基于NAKF和DBN的液压管路故障智能诊断方法

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明：采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。     

基于DBN模型的航空液压管路故障诊断方法

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法.首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27％,平均AUC值达到0.993 7,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别.     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

基于BP神经网络的液压马达故障诊断

以液压系统中液压马达为研究对象,提出了一种基于故障表征的诊断模型,该模型无需建立被诊断对象的精确数学模型,只需以显性的故障表征作为诊断模型的输入,并为其建立BP神经网络模型,运用MATLAB给出该网络的训练过程及结果,并提供应用于液压马达的故障诊断实例.     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

多尺度能量熵与优化极限学习机的航空液压管路故障诊断方法

针对航空液压管路故障特征难以提取问题,考虑到航空液压系统中振动信号存在非平稳性以及非线性等特点,提出了一种基于局部均值分解(Local Mean Decomposition,LMD)的多尺度能量熵(Multi-scale Energy Entropy,MEE)和麻雀搜索算法(Sparrow Search Algorithm,SSA)优化极限学习机(Extreme Learning Machine,ELM)的航空液压管路故障诊断方法。首先,采用局域均值分解方法将采集的振动信号自适应分解;其次,综合考虑相关系数-能量比准则,选取最佳PF分量;最后,计算最佳分量的多尺度能量熵,选取合适的尺度因子并将其对应的能量熵值作为特征向量,输入到麻雀搜索算法优化的极限学习机网络模型进行学习训练,实现对航空液压管路的故障进行分类识别。结果表明:该方法能够有效地实现对航空液压管路故障类型的准确识别,为区分航空液压管路故障提供了一种可行的诊断思路。     

基于集成神经网络的航空发动机故障诊断研究

针对航空发动机单一信息源故障诊断存在诊断效率低和准确率不高的问题,研究了基于油液和振动信息融合的集成神经网络的故障诊断方法,并将其应用到航空发动机的故障诊断中。以某型航空发动机为例,采用振动信息和油液信息融合诊断的思路,研究了集成神经网络故障诊断法在该发动机轴承故障中的应用,并结合具体数据对此诊断方法进行了验证。诊断结果表明,与传统的单一信息源故障诊断方法相比,集成神经网络故障诊断法诊断效率更高,可检测故障模式更多,误诊率更低。     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

小样本下基于原型网络的轴向柱塞泵故障诊断模型

在实际工程应用中，有限的故障样本数量及噪声都影响轴向柱塞泵故障诊断的效果，所以，如何提高模型在小样本、噪声条件下轴向柱塞泵故障诊断的性能是一个亟待解决的问题。在样本数量有限、噪声条件下，采用基于深度学习的故障诊断方法会出现过拟合、诊断准确率下降的问题，为此，提出了一种小样本条件下基于原型网络的轴向柱塞泵故障诊断模型(方法)。首先，搭建了轴向柱塞泵故障诊断模型，并等量随机抽取了每个故障的样本以构建多个任务，模型使用一维卷积神经网络作为主干，每个任务中包含当前模型、支持集、查询集；然后，利用模型将样本映射到特征空间，在特征空间中，模型使用支持集的同类样本构建了原型点，并逐个将查询集样本与多个原型点进行了距离度量，实现了轴向柱塞泵不同故障的分类；最后，为了验证基于原型网络的轴向柱塞泵故障诊断模型的有效性，采集了轴向柱塞泵不同元件发生故障时产生的振动信号，并使用上述诊断模型对此进行了故障识别实验；为了验证该诊断模型的优越性，将其与基于卷积神经网络等的模型进行了性能对比。实验结果表明：在样本有限的条件下，采用基于原型网络的轴向柱塞泵故障诊断模型的准确率达到85%以上；同时，在噪声条件下，采用基于...     

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征，而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息，导致提取的故障特征不够全面，进而影响旋转机械故障识别准确率，针对这一问题，提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先，利用层次分割处理代替MRFDE中的粗粒化处理，提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法，并用于全面表征旋转机械故障特征中的低频和高频信息，从而生成了故障特征样本；然后，采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化，建立了GSA-PNN多故障分类模型，对旋转机械的故障类型进行了识别和检测；最后，利用滚动轴承和齿轮箱两种典型的故障数据集，对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析，并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明：基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别...     

基于特征融合与IAFSA-SVM的滚动轴承故障诊断方法

针对滚动轴承振动信号时域特征表征故障信息不全面的问题,提出一种将云特征与时域特征相融合的方法,并对人工鱼群算法进行改进,引入了人工鱼的反向变异机制和感知行为,进行超参数寻优得到IAFSA-SVM故障诊断器。采集不同轴承故障数据集的融合特征输入IAFSA-SVM进行试验,结果表明,融合特征能更全面的表征滚动轴承的不同状态信息,将其作为IAFSA-SVM的输入可以获得更高的分类准确率。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于改进Hilbert-Huang变换的管路环向裂纹故障诊断研究

在制造、加工、装配以及服役过程中,航空液压管路可能存在平面型缺陷。在适航载荷作用下,这些缺陷会萌生裂纹并发生扩展,最终导致管路破裂和油液泄漏。为了在管路产生微裂纹时对其进行故障诊断,采用了自行搭建的航空液压管路模态试验平台和测控系统,对存在环向裂纹航空液压管路的振动信号进行了采集和预处理。而在对管路振动信号进行分解时,由于经验模态分解(Empirical Mode Decomposition, EMD)算法存在模态混叠问题难以获得准确的本征模态函数(Intrinsic Mode Functions, IMF)。为提高信号处理精度,提出一种基于自适应噪声完备经验模态分解(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise, CEEMDAN)和Hilbert变换理论相结合的改进Hilbert-Huang变换方法对航空液压管路环向裂纹进行故障诊断。研究结果表明,该方法能够更准确地诊断航空液压管路的环向裂纹故障。     

基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

基于ART-并行BP神经网络的柴油机故障诊断研究

造成柴油机故障的因素十分复杂,既存在单一类的故障,也存在多故障并存的现象,而且还会出现新型故障,仅仅依靠单一神经网络技术的故障诊断已经很难满足对柴油机的有效诊断要求。本文在信息决策层融合的基础上,以自适应谐振理论ART和误差反向传播并行BP两种神经网络为基础,建立了用于柴油机故障诊断的新型神经网络模型,以对柴油机系统工作过程多种故障进行诊断识别。通过与单一神经网络诊断识别结果的分析和比较,验证了该神经网络诊断模型的可行性,它能够进行多传感器信息综合诊断,既能识别单故障和并发故障,又具有识别新型故障的能力,可有效地提高对柴油机故障诊断的准确性和可靠性。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于IGRSSA与IPSO-SVM的滚动轴承故障诊断方法

为提高滚动轴承故障诊断的准确性,提出基于信息增益比的奇异谱分析(IGRSSA)与改进粒子群算法优化支持向量机(IPSO-SVM)的诊断模型。首先,引入信息增益比实现信号自适应重构;其次,采用动态惯性权重和梯度信息对粒子群算法进行改进并用于优化支持向量机;然后,用IGRSSA对滚动轴承外圈故障、钢球故障和正常3种状态的振动信号进行降噪并提取时域特征值,使用平均影响值(MIV)筛选出最优特征参量作为后续故障信号特征数据集;最后,将BP神经网络、RBF神经网络、交叉验证优化的SVM、遗传算法优化的SVM和粒子群优化的SVM作为对比算法用于轴承故障诊断。30次有放回的随机抽样诊断结果表明,IPSO-SVM的平均诊断准确率达到97.72%,波动性和收敛误差均优于其他方法。     

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。     

基于格拉姆角场和多尺度CNN的轴承故障诊断

为解决噪声干扰导致轴承故障分类准确率降低的问题，提出了一种基于格拉姆角场(GAF)和多尺度卷积神经网络(MSCNN)的端到端故障诊断方法。通过对故障信号进行GAF图像变换保留时间序列的相关性与依赖性，并将图像输入MSCNN中进行分类，利用改进的激活函数克服传统CNN的梯度下降问题以获得更好的分类结果。试验结果表明，所提方法在轴承故障诊断中的分类准确率能够达到99.67%,而且具有较高的鲁棒性，适用于不同工况下轴承振动信号的故障诊断。