【摘 要】
:
冶金起重机是在恶劣环境下工作且任务极其繁重的一类起重机,其长时间重复、间歇性吊运、频繁起动制动的载荷吊运过程不断地冲击冶金起重机设备与钢结构,容易造成设备故障与钢结构的疲劳失效,具有极大的危险性。工业健康监测系统能够实时监测设备健康状况,减小工业设备故障或疲劳失效带来的危险性。冶金起重机应用工业健康监测系统时由于数据维度高、数据量大,不易采集和处理表征冶金起重机健康状态的多维数据,此外由于缺乏有效
论文部分内容阅读
冶金起重机是在恶劣环境下工作且任务极其繁重的一类起重机,其长时间重复、间歇性吊运、频繁起动制动的载荷吊运过程不断地冲击冶金起重机设备与钢结构,容易造成设备故障与钢结构的疲劳失效,具有极大的危险性。工业健康监测系统能够实时监测设备健康状况,减小工业设备故障或疲劳失效带来的危险性。冶金起重机应用工业健康监测系统时由于数据维度高、数据量大,不易采集和处理表征冶金起重机健康状态的多维数据,此外由于缺乏有效的在线健康分析方法无法对健康状态进行实时监测。因此,研究冶金起重机多维健康监测系统具有重要的理论意义与工程应用价值。本文在分析工业设备健康监测系统研究现状的基础上,针对冶金起重机多维健康监测系统的集成难点,详细阐述了多维数据集成与健康监测方法,提出了一种系统整体集成方法,为冶金起重机多维健康监测系统的构建提供了支撑。针对冶金起重机多维数据采集过程中数据维度高、数量大的问题,提出了一种基于多域并发的时间窗数据采集方法,利用多数据域的并发处理分离了数据采集与解析过程,实现了多维数据的实时准确采集。针对常规雨流计数法只能分析定长数据的局限性,提出了一种阶跃式雨流计数法,利用分段雨流计数和多段残波融合计数的方法输出实时健康监测结果,实现了对长时间现场实测连续数据的在线分析与健康监测。对构建的冶金起重机多维健康监测系统进行实验测试,并在实际的冶金起重机上对该系统进行了应用。实验研究表明,本文提出的系统集成方法能够用于有效构建冶金起重机多维健康监测系统。提出的基于多域并发的时间窗数据采集方法能够实时准确的采集多维数据。提出的阶跃式雨流计数法能够对长时间连续实测数据进行在线健康分析,并实时输出健康监测结果。集成的冶金起重机多维健康监测系统能够安全稳定运行,可靠性较高,为实现冶金起重机的健康监测提供了一种新途径。
其他文献
高端装备智能制造正向着自动化、智能化飞速发展,高端装备生产装配过程中其构件的准确检测是智能制造实现的关键,计算机视觉因其非接触和高精度的特点被广泛应用于构件的检测,被测构件图像的质量直接影响着被测构件视觉检测的准确性。在被测构件的成像过程中,成像系统的离焦、相对运动和镜面高光会造成被测构件图像的混合退化。现有的图像复原方法大多针对图像中存在单一退化情况进行处理,难以准确实现混合退化的被测构件图像复
随着国内机动车数量的逐渐增多,城市居民面临着越来越严重的交通噪声问题。根据《中华人民共和国道路交通安全法实施条例》第62条第八项规定:“驾驶机动车不得在禁止鸣喇叭的区域或者路段鸣喇叭”,为监管禁止鸣笛区域中出现乱鸣笛情况,辅助监管的鸣笛监测系统应运而生。而鸣笛监测系统缺乏相应的国家计量校准规范来规定该系统需要达到的性能和准确度。因此,对鸣笛监测系统关键参数的校准方法研究具有十分重要的实际意义。本文
锅炉燃烧系统具有较强的非线性和耦合性,调节不当会造成燃烧不稳定,效率低下,甚至威胁机组安全。随机分布控制系统是随机控制体系的重要组成部分。在随机分布控制理论中,输出概率密度函数(Probability Density Function,PDF)可以更全面地描述系统的输出信息,控制系统实际输出PDF的形状即可获得期望的产品特性。利用随机分布控制理论对温度场分布进行建模与控制,可以克服电站燃烧控制系统
随着工业过程的复杂性不断增高,保证生产过程的安全显得愈发重要。故障诊断技术在生产安全方面扮演了十分重要的角色,近年来随着信息技术的不断发展,工业过程中的数据更加容易采集和保存,对基于数据驱动的工业故障诊断提供了支撑。基于此,本文开展了以下关于故障诊断方法的研究工作:(1)提出一种基于自适应顺序形态滤波器(Adaptive Rank-Order Morphological Filter,AROMF)
矿浆输送管道由于上下起伏大、高程差变化大的特点,以及柱塞泵的工作特性和调泵操作的频繁发生,使得管道内部频繁产生异常信号。这些异常信号的存在严重干扰了管道泄漏信号的准确识别,导致较多误报和漏报的产生。准确地识别出异常信号的类别及其出现的时间区间,可以为减少误报和漏报提供有效的技术支持。但是,目前尚没有一种有效的方法可以准确地识别并定位频繁出现的异常信号。在此背景下,本文开展了基于深度学习的矿浆输送管
在复杂的现代工业中,生产环节中装置多、工业流程复杂,工业流程经常需要被监测,比如工业系统中的安全性。同时,生产安全是工业流程中至关重要的因素。这是使现代工业稳定发展的关键基石。因此,对工业过程中的故障报警需要准确的定位和溯源分析。但是,随着工业过程复杂度的增加,准确得定位并诊断出其过程中存在的问题变得越来越难。得益于贝叶斯网络在故障定位和推理的过程中存在的许多优势和特点,这将大大降低复杂工业过程的
智能机器设备方便了人们的生活,为了使它们获得更多处理事物的能力,利用机器对物体进行感知成为了研究人员的关注热点。近些年,研究人员通过模拟人体的感知系统,来使机器获得感知物体信息的能力。其中,机器触觉与机器视觉是研究人员研究的重点。在机器触觉方面,人们研制出了压力触觉传感器,然而当前的压力触觉传感器制作工艺复杂、不易阵列式多点分布并且信号读取易受干扰,进而造成获取压力触觉信息的不完整;在机器视觉方面
间歇过程是化工生产、生物制药等行业的主要生产方式,具有多模态、非线性、多变量等特点。受传感器技术的制约,间歇过程中存在底物浓度、产物浓度等难以直接测量的过程变量,直接影响间歇过程的在线监测和优化控制,导致生产效率降低并且难以保证间歇过程的安全运行。软测量技术通过建立容易测量的辅助变量和难以直接测量的主导变量之间的数学模型,实现对主导变量的在线估计。现有的间歇过程软测量混合建模方法没有考虑模型参数数
随着时代的发展与技术的进步,人们对于过程的安全性以及产品的质量需求逐渐增强,基于数据的状态监测受到更多的学者关注与研究,其中拥有诸多优点的多变量统计分析算法备受青睐。本文主要基于统计方法中典型相关分析算法做出一些改进工作,典型相关分析的优化目标为寻求一对转换向量使得过程变量的线性组合与关键性能指标的线性组合之间的相关性最大。然而典型相关分析只考虑变量与投影向量间的线性关系,且在应用于状态监测时也无
研究高效、准确、快速的基于数据驱动的旋转机械故障诊断方法具有重要意义。深度学习(DL)是数据驱动方法的一个重要分支,在故障诊断方法中得到了越来越多的关注。虽然DL方法在旋转机械故障诊断中取得了很好的效果,但大多数方法的性能会随着工作条件的变化而急剧下降。为了解决这个问题,我们设计了一个迁移学习框架,用于更快、更准确的旋转机械故障诊断。为了提高模型训练和诊断速度并减少模型的参数量。首先,我们设计了一