随着信息通信技术(ICT)的发展,人工智能技术在机械故障诊断中的应用引起了研究人员的关注。为了验证人工智能技术在机床主轴故障诊断方面的适用性,通过构建机床测试台,收集人为改变主轴偏心的故障数据,并采用3种人工智能模型(CNN、LSTM和AE)进行学习,分析比较了它们对主轴7种故障状态分类的准确性。实验结果表明CNN和LSTM模型均具有较高的准确性,其中CNN模型的准确率最高,达到了99.3%,而AE模型的准确性相对较低,只有76.9%。验证了在机床主轴故障诊断中应用人工智能技术的可行性。

为解决智能制造质量预测难题,针对汽车发动机缸体压铸过程数据高维、子过程耦合,难以建立仿真预测模型特点,研究缸体压铸工艺,建立缸体压铸动态过程数学模型。针对压铸生产过程具有时序性特点,以及经典循环神经网络面临梯度爆炸、超参数未知等困难,提出基于LSTM循环神经网络的质量预测方法,以历史数据训练神经网络,对比Holt-Winter和多元线性回归两种时间序列预测模型。结果表明,LSTM预测模型具有更高的准确性,对智能制造产品质量预测有借鉴意义。

主蒸汽流量的准确测量对大型汽轮机的正常运行至关重要,传统测量方法工作量大且测量精度不高。为了提高主蒸汽流量的测量精度,以某600MW大型汽轮机为研究对象,提出一种基于长短期记忆神经网络(LSTM)的汽轮机主蒸汽流量测量模型,同时分析了调节级后压力的非正常波动对模型的影响。研究结果表明LSTM模型能够实现主蒸汽流量的精确测量,平均百分比绝对误差(MAPE)为0.799%、均方根误差(RMSE)为15.132;调节级后压力在10%和1.2MPa范围内波动时,MAPE不大于1%、RMSE不大于20。LSTM模型具有较高的测量精度与较好的稳定性,研究结果对汽轮机主蒸汽流量测量具有一定参考价值。

针对变压器故障不能被及时发现的问题,提出了一种基于LSTM的变压器故障预测方法,用于提前预测变压器的故障趋势。该方法将变压器油中溶解的7种故障气体浓度作为网络的训练数据,采用不同网络结构建立了不同的变压器故障预测模型,最后,确立了最优的变压器故障预测模型。利用相同的变压器数据样本,对基于LSTM建立的变压器故障预测模型与基于灰色多变量方法建立的变压器故障预测模型进行测试,结果表明基于LSTM建立的变压器故障预测模型是非常有效的故障预测方法。

滚动轴承在发生故障时,故障振动信号具有非稳定性、非线性的特点,难以对其中的故障特征进行提取,导致轴承故障诊断的识别率较低。为了提高滚动轴承故障分类的准确率,提出了一种基于集合经验模态分解法(Ensemble Em pirical Mode De com pos ition, EEMD)与长短时记忆(Long Short Te rm Me m ory, LSTM)神经网络相结合的滚动轴承故障识别的方法。首先采用EEMD算法将目标振动信号分解成若干个本征模态函数(Intrinsic Mode Function, IMF)分量。然后利用主成分分析法(Principal Component Analysis, PCA)对IMF分量进行降维,选取含有主要故障特征信号的分量。最后计算IMF主成分分量占各自总能量的比例,并将能量比所组成的特征向量作为LSTM神经网络的输入参数进行故障识别。将识别的结果与不同的故障诊断模型所得的结果进行对比分析,仿真结果表明文中所用的方法在轴承故障诊断中准确...

为有效提取振动信号中隐含的故障特征,以准确判别机械故障类型,提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征;通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间,进而更高效地发掘上层网络输出信号中隐含的时间特征。同时,引入缩放指数线性单元函数以提升网络自归一化性能,并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后,基于机械故障实测数据集开展对比实验,结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。

稀土熔盐电解过程中电解给料自动辅机组件之间工作关联大,故障复杂多样,使用单一故障诊断方法效果不理想。针对这一问题,通过分析给料自动辅机组件之间的工作关系,提出基于故障树和LSTM-SVM的粉体下料设备故障诊断方法。首先搭建多层故障树,分析故障模式,然后根据故障树数据提取重要度较高的故障模式,建立长短期记忆神经网络故障诊断模型,故障定位后根据故障树分析结果所定义的权重大小输出诊断结果,并使用SVM对非故障异常工作状态进行分级。测试结果表明该模型具有较高的故障识别准确率。

地震模拟振动台的控制多采用三参量控制作为底层控制算法,三参量控制参数多,整定耗时费力。提出一种基于LSTM(长短时记忆网络)的振动台三参量控制参数整定算法。将振动台系统的测试加速度输入和输出数据分为训练集、测试集和验证集,建立并训练一个LSTM深度网络用以模拟振动台的系统模型;针对LSTM深度网络模型引入新的三参量控制环节,采用梯度下降法进行控制参数的离线整定;最后将整定参数与控制系统原参数进行合并用于实机验证。结果表明:所提出的整定方法可以达到优于手动调参的结果,整定过程通过系统模型离线完成,不需实机运行,具有效率高、效果好的优点.

在液压系统中,液压管路是实现压力传导功能的重要组成部分,其压力值的变化不容忽视。在环境误差等因素的影响下,液压管路的压力变化呈现非线性和不稳定性。为解决该问题,提出基于粒子群优化算法(PSO)改进的基于注意力机制(Attention)的长短期记忆神经网络(LSTM)的液压管路压力预测方案。用某飞机液压管路的压力检测值作为输入数据,实现液压管路某支路位置的压力预测,并完成预测结果的可视化。实验结果表明,该模型预测平均误差为1.78%,符合液压管路压力预测要求。

液压支架是矿井综采和综放开采智能工作面的关键支护与放煤设备。针对井下环境存在设备健康评估与故障维护困难、难以对液压支架疲劳寿命进行预测等问题,基于数字孪生技术和长短时记忆(Long Short-Term Memory,LSTM)循环神经网络,提出了矿山液压支架顶梁疲劳监测与寿命预测方法。该方法根据矿山液压支架顶梁的结构与工作原理,首先利用有限元法建立液压支架系统仿真模型,并采用ANSYS有限元分析获得液压支架顶梁状态参数与疲劳寿命值的相关数据集;然后利用ANSYS Twin Builder构建高置信度的数字孪生验证模型,并根据矿山液压支架顶梁的屈服强度和本构关系等真实的边界条件,进一步验证与优化有限元分析模型;再通过LSTM神经网络对训练集进行训练并利用测试集进行测试,以确定液压支架顶梁寿命的预测模型,从而实现对矿山液压支架顶梁疲劳寿命的准确预...