基于全信息模式的旋转机械信息融合方法研究

旋转机械转子运动状态的截面信息包括静态信息和动态信息,仅从静态信息或动态信息分析对转子故障进行诊断可能发生误诊。提出的基于全信息模式的旋转机械信息融合方法,融合了转子的动态信息和静态信息,能真实全面地反映转子运动状态。工程应用实践表明,基于全信息模式的旋转机械信息融合对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。     

基于Infogram的重复瞬态特征提取与旋转机械故障诊断

针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断.     

基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

遗传程序设计在旋转机械故障分类中的应用

特征提取是旋转机械故障分类中一个很重要的问题。为解决该问题,提出一种利用时域中已有的无量纲指标和遗传程序设计对旋转机械多类故障进行新无量纲指标提取的方法。实验结果表明,新无量纲指标比传统的无量纲指标具有更好的故障分类能力,能够对旋转机械故障进行准确分类。     

基于矢谱和模糊Petri网的旋转机械故障诊断研究

讨论了矢谱融合技术和模糊Petri 网的相关理论,提出了基于矢谱和模糊Petri网的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断Petri网模型。模拟实验结果表明：与基于单通道数据的诊断结果对比,矢谱和模糊Petri网应用于旋转机械常见故障进行诊断,可有效提高旋转机械故障诊断的准确率。     

融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用

为根据模态信号频率水平确定石油旋转机械当前故障行为所属类别,实现对机械设备故障行为的准确诊断,针对融合GA优化算法的数字孪生模型在石油旋转机械诊断中的应用展开研究。定义GA算法优化规则,并在此基础上,建立数字孪生模型,再联合相关故障行为数据,完成对石油旋转机械运行数据的聚类运算,实现基于数字孪生模型的石油旋转机械运行数据聚类处理。计算运行数据损失情况,通过模态分解描述性样本的方式,将核心诊断信息重新耦合在一起,联合求解所得的超参数指标,定义具体的数据样本集中训练模式,实现对石油旋转机械的诊断。实验结果表明,上述诊断方法的应用,对于每一类故障行为模态信号频率的诊断都属于该信号的标准频率数值区段之内,符合100%精准诊断机械故障行为的应用需求,在准确诊断石油旋转机械故障行为方面的可行性能力较为突出。     

基于遗传神经网络的旋转机械故障预测方法研究

许多大型旋转机械运行工况恶劣,非平稳、非线性特征明显,以及各种突发性、偶然性因素的影响,给基于振动信号处理的状态预测和状态维护分析带来困难;神经网络以其强大的处理非线性系统的能力在故障预测中得到广泛的应用,但由于其在追求高精度训练目标时易陷入局部极值,且收敛速度慢甚至发散;针对这个问题,提出了采用遗传算法对神经网络连接权值和阈值进行优化,这样不仅发挥了神经网络广泛的映射特性也使遗传算法的全局搜索优势尽显无疑;通过组合这两种算法,在提升网络学习的准确度方面,优点尤其突出,最终提高对旋转机械故障预测和寿命估计的性能,这在某环境模拟试验系统动力风机的轴承磨损故障预测中得到了验证。     

基于Labview的便携式大型旋转机械故障诊断系统的数据管理

阐述了常用的利用文件系统和利用Access数据库管理系统管理便携式大型旋转机械数据的方法,提出了一种新型的综合Labiview和Access两者特点的实现便携式大型旋转机械故障诊断系统数据管理的方案。     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

基于卷积神经网络的机械故障诊断技术综述

针对传统机械故障诊断方法难以解决人工提取不确定性的问题,提出了大量深度学习的特征提取方法,极大地推动了机械故障诊断的发展。作为深度学习的典型代表,卷积神经网络（CNN）在图像分类、目标检测、图像语义分割等领域都取得了重大的发展,在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题,首先简单介绍了CNN的相关理论,然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结,最后展望了CNN及其在机械故障诊断应用中的发展方向。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。     

Intelligent fault diagnosis for rotating machinery using deep Q-network based health state classification: A deep reinforcement learning approach

Fault diagnosis methods for rotating machinery have always been a hot research topic, and artificial intelligence-based approaches have attracted increasing attention from both researchers and engineers. Among those related studies and methods, artificial neural networks, especially deep learning-based methods, are widely used to extract fault features or classify fault features obtained by other signal processing techniques. Although such methods could solve the fault diagnosis problems of rotating machinery, there are still two deficiencies. (1) Unable to establish direct linear or non-linear mapping between raw data and the corresponding fault modes, the performance of such fault diagnosis methods highly depends on the quality of the extracted features. (2) The optimization of neural network architecture and parameters, especially for deep neural networks, requires considerable manual modification and expert experience, which limits the applicability and generalization of such methods. As a remarkable breakthrough in artificial intelligence, AlphaGo, a representative achievement of deep reinforcement learning, provides inspiration and direction for the aforementioned shortcomings. Combining the advantages of deep learning and reinforcement learning, deep reinforcement learning is able to build an end-to-end fault diagnosis architecture that can directly map raw fault data to the corresponding fault modes. Thus, based on deep reinforcement learning, a novel intelligent diagnosis method is proposed that is able to overcome the shortcomings of the aforementioned diagnosis methods. Validation tests of the proposed method are carried out using datasets of two types of rotating machinery, rolling bearings and hydraulic pumps, which contain a large number of measured raw vibration signals under different health states and working conditions. The diagnosis results show that the proposed method is able to obtain intelligent fault diagnosis agents that can mine the relationships between the raw vibration signals and fault modes autonomously and effectively. Considering that the learning process of the proposed method depends only on the replayed memories of the agent and the overall rewards, which represent much weaker feedback than that obtained by the supervised learning-based method, the proposed method is promising in establishing a general fault diagnosis architecture for rotating machinery.     

An intelligent fault diagnosis method based on wavelet packer analysis and hybrid support vector machines

In this paper, a new intelligent method for the fault diagnosis of the rotating machinery is proposed based on wavelet packet analysis (WPA) and hybrid support machine (hybrid SVM). In fault diagnosis for mechanical systems, information about stability and mutability can be further acquired through WPA from original signal. The faulty vibration signals obtained from a rotating machinery are decomposed by WPA via Dmeyer wavelet. A new multi-class fault diagnosis algorithm based on 1-v-r SVM approach is proposed and applied to rotating machinery. The extracted features are applied to hybrid SVM for estimating fault type. Compared to conventional back-propagation network (BPN), the superiority of the hybrid SVM method is shown in the success of fault diagnosis. The test results of hybrid SVM demonstrate that the applying of energy criterion to vibration signals after WPA is a very powerful and reliable method and hence estimating fault type on rotating machinery accurately and quickly.     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

故障诊断中振动与温度监控系统的研究

讨论了利用振动信息和温度数据信息融合技术 ,初步建立温度监控系统中高速旋转机械的故障诊断资料的方法。并在此基础上 ,借助于温度变化与材料缺陷产生之间的关系来进一步建立旋转体故障诊断信息库。     

邻域知识图算法在旋转机械设备故障诊断中的应用

旋转机械应用过程中极易出现内环故障、外环故障、滚动体故障的情况,而这也直接影响机械部件的使用寿命。为准确诊断设备元件的故障行为,达到延长旋转机械设备寿命水平的目的,针对邻域知识图算法在旋转机械设备故障诊断中的应用展开研究。求解邻域知识图算法的函数表达式,并以此为基础,完成对故障数据的推荐,再通过预处理的方式,实现对旋转机械设备故障数据的深度挖掘。融合关键故障数据,并对其进行降维处理,根据核特征定义条件,完善具体的故障诊断流程,完成基于邻域知识图算法的旋转机械设备故障诊断算法的设计。实验结果表明,上述方法的应用,可以准确诊断出内环故障、外环故障、滚动体故障三种故障表现行为,通过适当方法对所诊断出故障行为加以处理,可以达到延长旋转机械设备使用寿命的目的。     

基于DSP的振动监测仪的设计

振动监测是旋转机械安全评估的重要指标,提出了一种基于DSP的旋转机械振动监测系统的软硬件实现方法。介绍了旋转机械振动监测系统的组成和工作原理,包括了信号采集调理、模数转换、信号处理和传输,并重点介绍了频谱分析的具体实现方法。通过调试试验,证明了具有较高的准确度。