一种新型DSCNN-GRU结构的减速机轴承故障诊断方法

结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效。为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络。该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性。提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题。通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94%以上,分类效果明显,泛化能力强。     

一种轴承故障检测的新方法

针对轴承故障检测中用一般的谱分析法难以实现故障的精确判定的问题,提出一种新的轴承故障检测方法。考虑到复倒谱法对周期性异常振动特征提取的有效性,利用频谱分析结合复倒谱分析对采集的轴承振动信号进行处理,先通过频域分析获取高、中、低频带的均值,再通过复倒谱方法获取异常振动产生的周期性激励信号提取振动信号特征参数,分离出噪声中的“异音”信号,并结合模糊算法,初步实现了轴承故障的智能定位。实验结果表明,该方法是有效的。在积累足够量的样本数后,可望建立相应的专家库,实现轴承故障的快速智能诊断。     

一种改进基尼指数加权的轴承健康指标构建方法

在轴承的状态监测中,构建一个可以准确描述轴承退化趋势且能及时识别早期退化点(EDP)的健康指标(HI)至关重要。目前大多学者提出的健康指标能较好地描述轴承的退化趋势,但不能准确识别早期退化点。提出了一种改进基尼指数(IGI)加权的轴承健康指标构建方法。利用集成经验模态分解(EEMD)对原始信号进行分解,根据各分量的故障特征能量比(FCER),对其进行加权重构得到重构信号;计算重构信号的IGI;将IGI作为重构信号的FCER进行加权计算,得到最终的指标IGI-FCER-HI。通过两个实验验证了所提方法的有效性,并与其他健康指标进行了对比。结果表明,所提方法构建的指标不仅具有良好的单调性和趋势性,而且能准确监测轴承的早期退化点。     

基于变分自编码器的轴承健康状态评估

针对现有数据驱动型轴承健康状态评估方法普遍存在的特征信息损失大、泛化能力弱和数据依赖强等问题,提出了一种面向高熵特征数据的变分自编码器(variational auto--encoder, 简称VAE)轴承健康状态评估模型。该模型通过学习健康状态下轴承振动信号频谱在特征空间中的高维潜在概率分布,实现对轴承运行健康状态的定量评估。首先,对基于VAE的健康状态评估模型进行理论阐述;其次,建立基于变分证据下界的状态评估指标;最后,通过对比实验证明：变分自编码器在处理轴承运行状态评估方面具有良好的准确度,对异常状态更为敏感;无需人为提取特征和复杂的参数设置,不需对特定的系统进行针对性的参数设置和调校;在小容量训练数据集上仍具备良好的鲁棒性,在工程应用上具有一定的推广价值。     

基于卷积神经网络的带钢表面缺陷检测算法

针对现有带钢表面缺陷检测方法准确率低、特征泛化性不强、参数多、识别速度慢等缺陷,基于卷积神经网络,采用DenseNet网络的密集连接算法解决梯度消失和梯度爆炸问题,堆叠式空洞卷积扩大卷积核感受野,深度可分离卷积减少网络参数量,提出一种用于带钢表面陷检测的深度神经网络模型Ds-DenseNet算法。以NEU带钢表面缺陷数据集为基础缺陷样本,加入正样本,并对其进行数据增强操作,创建AUG-NEU数据集,本算法在AUG-NEU数据集上的测试精度高达99.38%,参数量为117958,仅占DenseNet121和ResNet50参数量的1.7%和0.5%,识别速度高达1.3ms/frame,分别是DenseNet121、ResNet50识别速度的2.3倍和2倍,完全可以满足带钢生产线实时检测的需求。     

轴承早期复合故障诊断的一种非线性检测方法

针对强噪声背景下的信号难于检测的问题,利用混沌阵子对周期信号的敏感性和对噪声的免疫力,提出了一种用Duffing阵子结合欧氏距离检测微弱信号的新方法。该方法采用欧氏距离确定混沌振子由混沌状态向大尺度周期状态转换的临界阈值,并利用欧氏距离的跃变自动识别混沌振子的状态。应用该方法对仿真信号和深沟球轴承的早期模拟故障信号进行分析,验证了其可行性,同时分析了相位差和噪声对于系统特性的影响,并用Simulink进行了仿真。     

基于自归一化神经网络的电弧故障检测方法

电弧故障是电气火灾的重要原因.低压线路发生串联电弧故障时,回路电流波形的时域特征与正常工作状态类似,采用传统的特征提取方法无法完整表达时域信号的全部数据特征,限制了电弧故障的特征表达能力,导致检测结果的误报率和漏报率较高.针对此问题,提出基于自归一化卷积神经网络的电弧故障检测方法.该方法将采集到的不同种类负载的电流时间...     

一种执行机构故障的健康监控方法研究

应用基于模型的方法进行执行机构故障的健康监控,根据健康管理的基本内容,分别应用参数辨识方法进行故障特征提取,应用指数平滑方法进行健康预测,为系统健康管理提供了研究思路.     

基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

基于互相关检测的滚动轴承实时故障诊断方法

提出了一种易于用模拟电路实现的基于互相关检测的滚动轴承实时故障诊断方法,首先,用两个加速度传感器在不同测点采集轴承振动信号,将其分别送入相应通道的高Q带通滤波器来选择最优共振带;然后,将两路带通滤波器的输出信号进行互相关检测,将互相关检测得到的信号经低通滤波器,保留低频故障信号;最后,将低通滤波器输出的时域信号通过频谱分析仪显示滚动轴承故障特征频率的谱线以实现滚动轴承的实时故障诊断。用模拟电路的形式将该方法进行搭建,并在QPZZ-II实测平台完成滚动轴承的实时故障诊断。结果表明:该方法克服了单一信号源的局限性,能利用互相关函数削弱共振带内部噪声,使诊断结果具有更高的频谱辨识率,而且能够用结构简单、易于维护的模拟电路实现,对轴承实时故障诊断方法的应用与普及具有一定的参考价值。     

基于ASTFA降噪和AKVPMCD的滚动轴承故障诊断方法

提出了一种滚动轴承故障诊断的新方法。首次将自适应最稀疏时频分析(ASTFA)方法应用于振动信号的降噪,并针对KVPMCD方法只选择一种最佳相关模型而忽略其他几种相关模型对预测精度贡献的缺陷,提出了一种改进的KVPMCD模式识别算法--人工鱼群算法优化融合Kriging模型的基于变量预测模型的模式识别（AKVPMCD）算法,即采用收敛速度快、鲁棒性强、具有全局寻优能力的人工鱼群智能算法(AFSIA)优化融合多种Kriging相关模型来提高模型预测精度。在此基础上,提出了一种基于ASTFA降噪和AKVPMCD算法的滚动轴承故障诊断方法。实验结果表明,该方法可以有效提高分类识别的精度。     

滚动轴承故障监测诊断技术应用进展

概述了滚动轴承故障监测和诊断工程与试验应用技术的现状,着重介绍了基于振动信号的信号处理方法,并预测了滚动轴承故障监测和诊断技术应用的发展方向。     

轴承故障识别与诊断方法的研究分析

滚动轴承故障的识别和监测是基于滚动轴承运行状态的监测信息,借助各种检测仪器和先进的检测技术,判断轴承是否存在故障,判定轴承故障的程度及其发展趋势。文中分别对各种滚动轴承故障的识别方法和滚动轴承故障的诊断方法及其特点进行分析研究。     

用于滚动轴承故障检测与分类的支持向量机方法

介绍了支持向量机原理与算法，给出了基于支持向量机多类故障层次分类检测模型以及多类故障分类器构建方法及步骤。用滚动轴承实验数据对分类器的性能进行检验，并与神经网络分类器性能进行初步对比，结果证明了支持向量机方法用于轴承故障检测与识别的可行性和有效性。     

[学科发展]风电装备故障诊断与健康监测研究综述

针对风力发电机传动链中的三大部件——复合材料叶片、齿轮箱、发电机的故障诊断与健康监测的发展现状进行文献综述,总结该领域的研究现状及主要方法。综述风电装备中复合材料叶片、齿轮箱、发电机三大部件的主要故障特点、故障形式及诊断难点,并结合国内外相关文献系统地介绍并比较了现有的针对三大部件的故障诊断与健康监测方法,最后对该领域的发展方向进行了展望。     

筒状构件应力集中磁记忆检测补偿方法研究

筒状构件是一种常用的工程构件,一旦发生事故将会造成重大损失,应力集中是导致构件失效的重要原因。磁记忆检测方法是一种有效的应力集中检测方法。对筒状构件进行圆周扫查时,地磁场的作用变化影响磁记忆检测结果,容易造成应力集中区域的误判。建立铁磁质筒状构件外表面地磁场分布模型,探究地磁场在筒状构件外表面作用效果及补偿方法。试验结果显示,对铁磁质筒状构件进行圆周扫查时,法向分量与幅值约为地磁场的2倍。将磁信号法向分量减去2倍地磁场作为筒状构件磁记忆检测补偿方法,补偿后与直线扫查相关系数稳定在0.8以上,优于传统反向补偿法。提出的筒状构件补偿方法有效提高了应力集中区域定位精度。     

An Ensemble Application of Conflict-Resolving ART-Based Neural Networks to Fault Detection and Diagnosis

Accurate fault detection and diagnosis is important for secure and profitable operation of modern power systems.In this paper,an ensemble of conflict-resolving Fuzzy ARTMAP classifiers,known as Probabilistic Multiple Fuzzy ARTMAP with Dynamic Decay Adjustment(PMFAMDDA),for accurate discrimination between normal and faulty operating conditions of a Circulating Water(CW)system in a power generation plant is proposed.The decisions of PMFAMDDA are reached through a probabilistic plurality voting strategy that is in agreement with the Bayesian theorem.The results of the proposed PMFAMDDA model are compared with those from an ensemble of Probabilistic Multiple Fuzzy ARTMAP(PMFAM)classifiers.The outcomes reveal that PMFAMDDA,in general,outperforms PMFAM in discriminating operating conditions of the CW system.