变量预测模式识别方法在机械故障诊断中的应用——评《机械故障诊断的变量预测模式识别方法》

正如何提高机械运行效率,发挥机械运转实效,成为机械使用的重点。我国学者开展了理论研究与实践研究,对机械故障进行了科学诊断,采用了多元化的故障识别方法。变量预测模式识别方法以变量预测模型为依托,能够定位机械故障位置,分析机械故障问题,提出故障解决方案。变量预测模式识别所提出的理论方法得到了工业企业的印证,得到了学界的广泛认可。我国将变量预测模式识别方法应用在了工程实践当中,收货了事半功倍的预测效果。为了推动工业社会的可持续发展,需要把握变量预测模式识别方法的应用流程,遵循变量预测模式识别方法的应用步骤。《机械故障诊断的变量预测模式识别方法》一书结合理论探讨和实证分析,系统全面地阐述了机械故障诊断的模式识别方法,对比分析了不同的模式识别方法,指出了变量预测模式识别方法的重要作用,探讨了变量预测模式识别方法在机械故障诊断中的应用路径,其立足工程实例,证明了变量预测模式识别方法的应用价值。     

矿用干式变压器故障诊断和寿命预测技术现状及展望

干式变压器故障诊断技术通过对监测数据进行分析,能够实现信号特征提取、故障诊断、状态评估和寿命预测,提高干式变压器在井下运行的安全性,降低由于故障带来的损失。文章介绍了信号特征提取方法(频率响应法、小波变换法、堆叠自编码器)、故障诊断方法(贝叶斯网络、支持向量机、BP神经网络)、状态评估和寿命预测方法(交叉熵组合预测法、灰色理论、层次分析法)的研究现状,将几种方法进行对比,并对干式变压器故障诊断技术进行展望。     

基于粗糙集-RBF神经网络的采煤机液压泵故障诊断

针对采煤机液压泵故障征兆多、故障诊断模糊性强的特点,提出了一种基于粗糙集-径向基函数(RBF)神经网络的故障诊断方法,对液压泵内泄漏故障进行诊断。运用粗糙集理论对液压泵原始故障数据集进行属性约简,去除输入冗余信息,得到最小条件属性集。根据最小条件属性集确定RBF神经网络初始拓扑结构,通过网络训练建立故障征兆和故障类别的映射关系,使用Python编程语言实现了故障诊断。试验对比表明,该方法网络结构更加简单,网络学习效率及诊断准确性更高,在采煤机液压泵中有很好的实际应用效果。     

基于CVAE-ACGAN特征生成模型的轴承故障诊断

针对传统故障特征生成模型在学习训练时具备不可控性、单一性和收敛速度慢的缺点从而导致故障诊断模型的诊断效果不理想的问题,通过将条件变分自动编码器(CVAE)模型可结合故障数据的类别属性进行隐含特征提取的优势与辅助分类生成式对抗网络(ACGAN)模型较好的提取类条件特征能力相结合,创新性地提出CVAE-ACGAN特征生成模型。在提高生成特征质量的基础上,兼顾模型的收敛速度和抗干扰能力。以公开轴承数据集作为数据源,与4种特征生成模型的故障诊断效果进行对比。结果表明,CVAE-ACGAN模型可在实际故障诊断中对故障数据集进行有效的扩充,进而提高故障诊断的精确度。     

基于改进布谷鸟算法与SVM的矿用变压器故障诊断

矿用变压器主要用于含有易燃气体和煤尘的矿井中,为采煤机、运输车及照明系统提供电源。针对目前矿用变压器故障诊断准确率不高的情况,提出了一种基于改进布谷鸟算法和支持向量机(SVM)的矿用变压器故障诊断方法。首先引入改进的布谷鸟算法对支持向量机参数进行寻优,获得具有最佳参数的支持向量机模型,然后利用支持向量机对变压器故障进行分类来实现变压器故障的诊断,最后,通过算例仿真对所提算法和检测方法进行了验证,Matlab仿真结果表明：利用改进布谷鸟算法和诊断模型得到的矿用变压器故障诊断准确率要高于传统的矿用变压器故障诊断方法。     

基于KPCA-BP网络模型的滚动轴承故障诊断方法研究

针对滚动轴承信号的非线性、非平稳性特点及诊断中冗余与噪音的干扰,引入了核主元分析法和BP神经网络相结合的方法对轴承的故障信号进行诊断,以提高轴承故障诊断的性能。通过5个传感器采集轴承不同状态的故障信号,利用小波包提取能量特征值,同时提取轴承的时-频域特征量组成原始特征空间,利用核主元分析方法对原始特征空间降维,提取主元特征量输入到BP神经网络中进行故障模式识别。试验结果表明,KPCA-BP网络模型的性能优于未筛选-BP网络,具有更好的诊断效果和抗干扰能力。     

基于参数优化VMD和GSA-SVM的带式输送机轴承故障诊断研究

针对带式输送机轴承故障难以精确诊断的问题,提出一种基于参数优化变分模态分解(VMD)和引力搜索算法优化支持向量机(GSA-SVM)的轴承故障诊断方法。首先以样本熵为适应度值,遗传算法优化VMD参数,得到最优模态参数K和惩罚因子α的组合;然后利用优化后的VMD分解振动信号,得到K个模态分量,并将模态分量的散布熵作为特征向量;最后将特征向量带入GSA-SVM中进行故障模式识别,得到故障诊断结果。实例验证可知,该方法能够实现轴承准确故障诊断,且优于对比方法。     

基于图像识别的齿轮故障诊断方法研究

以圆柱齿轮为对象,提出了基于双谱分析和图像识别的齿轮箱故障诊断方法。通过小波包双谱分析生成故障信号的双谱图,并通灰度共生矩阵的2阶特征统计量来表征双谱图特征。对于这些特征统计量,通过相关度的大小进行分类从而得到故障模式识别的输入特征向量。通过支持向量机(SVM)模式识别算法对这些特征集合进行分类,从而识别出相应的齿轮故障类型。实验证明在具有噪声的情况下,该方法取得了比较理想的识别率,验证了基于图像识别的齿轮箱故障诊断方法的可行性。     

基于深度残差网络的乳化液泵故障诊断

为了提升乳化液泵故障诊断的准确率,采用深度残差网络诊断乳化液泵故障。首先通过煤矿综采工作面智慧云平台收集乳化液泵正常状态和故障状态下的6种参数,提取一定时间间隔内每种参数的12个特征值,得到6种参数的共计72个时域特征。然后构造训练集和测试集,输入深度残差网络进行训练和验证。实验验证中,将深度残差网络与DNN、CNN和9层CNN进行比较,结果表明诊断准确率达到了99.212%,优于相比较的其他方法。最后通过t-SNE可视化技术对深度残差网络各网络层的输出进行降维,分析二维散点图和故障类别之间的关系。该方法提高了乳化液泵的故障诊断准确率,为乳化液泵的智能故障诊断提供了新思路。     

基于人工鱼群算法的变压器故障诊断研究

针对变压器在故障诊断时复杂难辨的问题,提出了一种基于人工鱼群算法优化BP神经网络的故障诊断方法。该方法首先将所得的样本进行预处理,然后通过归一化后的故障特征量样本和目标期望输出,对建立的模型进行样本训练,最后将验证数据进行诊断测试。诊断结果表明,采用该方法可以满足变压器故障诊断的需要,具有很强的实用价值。     

基于机器学习算法的煤矿汽车机械设备故障诊断模型

研究基于机器学习算法的煤矿汽车机械设备故障诊断模型,提升故障诊断抗干扰能力,有效保障煤矿汽车机械设备安全稳定运行。采用判别结构描述功能较强、拥有全局资源描述功能的、基于低秩鉴别投影的特征提取算法,提取衡量煤矿汽车机械设备故障时域特征和时频特征的最优投影矩阵的列向量;设计了墨西哥草帽函数改进ART神经网络学习算法,并逐渐削弱幂函数,改善收敛、聚类效果,将最优投影矩阵的列向量作为改进ART神经网络的输入,经过两阶段学习训练后,实现了对煤矿机械设备的故障诊断。实验结果也验证了该模型的泛化错误少、识别率可达96%,故障诊断精度高且拥有较好的抗噪声能力。     

基于迁移学习的采煤机摇臂传动故障研究

针对传统故障诊断方法无法有效识别并自动分类实际工况中采煤机摇臂传动故障多的非线性、非平稳信号,提出一种基于迁移学习的采煤机摇臂传动故障诊断模型。基于迁移学习思想,构建基于深度迁移学习的采煤机摇臂传动故障诊断模型;采用多标签分类及sigmoid函数,对模型进行改进,实现对采煤机摇臂传动复合故障的识别与分类;最后,通过仿真实验验证了改进模型性能,并对比了提出模型与传统智能故障诊断模型DCNN、SVM、LSTM、CNN在迁移任务中的分类准确率。结果表明,相较于传统智能故障诊断模型,基于深度迁移学习的采煤机摇臂传动故障诊断模型具有更高的诊断精度,且收敛速度更快,可提高采煤机摇臂传动系统的工作可靠性。     

矿井供电系统串联型故障电弧仿真分析及诊断方法

因接触不良或机械损伤,煤矿供电系统会产生串联型故障电弧,串联型故障电弧是引发煤矿电气火灾的原因之一,目前缺少有效的检测手段,影响了井下的供电安全。井下可能存在瓦斯和煤尘等易燃易爆物质,不宜开展串联型故障电弧实验,无法获得大量故障电弧电流样本,加大了井下串联型故障电弧诊断工作的难度。为研究矿井供电系统串联型故障电弧的典型特征及诊断方法,论文首先在Mayr-Schwarz电弧数学模型的基础上,建立了矿井供电系统串联型故障电弧仿真模型,并结合实验结果对仿真模型的性能进行了评估;然后对矿井供电系统的采煤系统、胶带输送系统、泵房排水系统、照明系统的串联型故障电弧、过电压、单相接地、两相接地短路、两相短路、三相短路电气故障进行仿真分析、特征分析,以电流信号的过零点数、峰峰值、方差、峭度系数、裕度因子、谐波畸变率、单边功率谱频率方差、小波包系数能量熵、小波包系数峰峰值为特征量,建立了矿井供电系统串联型故障电弧特征参数数据库;最后综合比较决策树、K近邻、Bagged trees多分类模式识别方法在故障电弧诊断、选相及抗负载电流波动扰动、抗背景噪声扰动方面的性能,提出了K近邻矿井供电系统串联型故障电弧诊断方法。结果表明,建立的串联型故障电弧仿真模型能够用于仿真分析矿井供电系统串联型故障电弧,所建立的特征参数数据库能够反映矿井供电系统串联型故障电弧的典型特征,提出的K近邻串联型故障电弧诊断方法可用于矿井供电系统串联型故障电弧诊断及选相。     

基于行波法的低压台区低压故障停电报警系统设计

为了提高低压故障停机报警的准确性,缩短故障报告时间,设计了一种基于行波法的低压故障停机报警系统。系统接入层的功能是采用基于多点电流测量的输电线路行波故障定位方法检测低压台区低压故障信号,利用罗氏电流互感器获取低压下电流行波数据源,对比近邻TA中电流故障分类的相位关联性,以此定位故障范围;使用首级与第2级测点间线路段运算波速,使用双端行波运算获取故障距离。同时,接入层还具有报警电话的呼叫接入等功能。流程控制层能够设置停电报警的流程,根据低压故障定位结果进行自动报警;用户根据报警信息通过业务逻辑层输入相应控制指令。实验结果显示,该系统在不同故障类型条件、不同故障点条件下的精度均控制在27 m以下,显著低于设定阈值,停电报警时间控制在0.1 s以内。     

基于多传感器信息融合技术在滚动轴承故障诊断中的应用

为了提高滚动轴承故障诊断的准确性,运用了将多传感器信息融合技术用于故障诊断的检测方法。由电流传感器和加速度传感器采集电流信号和振动信号,经小波变换等预处理后通过能量算子获得故障特征值,再经过动量改进BP神经网络进行训练,实现对滚动轴承故障的准确诊断。通过实验证明该方法可行。     

基于多传感器信息融合的矿井通风机故障诊断

为了提高矿井通风机机械故障诊断的准确性,提出了将多传感器信息融合技术用于故障诊断的检测方法.由多个传感器采集振动信号,经小波变换预处理后获得故障特征值,再经BP神经网络进行故障局部诊断,获得彼此独立的多个证据,然后运用D-S证据理论对各证据进行融合,实现对矿井通风机机械故障的准确诊断.     

基于Stacking模型融合的失压故障识别算法

计量故障中的失压故障是目前电力计量系统常见的故障问题之一,传统的失压故障判定以终端告警为依据,判定维度单一,且终端告警存在误报、漏报的情况,导致了故障无法及时发现、无法实时处理。为了解决失压故障识别维度单一和终端漏报误报的问题,采用比较研究法,在前人使用机器学习算法解决故障识别问题的基础上,结合真实计量数据,构建失压关键指标,提出了一种基于Stacking模型融合的计量故障监测算法。经反复实例论证和理论测算,该算法相较于传统的机器学习算法,能够提升失压故障识别的效果,平均精确率0.99以上。该种算法的提出为计量故障识别提供了一种新的解决方案,为失压故障后电量追补提供了一种依据,为提升计量系统管理水平增加了一种手段。     

基于神经网络的煤矿机械滚动轴承故障诊断研究

滚动轴承失效是煤矿机械常见的故障之一,一旦出现此类故障较难及时发现并修复,造成极大的经济损失。为此提出了一种可在滚动轴承故障发生早期进行及时预测诊断的方法,可以根据滚动轴承故障早期振动信号的各种特征分量进行模式匹配,从而识别出故障类型以便及时采取措施。在进行故障预测和模式识别时,采用了原始BP神经网络和经过遗传算法优化的GA-BP神经网络,经过仿真比较显示,后者的性能更强。     

小波变换在齿轮故障诊断中的应用

在分析小波变换理论和齿轮振动信号特点的基础上,提出用小波分析法提取齿轮故障特征。齿轮振动信号具有非平稳性,并且受各种噪声干扰,小波分析法具有处理非平稳信号的突出优点。在MATLAB环境中,建立了齿轮振动仿真信号,采用小波函数对受噪声污染的信号进行软阖值消噪处理,通过功率谱分析提取特征频率。仿真表明,该方法可有效抑制噪声,提取特征频率,从而为齿轮故障诊断提供依据。     

采煤机变频器故障诊断与维修软件开发

为了解决传统的采煤机变频器故障诊断维修技术难、周期长、备件费用昂贵的缺点,选取VF64这种变频器为研究对象,针对变频器结构和常见故障机理提出基于VB和SQL数据库开发出一套智能故障诊断与维修软件,给出了具体的故障特征、诊断流程和维修方法,测试结果表明变频器故障的诊断率和维修率得到大幅提高,不仅大大减小了经济负担,提高了技术工人的维修水平,尤为重要的是较大程度地提高了企业的生产效率,具有较好的理论和工程应用价值。