基于深度置信网络的工业机器人故障诊断

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％.     

基于平稳工况数据截取的RV减速器故障诊断方法

旋转矢量（Rotary Vector, RV）减速器广泛应用在工业机器人重载关节处,直接影响着工业机器人的工作精度和稳定性。与一般旋转机械设备不同,工业机器人完成各项工作任务时,关节处RV减速器做往复变转速转动,转速的变化会使特征频率、统计指标等产生时变效应,导致故障信息难以提取,为故障诊断带来挑战。文中结合工业机器人RV减速器的运动特点,提出基于平稳工况数据截取的RV减速器故障诊断方法。首先通过引入压缩范围限制因子获取清晰的时频谱图;然后进行基于快速路径优化的脊线提取,并利用构建的滑动窗峰–峰值和均值指标截取脊线平稳段,获取所需的平稳工况数据;最后通过对平稳工况数据进行包络谱分析实现故障诊断。利用RV减速器往复运动振动数据对提出的诊断方法进行验证。结果表明,该方法可实现对平稳工况数据的准确截取,克服了转速变化的影响,成功提取了故障信息。     

燃油泵故障诊断试验装置及试验方案优化设计

针对现有燃油泵测试平台只能够完成简单的功能测试,在多故障模式条件下故障检测率低的问题,设计了一套燃油泵故障诊断试验装置及试验方案,并依据试验结果对方案进行了优化。该装置可针对燃油泵7种典型故障进行故障试验,并实时准确地采集其振动及出口压力信号。对采集到的信号进行故障特征提取,构造不同故障特征向量,比较不同传感器信号组合时的诊断效果,优化了传感器的布局。试验验证表明,该装置能够为燃油泵故障诊断提供可靠的故障数据,并且只需一个振动传感器和一个压力传感器就可以实现对泵的故障诊断,减小了工程应用中机载燃油泵状态监测系统的体积及复杂性。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

基于小波BP神经网络的城轨列车辅助逆变系统故障诊断

在研究城轨列车辅助逆变系统故障诊断模型的基础上,提出一种基于小波包和神经网络相结合的故障诊断方法.该方法首先对采集到的电压信号进行小波降噪,再经过小波包分解和重构,构造特征向量,以此为故障样本对BP（Back propagation）神经网络进行训练,实现智能化故障诊断.实验结果表明：该方法能够很好地诊断出城轨列车辅助逆变系统的故障类型,这为辅助逆变系统的故障诊断和故障动态监测提供了新的参考,具有一定的工程应用价值.     

基于神经网络的高线中轧电机故障诊断的研究

在对中轧电机故障诊断的特点和要求基础上,提出了一种基于神经网络的故障诊断方法。对所采集的高线中轧电机的各参数进行数据预处理与特征提取、归一化后,把这些特征参数作为神经网络的输入,经过学习训练,以判断系统状态,识别系统的故障。工程实践表明该故障诊断方法可行、有效。     

小波分析-模糊聚类法用于滚动轴承故障诊断

为了对减速器内轴承的运行状态进行故障监测和诊断,在对振动加速度信号进行小波分析的基础上,提出了基于尺度-能量谱的特征提取和模糊聚类相结合的滚动轴取故障诊断方法。该方法应用于齿轮减速器JZQ250的故障诊断中,经对大量实测数据的处理和分析,能够比较准确地识别和诊断出减速器的正常运行状态、内圈故障和外圈故障运行状态,具有一定的工程实用价值。     

基于DSP及GPRS的移动设备故障诊断监控系统

考虑到移动设备运行的不确定性，提出了一种故障诊断监控系统，该系统通过基于DSP的数据采集终端对移动设备的状态信号进行采集，并利用现有的GPRS网络与数据处理中心的服务器进行数据通信，达到远程监控的目的。实验结果表明该系统可靠性比较高，数据传输的实时性和准确性较好。     

在轨飞轮故障诊断混合框架设计

为提升飞轮的可靠性,本文对飞轮故障诊断技术进行了研究。通过对基于数学解析模型与基于智能计算的故障诊断方法的对比研究,提出了一种基于神经网络的混合故障诊断方法。该方法首先使用数学解析模型与原系统输出的差值作为一级残差;而后利用该一级残差以及系统可测状态对神经网络进行训练;然后使用混合模型输出的二级残差对系统故障进行检测;最后以飞轮注入母线电压以及电枢电流故障对该方法进行验证:在存在母线电压故障工况下混合模型避免了解析模型电流估计的发散问题,与单神经网络模型相比最大跟踪误差降低了44%。在存在电流故障时,不同的转速工况下与两种单模型相比混合模型的最大跟踪误差降低了90%,跟踪方差减小了10倍以上。混合方法可以有效解决由于解析模型存在建模误差引起的故障诊断不够准确的问题以及由于缺乏训练数据所引起的单神经网络模型不能适应新工况的故障诊断问题。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。     

基于全矢增强深度森林的旋转设备智能故障诊断方法

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。     

一种多参数自确认传感器故障诊断方法

提出了多参数自确认传感器概念,给出了多参数自确认传感器的功能模型.故障诊断单元是实现其多参数自确认功能的重要部分,研究了一种基于偏最小二乘法(PLS)和支持向量机(SVM)的多参数自确认传感器故障诊断方法.利用PLS提取多参数自确认传感器已知工作状态数据的主成分,作为表征多参数自确认传感器各种工作状态的状态特征矩阵,并对其进行特征编码;利用状态特征矩阵作为输入,状态特征编码作为目标训练SVM分类机,得到SVM分类机的参数.在故障诊断单元中,利用PLS在线提取多参数自确认传感器测量数据的状态特征矩阵,输入训练完成的SVM分类机进行分类,最终确认多参数自确认传感器的工作状态.实验结果证明了该方法的有效性.     

粒子群优化的神经网络在故障诊断中的应用

为提高齿轮箱故障诊断性能，建立了以齿轮箱振动信号的时频域特征为输入，以齿轮箱的主要故障形式为输出的神经网络。采用粒子群优化算法代替反向传播算法来训练神经网络的权重和阈值，利用训练后的神经网络对齿轮箱进行了故障诊断，并比较了基于粒子群优化算法与BP算法的诊断结果。结论是基于粒子群优化算法神经网络具有较好训练性能，收敛速度快，迭代步数少，诊断精度高，具有良好的故障识别率。     

Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning

Existing fault diagnosis methods usually assume that there are balanced training data for every machine health state. However, the collection of fault signals is very difficult and expensive, resulting in the problem of imbalanced training dataset. It will degrade the performance of fault diagnosis methods significantly. To address this problem, an imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning is proposed in this paper. Unsupervised autoencoder is firstly used to compress every monitoring signal into a low-dimensional vector as the node attribute in the SuperGraph. And the edge connections in the graph depend on the relationship between signals. On the basis, graph convolution is performed on the constructed SuperGraph to achieve imbalanced training dataset fault diagnosis for rotating machinery. Comprehensive experiments are conducted on a benchmarking publicized dataset and a practical experimental platform, and the results show that the proposed method can effectively achieve rotating machinery fault diagnosis towards imbalanced training dataset through graph feature learning.     

基于FTA的焊接机器人故障诊断技术研究

焊接机器人作为一种大型复杂系统,主要从事焊接、切割与喷涂作业,因其控制对象复杂、处理任务繁多,所以出故障机率较大、诊断难度较高。为了解决焊接机器人故障诊断的盲目性问题,提高诊断效率及运行可靠性,在结合分析焊接机器人故障模式及故障树分析法特点的基础上,将故障树分析法应用于焊接机器人故障诊断中。根据维修经验找出系统可能发生的各种故障原因,由总体至部分,按树枝状结构,采用自上而下逐层细化的分析方法,探讨了新型焊接机器人机械及电气控制系统的故障树模型。并以焊接机焊枪姿态和悬浮高度设置系统故障为例,研究了系统故障树模型的建立,并对此进行定性和定量分析,找出系统的薄弱环节,及时确定故障源。计算结果表明,该方法直观简单,可操作性强,具有很好的实际应用价值。     

基于巡检机器人的变电站设备运行状态监测技术

为及时排查设备故障问题、找出可能存在的安全隐患,提出一种基于巡检机器人的变电站设备运行状态监测技术。巡检机器人通过红外摄影仪采集设备温度数据,凭借可拓展标记语言编辑设备序列、服务器名称及位置信息,明确设备中绝缘介质以及相关缓冲逻辑节点,组建具有周期性号召的数据库,归一化及加权处理输入分量因子,得到运行状态特征向量,利用故障树模型预测和排查设备风险状态,挖掘故障底层原因,从根源解除设备故障隐患,完成全面监测。仿真实验证明,所提方法监测准确度高、用时更短、误报率情况少,可适用性更好。     

基于局部切空间排列和K-最近邻分类器的转子故障诊断方法

为了解决大型机械设备故障数据难以准确快速提取的问题,提出了一种基于局部切空间排列(LTSA)和K-最近邻分类器的转子故障诊断模型。首先基于转子的振动信号构造一个高维多征兆矩阵,利用LTSA提取高维矩阵的低维特征向量,映射在可视空间里;然后将提取的低维特征向量输入K-最近邻分类器进行故障模式识别。试验和数据降维仿真过程表明,该模型的准确度和快速性均优于LTSA和神经网络以及LTSA和支持向量机组成的故障诊断模型。     

基于特征相关性和冗余性分析的机械故障特征选择研究

从特征相关性和冗余性的定义出发，利用特征与类别间的互信息对特征相关性和冗余性进行了度量，提出了一种基于特征相关性和冗余性分析的特征选择方法。数值仿真和柴油机故障特征选择实验结果表明，新方法可以快速、有效地求得优化特征集，是求解特征选择问题的一个较好方案。     

基于EWT和多尺度熵的高压断路器故障诊断

提出了一种以经验小波变换(empirical wavelet transform,简称EWT)和多尺度熵相结合的高压断路器振动信号的特征向量提取和故障诊断的分析方法。首先,将高压断路器的振动信号进行经验小波变换,得到内禀模态函数(intrinsic mode function,简称IMF),选择相关系数较大的IMF进行重构;其次,提取重构信号的多尺度熵作为表征断路器状态的特征向量,采用归一化的方法对特征向量进行预处理并以此作为支持向量机(support vector machine,简称SVM)的输入向量进行分类训练;最后,将测试样本信号故障特征输入训练好的SVM,在SVM核函数参数进行网格算法优化的基础上进行状态识别及分类。实验结果表明,该方法可快速准确地检测高压断路器故障,实现了断路器故障的状态识别。