针对振动源数未知且观测信号小于振动源数量导致的欠定盲源问题,提出一种基于快速搜寻与寻找密度峰值聚类(Clustering by fast search and find of density peaks,FSDPC)的方法,实现轴承多故障诊断.首先将混合信号投影到多维空间上并计...
详细信息
针对振动源数未知且观测信号小于振动源数量导致的欠定盲源问题,提出一种基于快速搜寻与寻找密度峰值聚类(Clustering by fast search and find of density peaks,FSDPC)的方法,实现轴承多故障诊断.首先将混合信号投影到多维空间上并计算每点的密度值,在此基础上利用最大类间方差法(Otsu)对点密度进行阈值分割,去除干扰点对聚类准确率的影响,然后根据数据的密度峰值确定聚类中心,估计混合矩阵;最后通过L1范数最小化对混合信号进行分离,并对分离信号进行包络谱分析,实现故障诊断.FSDPC_Otsu方法可在源数和聚类中心初值未知的条件下估计混合矩阵,且保证混合矩阵精度.实验结果表明,应用FSDPC_Otsu方法的稀疏成分分析能够对轴承多故障信号进行欠定盲分离,进而实现故障识别与诊断.
机电作动器(Electro-Mechanical Actuator,EMA)是新一代全电及多电飞机的关键部件之一,其安全性和可靠性十分重要。然而,由于EMA属于航空安全关键性部件且相对于液压作动器,其应用历史较短,航空领域尚未积累足够的实际EMA故障数据样本,难以有效支撑EMA故障预测和健康管理(Prognostics and Health Management,PHM)技术的进一步研究。因此,研究EMA故障仿真技术,获取可靠的故障数据样本,对于深化EMA PHM技术研究,推动EMA在新一代飞机中的广泛应用,具有重要的实际意义。本研究在分析EMA的基本组成和运行原理的基础上,针对EMA典型故障构建相应的仿真模型,并生成了EMA故障数据样本,为解决EMA PHM技术研究中存在的故障样本不足问题提供了一种新颖的思路。
旋转机械作为工业应用场景中关键部件,对其进行高精度健康评估具有十分重要的研究意义。目前预测性维护方法在相同对象、工况下取得一定成就,但对于变工况以及不同预测对象间评估、预测性能仍亟待提升,加之目前工业现场中旋转机械在线监测中普遍以截尾数据形式呈现,数据驱动方法难以学习完整失效退化数据从而大大影响旋转机械健康评估精度。因此本文拟借助长短期记忆神经网络强大的时间序列预测能力,并引入领域自适应层,提出域自适应长短期记忆神经网络(domain adaptation long short-term memory,DALSTM)用于旋转机械间的健康评估。首先经过信号预处理对采集的振动信号提取退化特征量,而后输入DALSTM,通过域自适应层提取不同数据集间的高维投影并进行统计学对齐,随后对高维退化特征量进行时间序列建模,PRONOSTIA及ABLT-1A轴承全寿命加速试验交叉验证了本文提出的健康评估方法的可行性与有效性。
暂无评论