和代理技术,给出了多代理故障诊断系统的体系结构,并在此基础上设计了系统代理的结构。应用中间应用程序层(即诊断控制代理)结构,设计完成了诊断控制中心;通过对传统的神经网络、模糊诊断方法改造,设计完成了BP人工神经网络诊断代理和模糊理论诊断代理。 其次,论文对多代理系统的动态联盟方法和策略进行了研究,提出了基于Dempster-Shafer 证据理论进行联盟的方法。论文对Dempster-Shafer理论进行了改进,给出多因素、分层次的证据合成机制,并给出证据经验知识积累和自学习方法。 最后,论文应用JAVA(JSP)和CORBA设计完成了旋转机械故障诊断多代理系统,仿真结果和实际应用实例表明,系统是可行和有效的。
基于集成学习的设备故障识别方法研究
这是一篇关于旋转机械,故障诊断,集成学习,单一模型,异质集成,深度神经网络的论文, 主要内容为随着当今社会对旋转机械设备性能要求的不断提高,其内部结构变得愈加复杂。当设备发生故障时,轻则带来经济损失,重则造成人员伤亡。因此,对设备的运行状态进行实时监测与故障诊断具有重要意义。本文基于集成学习方法,结合数据采集和信号处理技术,针对旋转机械设备的故障诊断任务展开了深入研究,具体研究内容如下:(1)针对集成学习Light GBM模型的性能受限于传统特征提取方法和Le Net-5网络在面对设备复杂工况时诊断性能较差,提出一种改进Le Net-5网络结合Light GBM模型的故障诊断方法。该方法首先将一维振动信号转化为二维灰度图像,并对灰度图像进行直方图均衡化以增强其对比度。之后利用改进Le Net-5网络对灰度图像进行特征提取,并将提取到的特征输入Light GBM模型进行识别分类。最后通过西储大学滚动轴承故障模拟试验,验证所提方法的有效性及优越性。(2)针对单一模型在故障诊断时,容易出现泛化能力差且性能提升潜力有限的问题,提出通过Stacking框架异质集成多种单一模型来对机械设备进行故障诊断。所提方法首先通过小波包变换提取设备的故障特征,之后将提取得到的特征放入经过超参数调优的初级学习器中进行预测,并将预测结果输入到次级学习器LR中进行故障分类,最后通过故障模拟试验验证所建模型的诊断性能。(3)针对浅层机器学习模型需要手工提取特征和单一神经网络模型在诊断设备故障时的局限性,提出一种多目标协同差分进化集成深度神经网络模型的故障诊断方法。该方法首先根据模型能否收敛筛选含有不同激活函数的网络模型,之后通过MOEA/D算法迭代进化网络模型超参数,再利用DE算法为优化后的网络模型分配权重。最后采用投票法集成带有权重的网络模型,并将其应用于轴向柱塞泵和转轴、转子系统的故障模拟实验。
薄煤层采掘设备故障诊断系统的研究与实现
这是一篇关于采掘设备,旋转机械,RBF神经网络,基于Web的故障诊断系统的论文, 主要内容为我国薄煤层的储量在煤炭总储量中的占比高,其产量却十分低下。主要在于薄煤层开采效益低,机械化和智能化程度过低。构建采掘设备故障诊断系统,有利于提高薄煤层开采设备的智能化水平。本文研究了薄煤层采掘设备上的旋转机构部件的故障诊断。为了模拟采掘设备的旋转机械故障,以NI数据采集卡和Labview软件为核心搭建了一个旋转机械的故障仿真平台。针对该旋转机械故障仿真平台,分析了轴承、齿轮、转子类故障的特点和模型,设计了一个RBF神经网络来进行旋转机械故障分类算法,并将采集的平台故障振动数据用于RBF神经网络的训练和测试。在诊断过程中,本文采用先快速定位故障,后精细诊断的策略。在RBF网络的输入特征值向量的处理上,本文分别采用考虑故障模型和不考虑故障模型两种方式进行实验。实验结果表明,RBF网络和故障模型相结合的诊断方式准确率更高。为方便采掘设备的远程监控与诊断,本文采用JSP、Struts2、Hibernate和Mysql数据库设计并实现了一个基于java Web的采掘故障诊断系统,该Web系统采用基于MVC的四层结构。将故障诊断平台上研究的故障分类算法用java实现,并应用到该Web系统的诊断模块部分中。状态监控模块和故障诊断模块是该系统的核心模块,为了方便用户权限控制和新增采掘设备的管理,Web系统中还设计了权限管理和设备管理模块。
薄煤层采掘设备故障诊断系统的研究与实现
这是一篇关于采掘设备,旋转机械,RBF神经网络,基于Web的故障诊断系统的论文, 主要内容为我国薄煤层的储量在煤炭总储量中的占比高,其产量却十分低下。主要在于薄煤层开采效益低,机械化和智能化程度过低。构建采掘设备故障诊断系统,有利于提高薄煤层开采设备的智能化水平。本文研究了薄煤层采掘设备上的旋转机构部件的故障诊断。为了模拟采掘设备的旋转机械故障,以NI数据采集卡和Labview软件为核心搭建了一个旋转机械的故障仿真平台。针对该旋转机械故障仿真平台,分析了轴承、齿轮、转子类故障的特点和模型,设计了一个RBF神经网络来进行旋转机械故障分类算法,并将采集的平台故障振动数据用于RBF神经网络的训练和测试。在诊断过程中,本文采用先快速定位故障,后精细诊断的策略。在RBF网络的输入特征值向量的处理上,本文分别采用考虑故障模型和不考虑故障模型两种方式进行实验。实验结果表明,RBF网络和故障模型相结合的诊断方式准确率更高。为方便采掘设备的远程监控与诊断,本文采用JSP、Struts2、Hibernate和Mysql数据库设计并实现了一个基于java Web的采掘故障诊断系统,该Web系统采用基于MVC的四层结构。将故障诊断平台上研究的故障分类算法用java实现,并应用到该Web系统的诊断模块部分中。状态监控模块和故障诊断模块是该系统的核心模块,为了方便用户权限控制和新增采掘设备的管理,Web系统中还设计了权限管理和设备管理模块。
基于数字孪生的旋转机械可视化监控与故障预警系统研究
这是一篇关于旋转机械,数字孪生,虚实映射,故障预警,胶囊网络的论文, 主要内容为随着信息技术的飞速发展,世界各国纷纷探索制造业的智能化、数字化转型路径。智能制造过程中存在的机械设备全生命周期监控视角不全面、数据传输实时性差、故障状态预警准确度及效率较低等问题,仍然是机械设备健康状态监测领域所要面对的关键技术难题。针对上述问题,本文提出了一种基于数字孪生技术的旋转机械可视化监控与故障预警方法,旨在借助三维建模、数据通信、深度学习等多学科技术,实现旋转机械的可视化监控和故障实时预警。主要研究内容如下:(1)旋转机械可视化监控与故障预警系统总体方案设计。针对旋转机械可视化监控和故障预警研究中的关键问题,总结了系统的设计需求和设计原则,确定了基于数字孪生模型五维架构的旋转机械可视化监控与故障预警系统的整体框架和功能模块的设计方案。(2)旋转机械高保真数字孪生模型构建方法研究。搭建了轴承-齿轮箱旋转机械实验台,从几何模型、行为模型和故障演化模型的角度对数字孪生模型结构进行了分析,基于数字孪生模型的构建原则提出了旋转机械实验台几何模型的构建、装配和优化策略,基于数字孪生模型的空间几何变换原理分析了行为模型的实现方法,构建了具有完整映射的旋转机械高保真数字孪生模型。(3)旋转机械实验台数字孪生模型映射方法研究。为了获得旋转机械实验台实时孪生数据,为旋转机械可视化监控与故障预警系统的构建提供数据支撑,针对孪生数据需求搭建了多传感器数据采集系统,设计了基于Lab VIEW DAQmx驱动的数据实时采集方案。通过构建数据库和数据传输通道实现了孪生数据的实时传输和存储,研究了数字孪生行为模型的构建方法,基于Unity3D开发引擎实现了三维仿真场景的搭建和数字孪生模型的实时精准映射。(4)基于胶囊网络的故障诊断方法研究。为了实现对旋转机械故障的精确诊断预警,研究了基于胶囊网络的故障诊断模型构建方法。制备滚动轴承和行星齿轮箱故障件,构建其复合故障数据集作为模型训练样本,针对滚动轴承和行星齿轮的单一及耦合故障进行诊断。采用相同参数构建卷积神经网络故障诊断模型进行对比试验,基于准确度评估指标对胶囊网络模型输出的混淆矩阵、t-SNE可视化结果和对比实验结果进行了分析,验证了该故障诊断模型的精准性。(5)旋转机械可视化监控与故障预警系统开发。针对旋转机械可视化监控与故障预警系统的流畅性、适用性和兼容性需求,配置了系统开发环境,构建了用户注册登录、设备状态监测、三维模型可视化和故障预警四个功能模块,基于B/S和C/S混合架构集成各个功能模块并完成系统开发。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设项目助手 ，原文地址：https://bishedaima.com/lunwen/51619.html
