钢丝绳金属横截面积损失(Loss of Metallic area)直接影响钢丝绳承载强度等特性,因此其检测及定量分析对于设备安全可靠运行具有重要意义。针对目前主磁通检测中存在的线圈绕制困难、参数确定模糊等问题,基于仿真模型提出一种基于印制...钢丝绳金属横截面积损失(Loss of Metallic area)直接影响钢丝绳承载强度等特性,因此其检测及定量分析对于设备安全可靠运行具有重要意义。针对目前主磁通检测中存在的线圈绕制困难、参数确定模糊等问题,基于仿真模型提出一种基于印制电路板(Printed Circuit Board)的分体式线圈结构,分析了线圈匝数、线圈层数、线距等参数对检测信号的影响;建立主磁通检测模型,探究损伤宽度对主磁通检测信号的影响规律,并针对损伤宽度变化造成的信号损失设计补偿方法;最后通过钢丝实验验证金属横截面积定量检测效果,表明该方法定量误差在1%以内,能够有效检测钢丝绳的LMA。展开更多
安全域是一种从域的角度描述轴承安全状态的模型。它从轴承的运行状态角度考虑,在状态特征变量确定的空间内,用于辨识其运行状态是否在正常区域内。然而,高速列车运行状态数据通常是符合期望的正常样本,故障样本由于获取代价高昂,使得...安全域是一种从域的角度描述轴承安全状态的模型。它从轴承的运行状态角度考虑,在状态特征变量确定的空间内,用于辨识其运行状态是否在正常区域内。然而,高速列车运行状态数据通常是符合期望的正常样本,故障样本由于获取代价高昂,使得对其故障行为知之甚少,甚至一无所知,这意味着传统基于正常和故障样本的安全域建模方法很难应用在高速列车故障诊断上。支持矢量数据描述(Support vector data description,SVDD)虽然能够仅利用正常样本在运行状态空间上构建安全域,但是基于SVDD的安全域模型易受到惩罚参数取值的影响,特别是在大数据的背景下,合理快速地选择惩罚参数对提高安全域模型的边界估计能力及异常检测具有重要意义。鉴于此,提出了一种基于核空间距离熵的安全域惩罚参数选择算法。该算法依据核空间上样本点的位置分布,计算每个样本点距离核中心的距离,在大量基准数据集的基础上,寻找最优惩罚参数与距离熵之间的对应关系,最终获得最优惩罚参数的经验表达式。试验结果表明,相比基于网格搜索和遗传算法的参数选取方法,该方法物理意义明确,能够在保证分类准确率的基础上显著提高安全域模型的优化效率。所提出的基于安全域模型的异常检测方法应用于圆锥滚子轴承的安全状态辨识中。展开更多
文摘安全域是一种从域的角度描述轴承安全状态的模型。它从轴承的运行状态角度考虑,在状态特征变量确定的空间内,用于辨识其运行状态是否在正常区域内。然而,高速列车运行状态数据通常是符合期望的正常样本,故障样本由于获取代价高昂,使得对其故障行为知之甚少,甚至一无所知,这意味着传统基于正常和故障样本的安全域建模方法很难应用在高速列车故障诊断上。支持矢量数据描述(Support vector data description,SVDD)虽然能够仅利用正常样本在运行状态空间上构建安全域,但是基于SVDD的安全域模型易受到惩罚参数取值的影响,特别是在大数据的背景下,合理快速地选择惩罚参数对提高安全域模型的边界估计能力及异常检测具有重要意义。鉴于此,提出了一种基于核空间距离熵的安全域惩罚参数选择算法。该算法依据核空间上样本点的位置分布,计算每个样本点距离核中心的距离,在大量基准数据集的基础上,寻找最优惩罚参数与距离熵之间的对应关系,最终获得最优惩罚参数的经验表达式。试验结果表明,相比基于网格搜索和遗传算法的参数选取方法,该方法物理意义明确,能够在保证分类准确率的基础上显著提高安全域模型的优化效率。所提出的基于安全域模型的异常检测方法应用于圆锥滚子轴承的安全状态辨识中。
