-
题名高档数控装备多层贝叶斯可靠性评估模型研究
被引量：3
- 1
-
-
作者
李晨光
王红军
李连玉
王茂
-
机构
北京信息科技大学机电工程学院
北京信息科技大学现代测控技术教育部重点实验室
航空工业成都飞机工业有限责任公司
高端装备智能感知与控制国际科技合作基地
-
出处
《组合机床与自动化加工技术》
北大核心
2020年第4期79-82,87,共5页
-
基金
国家自然科学基金资助项目(51575055)
国家科技重大专项:高档数控机床与基础制造装备(2015ZX04001002)。
-
文摘
为实现少量故障数据样本下五轴联动数控机床精确的可靠性评估,通过对贝叶斯估计方法进行研究,设计实现数控机床可靠性建模。该方法首先设定威布尔模型参数服从伽玛分布,为解决无先验信息问题,引入两层贝叶斯方法。为解决积分求解后验分布计算困难问题,使用MCMC方法计算模型参数估计值,最终建立起威布尔模型。引用某机床一年的历史故障数据,使用所设计方法与最小二乘法实现建模,用拟合优度检验将两个方法结果进行比较判断出所设计方法具有可行性。最后依据建立的可靠性模型对机床进行可靠性评估。
-
关键词
贝叶斯估计
伽玛先验分布
MCMC方法
可靠性评估
-
Keywords
bayesian estimation
beta distribution
MCMC method
reliability assessment
-
分类号
TH166
[机械工程—机械制造及自动化]
TG659
[金属学及工艺—金属切削加工及机床]
-
-
题名基于狮群优化算法的机床主轴热特性分析
- 2
-
-
作者
张壮壮
王红军
王增新
-
机构
北京信息科技大学机电工程学院
北京高端装备智能感知与控制国际科技合作基地
教育部现代测控技术重点实验室
北京超同步股份有限公司
-
出处
《机械强度》
CAS
CSCD
北大核心
2024年第3期708-716,共9页
-
基金
北京市科技计划项目(Z201100008320004)资助。
-
文摘
热误差对于主轴的回转精度至关重要,而对流换热系数的精确计算是有限元稳态热分析获得精确结果的前提。通过利用狮群优化(Lion Swarm Optimization,LSO)算法对主轴的对流换热系数进行优化,LSO相对于遗传算法等其他优化算法有更快的收敛速度、更高的精度、更能较好地获得全局最优解。首先,通过使用Lion的热分析模块测量主轴系统的关键点温度和主轴的热伸长。其次,通过经验公式计算主轴不准确但接近真实的对流换热系数值,不准确的对流换热系数会导致不准确的有限元仿真温度结果,因此使用LSO对对流换热系数寻优,将对流换热系数被视为感兴趣的目标值,实验温度值与模拟温度值之间的均方根误差被视为适应度函数。在150代之后,搜索了误差最小的最佳对流换热系数。最后,通过对搜索到的最优对流换热系数进行主轴系统的有限元稳态热分析,并与实验结果进行比较,证明了所提方法的有效性。
-
关键词
机床主轴
热特性
对流换热系数
狮群优化算法
ANSYS
-
Keywords
Machine tool spindle
Thermal characteristics
Convective heat transfer coefficient
Lion swarm optimization
Ansys
-
分类号
TH133
[机械工程—机械制造及自动化]
TP18
[自动化与计算机技术—控制理论与控制工程]
-
-
题名基于VMD与快速谱峭度的滚动轴承故障诊断
被引量：19
- 3
-
-
作者
刘泽锐
邢济收
王红军
韩凤霞
谷丰收
-
机构
北京信息科技大学机电工程学院
北京信息科技大学北京市高端装备智能感知与控制国际科技合作基地
北京信息科技大学现代测控技术教育部重点实验室
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第2期73-79,共7页
-
基金
北京市科技计划项目(Z201100008320004)资助。
-
文摘
针对滚动轴承故障信号易受环境噪声干扰,故障特征信息获取相对困难的问题,提出了基于变分模态分解(VMD)与快速谱峭度的滚动轴承故障特征提取方法。首先将轴承信号分解为若干个固有模态分量(IMF),然后利用最大相关峭度解卷积算法对各阶模态分量进行计算,选取相关峭度值相对较大的几个IMF分量作为故障信息最突出的研究对象,并对其进行快速谱峭度分析;最后根据快速谱峭度图结果设置滤波频率,对滤波信号进行平方包络谱分析得到轴承的故障特征信息。通过公开数据和实验分析表明了该方法可以成功诊断轴承故障。
-
关键词
VMD
最大相关峭度解卷积算法
相关峭度
快速谱峭度
故障诊断
-
Keywords
VMD
maximum correlation kurtosis deconvolution algorithm
correlation kurtosis
fast spectral kurtosis
fault diagnosis
-
分类号
TH133.33
[机械工程—机械制造及自动化]
TN911.7
[电子电信—通信与信息系统]
-
-
题名基于深度卷积神经网络的机电系统故障分类识别方法
被引量：18
- 4
-
-
作者
毛向向
王红军
韩凤霞
王楠
陈晓
杨伟
-
机构
北京信息科技大学机电工程学院
北京市高端装备智能感知与控制国际科技合作基地
机电系统测控北京市重点实验室
-
出处
《电子测量与仪器学报》
CSCD
北大核心
2021年第2期87-93,共7页
-
基金
国家自然科学基金(51975058)项目资助。
-
文摘
随着高端装备在工业领域的广泛应用,其运行状态对装备的安全性和产品的性能影响重大,突发故障往往造成巨大的人民生命财产的巨大损失并影响社会的安全稳定。机电系统多处于变转速工作状态,其状态特征信息难以获取,为机电系统的故障诊断和预测带来困难。针对此问题,提出了深度学习的机电系统故障分类识别诊断模型。首先将采集到的关键部位的振动信号进行时频变换转换为时频图构成输入样本;其次将样本输入深度学习神经网络进行特征学习和状态识别;研究了不同变换与深度学习卷积神经网络相结合的方法,应用于某机电系统试验台进行故障状态分类性能对比,实验结果表明该方法为机电系统的故障诊断提供了一种新途径。
-
关键词
机电系统
深度学习
卷积神经网络
故障诊断
-
Keywords
electromechanical system
deep learning
CNN
fault diagnosis
-
分类号
TH212
[机械工程—机械制造及自动化]
TH213.3
[机械工程—机械制造及自动化]
-
