一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点，提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型（MS1D-CNN-MSIF）对液压泵与蓄能器进行故障诊断。在提出方法中，采用不同大小的卷积核对故障信号进行多尺度特征提取；然后使用多传感器信息融合策略将多个传感器的特征信号进行融合，最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明，与支持向量机、堆栈自编码、深度置信网络比较，提出模型具有更好的故障诊断性能，蓄能器识别精度可达99.50%，液压泵识别精度可达99.73%。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于深度置信网络的工业机器人故障诊断

由于工业机器人结构复杂、系统智能化程度高,工业机器人的故障诊断难以实现,采用深度置信网络(DBN)和小波能量熵相结合的方法,对工业机器人故障诊断展开研究.首先,对工业机器人的关节振动信号进行小波包分解,建立重构信号的能量熵归一化特征向量;然后,将能量熵归一化特征向量作为输入训练和测试深度置信网络(DBN)故障诊断模型;最后,在KR-3-R540机器人上设计实验验证故障诊断模型的可行性.实验表明:本文所采用的故障诊断方法可以对工业机器人整体进行故障判断,并识别出关节处的故障,而且模型诊断准确率高达99.4％.     

基于BP神经网络的液压缸内泄漏诊断

液压缸是工程机械中常用的执行元件,内泄漏是其常见的故障模式,将严重影响机械系统的工作效率和安全性,及时识别液压缸内泄漏能够保证液压缸的安全正常工作。通过小波分解提取液压缸进口压力信号特征,利用BP神经网络建立分类器,实现了对液压缸内泄漏的智能识别,分类准确率高,提高了液压缸内泄漏故障诊断的效率,为实现液压缸智能状态监控提供了基础。     

基于BP神经网络对减速箱齿轮副的故障诊断与仿真研究

齿轮故障诊断的基本方法是利用振动信号,通过提取特征信息,比较各次测量中的差异进行诊断。根据BP神经网络诊断方法,运用虚拟样机技术建立齿轮模型,模拟各种各种故障,提取振动信号,然后给出BP神经网络训练的特征频率,使其对数据进行分析学习。当输入待诊断样本后,BP网络对数据进行对比分析得出诊断结果。经过仿真检验表明该方法对减速箱齿轮副的故障诊断有效,对其他旋转机械的故障诊断和维修保养也具有一定的实用价值。     

基于神经网络的电液伺服阀故障诊断

电液伺服阀是轧机厚度自动控制系统中最容易发生故障的设备部件,通过对其历史故障特征信息的收集和分析,设计出一个适用于伺服阀故障诊断的三层BP神经网络.结果表明,该神经网络能够满足对伺服阀故障诊断的要求,实现了伺服阀故障诊断的智能化.     

基于深度置信网络的移动电站发电机故障诊断

为快速精确诊断移动电站发电机故障类型,利用深度置信网络,构建了高效、准确的发动机故障诊断模型。通过逐层无监督学习与有监督的反向传播优化网络权重参数。仿真分析结果表明:模型对移动电站发动机的故障诊断正确率高达100%,优于人工经验法和SVM、BP等浅层神经网络和传统方法。     

基于油液分析的多层前向BP网络在复杂机械故障诊断中的应用

为了提高大型复杂机械故障诊断系统的诊断精度和自适应性,将改进的多层前向BP神经网络引入大型复杂机械系统故障诊断的研究,通过对该系统的多技术油液分析,建立了该机械系统油液分析故障特征表及神经网络目标输出,以此构建了基于油液分析的复杂机械系统多层前向BP网络故障诊断模型,并对该模型在MATLAB环境下进行了仿真训练和故障诊断。仿真结果表明,该模型能用于故障诊断,并有较高的输出精度。     

基于蚁群算法的矿井提升机减速器齿轮故障诊断

在研究蚁群优化神经网络训练算法的基础上,建立了矿井提升机减速器齿轮故障诊断模型。根据实测数据,分析研究信号并提取信号特征值,并应用训练后的BP神经网络诊断齿轮故障,实验表明效果良好,该模型网络的收敛速度大大提高,避免陷入局部最优解,用于减速器齿轮故障诊断准确可靠。     

改进小波包与RBF网络在轴承诊断中的应用

基于故障轴承的特征提取,提出一种基于小波包与径向基RBF神经网络相结合的故障诊断方法,克服了以往常用诊断方法中的小波BP神经网络网络收敛慢、训练时间长、而且常常陷入局部极小点的缺点。采用小波滤波技术对采集到的滚动轴承振动信号进行滤波处理,利用小波包分解获得滚动轴承振动信号的特征向量作为故障样本对RBF网络进行训练,进行了详细的故障诊断试验研究。实验结果表明训练好的RBF网络能够很好地诊断出轴承故障类型,故本方法在旋转机械故障诊断方面具有良好的应用价值。     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

基于S变换的热连轧机耦合振动特征提取

提出一种基于短时傅里叶变换的自适应频域滤波方法,将噪声信号与振动特征成功地分离。根据短时傅里叶变换和功率法设定的阀值,自动捕捉了振动信号在不同时间段的优势频率。对振动信号、压下液压缸压力信号和伺服阀给定信号做短时傅里叶变换后,热连轧机振动被诊断为液机耦合振动。利用离散小波变换和S变换相结合的方法对轧机振动信号进行分析,确定轧机起振的时间为液压压下系统的投入时间,证明了热连轧机存在液机耦合振动现象。     

基于神经网络的液压缸内泄漏在线测量研究

内泄漏是液压缸最常见故障，严重影响液压缸的正常工作，因此对其在线测量显得尤为重要。提出内泄漏在线测量的工作原理，包括在线测量系统、应变片的固定方式和流量-应变信号转换的数学模型，并搭建实验系统采集内泄漏和应变数据并进行数据处理。分别采用BP神经网络和卷积神经网络对液压缸内泄漏进行预测，结果表明，卷积神经网络准确度高、效率高，为其他液压元件微小流量的在线测量提供一种新的思路。     

基于SAE-DBN的联合收割机液压系统运行状态监测

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

基于BP神经网络的翻车机液压系统故障诊断

为了快速诊断出翻车机液压系统故障产生的位置以及故障原因,提出了一种基于BP神经网络算法的翻车机液压系统故障诊断方法,在此基础上提出了大型液压系统故障诊断分块建模的原则。利用某公司C型转子式翻车机故障数据样本建立了整体、分块故障诊断BP神经网络模型,对比实验数据分析表明,采用分块建模原则建立的BP神经网络故障诊断模型对翻车机液压系统故障具有较高识别精度,对提高翻车机液压系统状态监测与故障诊断能力有较大实用价值和工程意义。     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

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...