基于多种传感技术集成的机械疲劳诊断与剩余寿命预测的方法研究

This project deals with the difficult problem of detecting crack onset and prediction of remaining life in mechanical component fatigue monitoring. It proposes to develop new theory and methods for mechanical component fatigue detection and remaining life prediction with acoustic emission technology integrated with multiple monitoring technologies, using finite element analysis, the theory of continuum damage mechanics, and deep learning based data mining techniques. The main research includes: developing physics based models of fatigue damage-thermodynamic entropy flow-acoustic emission features to reveal the effect of different fatigue parameters on the parameters of the monitoring signals; establishing the theory of detecting mechanical component fatigue and predicting remaining life; developing new optimal acoustic emission signal processing methods to extract effective fatigue crack features and multivariate time series of multiple signals; developing the space and observation models for micro and macro fatigue crack onset and extension using deep learning based data mining approach on acoustic emission features and thermodynamic entropy flow to accurately and reliably predict mechanical component fatigue crack onset and remaining life.

本项目针对目前在机械疲劳监测中难以检测的裂纹萌生及裂纹萌生前部件疲劳寿命的预测，利用基于声发射为主融合多种传感技术对疲劳裂纹的监测方法，结合新的渐变损伤力学理论和基于深度学习的粒子滤波算法，提出机械疲疲劳诊断与剩余寿命预测的新理论和新方法。主要研究内容为：通过有限元建模仿真分析，结合新的渐变损伤力学理论来建立疲劳裂纹-热力学熵流量-声发射信号特征的物理模型，构建机械疲劳监测中预测裂纹萌生及裂纹萌生前部件疲劳寿命的理论依据；利用现代信号处理技术，结合模态声发射理论，研究新的声发射信号最佳处理的理论和方法；研究基于深度学习的数据挖掘理论和方法，通过对实测数据的挖掘，建立基于改进的粒子滤波算法的机械疲劳裂纹萌生与扩展的状态模型和观测模型，提出一套构建基于声发射融合多种传感技术的机械部件疲劳裂纹诊断及裂纹萌生寿命预测系统的理论和方法，从而实现对机械疲劳裂纹及部件剩余寿命进行准确可靠的预测。

针对目前在机械疲劳监测中难以检测的裂纹萌生及裂纹萌生前部件疲劳寿命的预测，本项目①在给定初始裂纹的基础上通过扩展有限元法模拟了裂纹扩展特征，得到了裂纹扩展过程中与温度有关的塑性应变能。仿真结果与红外热像仪记录了整个过程的温度的变化趋势基本吻合。②为了提高诊断模型能力，提出了一种以双信号为输入的齿轮点蚀故障诊断方法。③提出了用自编码器进行数据增强，并利用原始振动信号来对齿面点蚀进行无损检测。④提出增强一维卷积稀疏自编码方法用声发射信号进行齿轮磨损的故障检测。提出方法不仅能够直接从原始声发射信号中自动提取故障特征，具有一定的工业应用价值。⑤提出了一种结合深度一维可分离卷积和剩余连接网络的新方法，有效地减少了网络参数的数量，因此模型更小，速度更快。在深度学习模型中，残差连接可以有效地避免梯度消失问题。⑥分别使用传统的人工神经网络和标准深度神经网络诊断齿轮点蚀故障。对比分析两种方法诊断结果为后续的研究打下基础。⑦为了避免耗时、繁琐的特征提取过程，将自动编码器（SAE）和高斯二进制受限玻尔兹曼机（GBRBM）堆叠使用，实现了使用采集的原始信号直接输入到网络中进行故障诊断。⑧为增强深度神经网络对数据域的适应能力，分别将迁移学习策略和自适应批量标准化两种方法结合改进深度神经网络使用。结果表明在训练数据域和测试数据域有差异时仍能进行有效的诊断。⑨为了提升深度神经网络预估设备剩余寿命的准确率，结合卷积神经网络和长短时记忆神经网络开发出一种新的有向无环图网络结构。对比现有方法得到的预测结果，提出的新网络的预测正确率远高于现有结果。⑩为了解决带标签的运行数据收集困难的问题，提出在堆叠的自动编码器（SAE）和受限玻尔兹曼机（RBM）结构中添加二值处理器来构建一种无监督的故障诊断模型。验证结果表明提出的无监督诊断模型可以无标签数据情况下实现各种工况的诊断任务。

内容获取失败，请点击重试