基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

基于云模型的变分自编码器数据压缩方法

图像数据解压缩问题是一类重要的数据处理问题，数据特征学习在数据压缩研究中有重要的研究价值。提出了一种基于云模型的变分自编码器特征表征模型，将云模型作为变分自编码器的先验分布，解决变分自编码器在特征表征上的局限性。变分自编码器的编码器部分负责构建数据的特征空间，通过在该空间中采样获得隐变量，完成数据压缩；解码器部分完成从数据特征到原数据的生成，即数据的解压。在人脸数据集上与原方法作实验对比，验证了该方法的正确性和有效性。     

基于图像处理的航空发动机自适应频谱报警技术研究

在飞行试验中,作为飞行器直接的动力来源,航空发动机的状态监测和故障报警技术是保障飞行试验安全的重要手段,而传统的报警技术存在误报警,准确率不高等问题。本文针对传统频域报警方法不能包容工况变化,局部特征与全局特征无法兼顾的问题,研究了基于图像处理的航空发动机自适应频谱报警方法,包括包络生成方法和频段自动划分方法,并将两者应用于均化频谱的报警中。利用某型航空发动机故障数据对方法的有效性进行了验证,结果表明,该方法能够在发动机不同工况下有效划分频谱高能量和低能量区,兼顾了对振动信号局部特征与全局特征,提高了故障报警的自动化水平和准确率。     

一种基于BPNN和SVM-PDE的旋转机械变工况预警方法

针对传统固定报警限未考虑时变工况的影响,易造成设备在高工况下虚警、低工况下漏警的问题,提出了一种基于BPNN(BP神经网络)和SVM-PDE(支持向量机概率密度估计)的旋转机械变工况故障预警方法.利用BPNN识别设备运行工况,结合信号处理方法从各工况振动数据中提取出多维特征并利用PCA(主成分分析)约简特征维度.将传统支持向量机(SVM)核函数改造为概率密度函数,将运行工况和低维特征输入SVM求解不同工况下正常样本的概率密度.以各个工况下正常样本概率密度值的边界值作为振动阈值进行故障预警.利用双转子试验台振动数据进行验证,结果表明,相较于固定阈值预警方法,基于BPNN和SVM-PDE的旋转机械变工况预警方法能有效降低漏警率和虚警率,验证了该方法的有效性.     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

混合高斯变分自编码器的聚类网络

目的 经典的聚类算法在处理高维数据时存在维数灾难等问题,使得计算成本大幅增加并且效果不佳。以自编码或变分自编码网络构建的聚类网络改善了聚类效果,但是自编码器提取的特征往往比较差,变分自编码器存在后验崩塌等问题,影响了聚类的结果。为此,本文提出了一种基于混合高斯变分自编码器的聚类网络。方法 使用混合高斯分布作为隐变量的先验分布构建变分自编码器,并以重建误差和隐变量先验与后验分布之间的KL散度（Kullback-Leibler divergence）构造自编码器的目标函数训练自编码网络;以训练获得的编码器对输入数据进行特征提取,结合聚类层构建聚类网络,以编码器隐层特征的软分配分布与软分配概率辅助目标分布之间的KL散度构建目标函数并训练聚类网络;变分自编码器采用卷积神经网络实现。结果 为了验证本文算法的有效性,在基准数据集MNIST （Modified National Institute of Standards and Technology Database）和Fashion-MNIST上评估了该网络的性能,聚类精度（accuracy,ACC）和标准互信息（normalized mutual information,NMI）指标在MNIST数据集上分别为95.86%和91%,在Fashion-MNIST数据集上分别为61.34%和62.5%,与现有方法相比性能有了不同程度的提升。结论 实验结果表明,本文网络取得了较好的聚类效果,且优于当前流行的多种聚类方法。     

基于域对抗迁移的变工况滚动轴承故障诊断模型

将变工况下轴承状态识别的难题归结为领域自适应问题,提出了一种基于域对抗迁移的变工况滚动轴承故障诊断模型。模型以一维振动信号为输入,主要包含特征提取器、故障分类器和领域分类器三部分功能结构。特征提取器由卷积层、残差单元和双向长短时记忆(Bi_LSTM)神经单元组成,用于提取振动信号的特征;故障分类器负责振动信号的状态分类;领域分类器负责区分信号来自源域或目标域。模型通过在分类器间添加梯度翻转层构建对抗迁移网络,完成领域自适应工作,能够借助有标签的定工况源域数据集实现对无标签的变工况目标域数据集的诊断识别,进而完成变工况下的故障诊断。试验结果表明,该模型能够提取适用于不同工况间迁移的特征,提升了变工况下各故障类型的诊断表现;变工况下平均诊断准确率可达97.42%,诊断表现优于直接跨域诊断的模型。     

基于信息融合与CNN的齿轮箱故障诊断方法

齿轮箱在实际生产中面临复杂多变的工况,其部件的故障特征随工况发生改变,常规方法在变工况下难以有效识别故障。针对该问题,提出一种基于信息融合和卷积神经网络(IFCNN)的故障诊断方法。IFCNN使用多传感器信息融合和多域特征融合改进卷积神经网络(CNN),首先将不同位置的加速度传感器采集到的振动信号转换成频域、时频域信息,将来自不同传感器的信息融合,然后用CNN对故障信号的频域、时频域信息分别进行特征提取和多域特征融合,结合注意力机制选择重要特征进行故障分类。多组实验结果表明,IFCNN在变工况场景下,可有效提取齿轮箱振动信号的故障特征,12组变工况实验平均识别准确率为98.38%,明显高于所提出的对比方法。     

基于模糊熵的轨道电路分路不良故障自动预警系统设计

为使预警软件能够准确识别轨道电路分路的不良故障行为,设计基于模糊熵的轨道电路分路不良故障自动预警系统。设置电源电路,借助RS485转RS232接口模块,将电源回路与微处理器元件、显示及报警模块相连,完成轨道电路分路不良故障自动预警系统硬件设计。根据熵性质定义条件,求解模糊熵参数,以此为基础,分析故障信号的模糊特征,完成模糊熵算法的预警原理研究。完善编码器-解码器结构模型,根据预警指标取值结果,界定警限区域范围,实现轨道电路分路不良故障预警体系的建立,完成基于模糊熵的轨道电路分路不良故障自动预警系统软件设计。对比实验表明,应用基于模糊熵自动预警系统,可将非故障电压与故障电压之间的差值水平控制在0.05kV之内,在提升系统主机对于轨道电路分路不良故障行为的预警能力方面具有突出应用价值。     

基于变分自编码器的实验设计

针对现有实验设计方法难以对复杂系统进行高效实验设计的问题, 本文提出了一种基于变分自编码器的实验设计方法, 首先利用实验历史记录数据训练变分自编码器将复杂的实验样本空间编码到一个较为简单的隐变量空间, 然后在该隐变量空间里进行取样, 最后通过解码器还原产生新的实验样本, 完成实验设计. 通过对比本文方法与数种基准实验设...     

基于支持向量回归机的油田生产预警模型研究

传统的油田开发动态生产预警采用独立性指标阈值判别方法,从而带来预警结果不准确、异常事件发生时报警而不是预警等问题。本课题提出一种油田生产预警模型,该方法将支持向量回归机(Support Vector Regression,SVR)用于油田生产预警中,通过分析历史生产动态数据,找到它们的变化规律,总结出生产异常警报形成模式,在油田异常事件的初期给出预警信号,提前分析处理潜在隐患,以便保证油田采收效率的稳定性。实验结果证明模型对于油田生产中发生的异常情况具有较高的预测准确性。     

基于VMD-SVD的单向阀微弱故障诊断方法

针对大型往复式机械高压隔膜泵单向阀振动信号中的微弱故障特征难以提取,且磨损击穿故障、卡阀故障及正常状态振动信号难以识别的问题,提出一种基于变分模态分解和奇异值分解的单向阀微弱故障特征提取及诊断方法。首先对振动信号进行VMD分解,再借助能量百分比和方差贡献率筛选出包含丰富故障信息的模态IMF分量,其次对筛选后的IMF分量构建初始特征矩阵,然后利用SVD对特征矩阵进行分解,得到特征矩阵的奇异值作为表征微弱故障信号的特征向量,最后应用多变量预测模型对单向阀微弱故障进行诊断。工程实验结果表明,该方法能有效地提取出单向阀微弱故障信号特征并能对单向阀状态类型进行有效识别。     

一种基于智能终端的温度/振动点检系统设计

工业设备在故障发生前通常伴随着异常振动或者局部超阈值高温，针对机械设备重要环节实施振动、温度监测对机械设备安全可靠运行和故障预警具有重要意义。鉴于当前设备状态点检系统自动化程度低、数据汇总滞后等问题，提出一种基于智能终端的温度/振动点检系统。系统由状态监测层、点检终端层和数据汇总层组成。状态监测层基于红外温度传感器和ICP型加速度传感器设计了便携式状态监测节点；点检终端层以Android系统为开发平台设计了终端软件，软件功能包括：数据曲线绘制、阈值报警、历史数据查看和数据统计参量获取等；数据汇总层利用Java和MySQL设计实现了数据库服务器。系统验证实验结果表明：状态监测节点加速度、温度测量准确，相比于标准测量系统，本系统加速度测量最大相对误差为0.21%，终端软件和数据库服务器运行正常，符合预期设计目标。     

基于D-S证据融合的风力发电机组的故障预测

针对风力发电机组在机械和电气方面的故障,提出一种基于电气特征向量和振动特征向量的D-S证据融合方法。在2种信号的特征空间下分别构造2个经过参数优化的支持向量机,经过D-S融合之后给出最终的预测故障种类。相对于传统发电机故障诊断中分别针对机械故障和电气故障安装振动传感器和电流传感器,通过频谱特征来区分不同故障,证据融合方法能将电流信号用于机械故障的诊断,也能将振动信号用于电气故障的诊断。通过大量实测数据分析验证,本文提出的融合模型相比于只用单一信号构造的故障分类器具有更高的分类准确率。     

K值优化的VMD在轴承故障诊断中的应用

由于机械设备实际运行状态下环境噪声的影响,轴承早期非平稳振动信号的故障特征难以有效提取。为此,将K值优化的变分模态分解引入轴承的早期故障诊断方法中。首先利用小波包降噪法对轴承实际振动信号进行降噪;然后利用K值优化的VMD算法,通过合理设置参数K,将降噪信号分解为若干本征模态分量,利用峭度值选取最佳分量;最后提取最佳分量的样本熵和排列熵组成特征向量,利用模糊C聚类识别轴承的故障类型。实验结果表明,该方法避免了信号的过分解,能有效提取振动信号特征,实现轴承的早期故障诊断。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于变分模态分解改进方法的滚动轴承故障特征提取

针对滚动轴承早期故障振动信号信噪比低、故障特征提取困难的问题,提出了基 于多相关-变分模态分解(MC-VMD)的滚动轴承故障诊断方法。首先对多加速度传感器采集到的 信号进行多相关处理以突出故障信号特征;然后通过VMD 自适应地将信号分解成多个本征模 态分量(IMFs),运用谱峭度法和包络解调对相关峭度较大的分量进行分析;最后通过包络谱识 别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承故障实例数据中,实验结果表 明,该方法可有效提取滚动轴承故障特征频率信息。     

基于局部线性嵌入算法的柴油机故障诊断研究

为提高柴油机故障诊断准确率和效率,提出了改进局部线性嵌入算法的柴油机诊断系统。应用小波包能量谱分析方法提取某柴油机振动信号的特征值,将提取的高维特征向量映射到低维空间上,能将高维特征向量进行优化,即特征值的二次提取。该改进算法可模糊化近邻点k的选择,从而提高计算的速度,并应用SOM-BP神经网络进行故障识别。实验表明,经过局部线性嵌入算法的特征值优化,能减少SOM-BP神经网络的输入节点,可在一定程度上提高故障识别的效率和准确率。     

最小权点覆盖下的智能电表通信故障区域预警方法

电表通信故障预警可以保证智能电表的通信安全,有利于实现对智能电能表的全过程质量管控。但是,智能电表的工作轨迹具有随机性,跟踪难度较大,其故障变量信息的提取难度较大。为此,提出了基于最小权点覆盖的智能电表通信故障区域预警方法。利用智能电表运行状态的观测向量作为故障检测的关键变量,计算出运行状态观测向量的平均轨迹。根据智能电表通信故障数据变量在不同时刻的运行轨迹,提取出智能电表通信故障的关键变量信息,完成智能电表通信故障的检测。在最小权点覆盖下,采集智能电表通信故障数据。利用Fisher准则,计算出智能电表通信故障属性的重要程度,通过设计智能电表通信故障区域预警算法,实现智能电表通信故障区域的预警。实验结果表明,研究方法可以成功预警智能电表通信故障,通过较高的预警准确率确保了智能电表的稳定运行。