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
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。
