一本大道香久在线播放_无码专区久久中文字幕_av中文字幕网免费观看_Av免费无码一区二区……

振動(dòng)與電流信號(hào)融合實(shí)現(xiàn)水射流機(jī)床故障診斷-他瘋狂地嗦我奶頭好舒服_國(guó)產(chǎn)一區(qū)二區(qū)三區(qū)在線看片

蘇州
振動(dòng)與電流信號(hào)融合實(shí)現(xiàn)水射流機(jī)床故障診斷-他瘋狂地嗦我奶頭好舒服_國(guó)產(chǎn)一區(qū)二區(qū)三區(qū)在線看片

一項(xiàng)針對(duì)高壓磨料水射流(AWJ)機(jī)床的故障診斷研究展示了振動(dòng)與電流多模態(tài)信號(hào)融合的技術(shù)優(yōu)勢(shì)。該成果由張(Zhang)等人完成并發(fā)表于《機(jī)械工程前沿》。研究指出,水射流機(jī)床并非單一均質(zhì)結(jié)構(gòu),而是由增壓泵、磨料輸送機(jī)構(gòu)、切割頭及運(yùn)動(dòng)系統(tǒng)等松散耦合子系統(tǒng)組成。單一維度的監(jiān)測(cè)難以全面捕捉設(shè)備狀態(tài),而將結(jié)構(gòu)振動(dòng)響應(yīng)與供電電路電流變化相結(jié)合,能夠更完整地反映機(jī)床的動(dòng)態(tài)特征。

研究采用支持向量機(jī)(SVM)進(jìn)行特征級(jí)融合分類。由于工業(yè)工況實(shí)驗(yàn)通常受限于受控故障場(chǎng)景的測(cè)試成本,樣本規(guī)模相對(duì)較小,基于核函數(shù)的SVM在此類條件下往往優(yōu)于端到端深度學(xué)習(xí)模型。融合特征表示的宏觀F1分?jǐn)?shù)達(dá)到98.27%,而決策級(jí)融合性能進(jìn)一步提升至99.6%以上。研究強(qiáng)調(diào),兩種模態(tài)攜帶的信息具有高度互補(bǔ)性,非冗余特征的組合顯著提升了診斷精度。

評(píng)估指標(biāo)采用宏觀F1分?jǐn)?shù)而非整體準(zhǔn)確率,以確保對(duì)各類故障(含罕見(jiàn)類別)的同等重視。相較于僅使用電流或僅使用振動(dòng)的單模態(tài)基線,融合方法分別提升了7.06和14.50個(gè)百分點(diǎn),且增益均勻分布在所有故障類別中。驗(yàn)證協(xié)議采用五折連續(xù)時(shí)間塊交叉驗(yàn)證,將記錄時(shí)間軸劃分為連續(xù)區(qū)塊進(jìn)行測(cè)試,有效避免了隨機(jī)劃分導(dǎo)致的信號(hào)片段重疊,真實(shí)檢驗(yàn)了模型的時(shí)間泛化能力。

特征消融實(shí)驗(yàn)證實(shí),時(shí)域特征(統(tǒng)計(jì)矩、峰值、峰度)、頻域特征(頻譜估計(jì))以及跨軸信息(方向結(jié)構(gòu))共同貢獻(xiàn)于識(shí)別性能。物理機(jī)制上,電流信號(hào)反映電機(jī)扭矩與機(jī)械負(fù)載的變化,對(duì)壓力脈動(dòng)、流量改變或內(nèi)部泄漏敏感;振動(dòng)信號(hào)則捕捉組件內(nèi)部的動(dòng)態(tài)力、沖擊與摩擦。兩者結(jié)合形成“慢變包絡(luò)”與“快變波動(dòng)”的互補(bǔ),幫助分類器區(qū)分真實(shí)部件故障與臨時(shí)負(fù)載波動(dòng)。

監(jiān)測(cè)點(diǎn)覆蓋四大核心功能區(qū):高壓增壓泵、噴嘴末端、機(jī)床主軸及磨料罐底部壓力端口。三軸加速度計(jì)共采集12路振動(dòng)通道,配合供電回路電流測(cè)量。采樣配置上,振動(dòng)以1 kHz頻率采集,電流以約0.75秒間隔記錄,通過(guò)同步對(duì)齊至2秒分析窗口,實(shí)現(xiàn)了異構(gòu)采樣率的融合處理,契合工業(yè)現(xiàn)場(chǎng)獨(dú)立監(jiān)測(cè)系統(tǒng)的實(shí)際部署模式。

研究引入確定性規(guī)則后處理模塊,將概率分類輸出轉(zhuǎn)化為可審計(jì)的診斷報(bào)告。該模塊基于固定拓?fù)渚仃嚺c預(yù)設(shè)證據(jù)規(guī)則,指導(dǎo)維護(hù)人員定位需復(fù)核的監(jiān)測(cè)點(diǎn),同時(shí)保持與統(tǒng)計(jì)推斷層的隔離,確保規(guī)則層錯(cuò)誤不會(huì)污染分類結(jié)果。作者明確界定,當(dāng)前性能為固定傳感器布局下的批次內(nèi)識(shí)別水平,未宣稱跨機(jī)型或跨批次泛化能力,客觀指出了傳感器重貼剛度差異、制造公差及工況遷移帶來(lái)的領(lǐng)域偏移挑戰(zhàn)。

未來(lái)研究將聚焦跨批次驗(yàn)證、領(lǐng)域自適應(yīng)微調(diào)技術(shù),并將故障分類從二元狀態(tài)擴(kuò)展至漸進(jìn)式退化預(yù)測(cè)。規(guī)則模塊生成的結(jié)構(gòu)化證據(jù)記錄有望作為訓(xùn)練數(shù)據(jù),銜接統(tǒng)計(jì)分類與工業(yè)維護(hù)決策流程。該框架為非侵入式結(jié)構(gòu)振動(dòng)監(jiān)測(cè)與電氣負(fù)載測(cè)量提供了可改造加裝的實(shí)用方案,為高壓水射流加工設(shè)備的狀態(tài)監(jiān)測(cè)提供了新思路。

資料來(lái)源:bioengineer.org;原文發(fā)布日期:2026-10-17。本文為資料編譯。

公司新聞

更多

相關(guān)故障診斷新聞