共查询到20条相似文献,搜索用时 31 毫秒
1.
2.
3.
针对传统智能诊断方法需要专家知识和复杂特征提取,而深度神经网络模型复杂度高、构建难度大,以及单源信号信息不完备等问题,提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点,选择全矢谱技术与深度森林多粒度扫描相结合,用于接收同源双通道信号输入,增强了数据的完备性,并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性,分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究,结果表明,该方法在不同旋转设备上都有很好的诊断效果,并可以实现端到端故障诊断。此外,该方法在小训练数据集上的故障识别准确率也非常高。 相似文献
4.
全矢谱理论将两个单源信号复合成矢量信号来处理信息,可以反映转子在某截面内的真实振动情况.基于全矢谱理论,定义了全矢幅频特性图和三维全矢瀑布图的概念.利用Berdty转子实验台进行了数据的采集.实验显示,所得全矢幅频特性图和三维全矢瀑布图作为机组启停车分析工具,相比单源信号的幅频特性图和瀑布图,振动幅值更加准确明显,解决了原图谱两单源信号间存在幅值大小相差较大的问题,有助于更准确的故障诊断,在大型机组启停车故障诊断中具有广阔的实用价值. 相似文献
5.
6.
7.
8.
9.
全信息小波分析及其在旋转机械故障诊断中的应用 总被引:2,自引:0,他引:2
传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊.在介绍全信息技术的基础上,结合小波分析的频带分离和刻画信号局部特征的能力,提出了一种全新的信号处理方法--全信息小波分析.用小波分析把信号分解到不同的频带,然后把双通道的对应频带的信号用全矢谱技术进行融合,根据融合后的数据进行故障诊断.用全信息小波分析技术对转子的摩擦故障进行诊断,取得了满意的效果. 相似文献
10.
11.
针对传统旋转机械单通道故障诊断的信息不完整以及经典模糊聚类算法中的不足,结合全矢谱技术、密度函数法和模糊核聚类法,提出一种新的旋转机械故障识别方法。该方法首先应用全矢谱技术为特征提取工具,然后以密度函数法求得模糊核聚类的初始聚类中心,最后再用模糊核聚类法建立分类器进行故障识别。实验结果表明,该方法能准确、有效地对旋转机械的工作状态和故障类型进行分类,提高故障诊断的准确率。 相似文献
12.
13.
14.
以齿轮传动系统为研究对象,针对转子振动信号的信息源不足问题,采用全矢谱技术的信息融合分析方法,更真实、可靠地反映出齿轮的振动特征,实现齿轮故障诊断的信息全面和高分辨率的特点. 相似文献
15.
提出结合振动信号高频部分固有模态边际谱能量比例和振动信号总能量共同作为故障特征提取对象的信息融合诊断方法,以实现对高压断路器机械故障诊断的特征提取,并采用ELM极限学习机作为故障分类算法。实验分析表明,该方法能够有效地对真空断路器常见机械故障进行分类。 相似文献
16.
为保证提取出的液压泵故障特征能够更好的对其故障进行表征,本文在研究色散熵(DE)的基础上,结合全矢谱理论,提出液压泵故障特征提取的新方法-全矢色散熵(FVDE).相比于DE,FVDE中的全矢谱计算实现了同源双通道信号的融合处理,能够更好的突出故障信息,提升故障特征提取的效果.液压泵故障诊断实例表明,FVDE对故障状态的区分度更加明显,极限学习机(ELM)的诊断精度也更高,具有一定的优势. 相似文献
17.
为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。 相似文献
18.
《机械强度》2017,(4):792-796
为了更完整的提取转子碰摩故障特征,提出了一种新的转子碰摩故障特征提取方法——全矢局部特征尺度分解(Full vector local characteristic decomposition,FVLCD)。FVLCD将局部特征尺度分解(Local characteristic decomposition,LCD)和全矢谱(Full vector spectrum,FVS)相结合,通过LCD将互相垂直通道的振动信号分解成系列内禀模态分量并用Hilbert变换对其进行解调得到包络信号;然后通过FVS融合包络信号得到相应的全矢谱,在此基础上进行机械故障诊断。转子松动-碰摩故障分析结果表明该方法有效融合两个通道的振动信号信息,获取的故障特征更全面、准确。 相似文献
19.
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络(one dimensional convolutional neural network,简称1D?CNN)对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明:采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机(support vector machine ,简称SVM)对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。 相似文献
20.
针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。 相似文献