共查询到19条相似文献,搜索用时 531 毫秒
1.
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%。 相似文献
2.
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。 相似文献
3.
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%. 相似文献
4.
5.
6.
7.
8.
9.
10.
11.
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。 相似文献
12.
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。 相似文献
13.
14.
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。 相似文献
15.
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%。 相似文献
16.
17.
18.