滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-F...滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-Frequency domain signal Ratio Optimizer,TFRO)的多重膨胀多核时间卷积网络(Multi inflated Multi kernel Time Convolutional Network,Mi-MkTCN)模型。TFRO优化器为了精准记忆重要信息,在每一个时间节点上,将过去信息和当前信息重组,其中过去信息中的重要的时频域特征经过了有比例的分配。Mi-MkTCN利用多重膨胀确保重要特征不丢失,再利用多核时间卷积网络实现对不同尺度特征的提取。最终的消融对比实验验证了改进方法的有效性,模型的平均绝对误差、均方误差及均方根误差指标分别为0.00145、0.05069和0.12045。实验结果表明,所提方法显著提升了轴承剩余使用寿命的预测精度,为轴承剩余使用寿命预测提供了高精度、高鲁棒性的解决方案。展开更多
针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问...针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。展开更多
针对多订单随机到达条件下的动态柔性作业车间调度问题(Dynamic Flexible Job Shop Scheduling Problem with Order Random Arrival, DFJSP_ORA),提出一种面向实际生产环境的建模与求解框架。首先构建了以最小化最大完工时间为优化目标D...针对多订单随机到达条件下的动态柔性作业车间调度问题(Dynamic Flexible Job Shop Scheduling Problem with Order Random Arrival, DFJSP_ORA),提出一种面向实际生产环境的建模与求解框架。首先构建了以最小化最大完工时间为优化目标DFJSP_ORA的数学模型。引入流体模型对系统行为进行连续近似,从而提取关键状态特征。调度过程被建模为马尔可夫决策过程(Markov Decision Process, MDP),并采用近端策略优化(Proximal Policy Optimization, PPO)算法构建端到端的深度强化学习框架进行求解。该方法结合复合规则驱动的离散动作空间与优势函数驱动的策略优化机制,实现了对动态环境的高效决策。最后通过81个不同规模的实例,对所提方法与6种优先调度规则及3种强化学习方法进行比较,结果验证了其优越性,为DFJSP_ORA的求解提供了一种高效、灵活的解决方案。展开更多
文摘滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-Frequency domain signal Ratio Optimizer,TFRO)的多重膨胀多核时间卷积网络(Multi inflated Multi kernel Time Convolutional Network,Mi-MkTCN)模型。TFRO优化器为了精准记忆重要信息,在每一个时间节点上,将过去信息和当前信息重组,其中过去信息中的重要的时频域特征经过了有比例的分配。Mi-MkTCN利用多重膨胀确保重要特征不丢失,再利用多核时间卷积网络实现对不同尺度特征的提取。最终的消融对比实验验证了改进方法的有效性,模型的平均绝对误差、均方误差及均方根误差指标分别为0.00145、0.05069和0.12045。实验结果表明,所提方法显著提升了轴承剩余使用寿命的预测精度,为轴承剩余使用寿命预测提供了高精度、高鲁棒性的解决方案。
文摘针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。
文摘针对多订单随机到达条件下的动态柔性作业车间调度问题(Dynamic Flexible Job Shop Scheduling Problem with Order Random Arrival, DFJSP_ORA),提出一种面向实际生产环境的建模与求解框架。首先构建了以最小化最大完工时间为优化目标DFJSP_ORA的数学模型。引入流体模型对系统行为进行连续近似,从而提取关键状态特征。调度过程被建模为马尔可夫决策过程(Markov Decision Process, MDP),并采用近端策略优化(Proximal Policy Optimization, PPO)算法构建端到端的深度强化学习框架进行求解。该方法结合复合规则驱动的离散动作空间与优势函数驱动的策略优化机制,实现了对动态环境的高效决策。最后通过81个不同规模的实例,对所提方法与6种优先调度规则及3种强化学习方法进行比较,结果验证了其优越性,为DFJSP_ORA的求解提供了一种高效、灵活的解决方案。
