改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。     

多尺度特征自适应融合的气动控制阀故障诊断

气动控制阀作为过程工业典型的终端执行机构,由于故障发生率高、故障类型繁多,导致故障识别难度大,且故障后果 严重,因此对其进行智能的故障检测和诊断具有重要的实际意义。 本文提出了一种多尺度特征自适应融合网络用于气动控制 阀故障诊断。 首先,搭建了融合自注意力机制的多尺度特征提取网络自动提取信号的空间特征和细节特征。 然后,设计了权重 自适应特征融合网络对多尺度特征加权融合,提高模型对故障特征的表征能力。 最后,由长短时记忆神经网络和 SoftMax 函数 实现特征识别和故障分类。 实验结果表明,该模型在 DAMADICS 阀门基准实验平台上的平均检测准确率达到 96. 82% ,均高于 其他对比模型。 与最近发表文献中的检测结果对比发现,本文开发的模型在可检测的故障数量和检测准确率方面也具有一定 的优势,并且通过实验验证了模型的检测性能。     

基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法

传统卷积神经网络模型采用单一类型卷积核，面对复杂工况下的实际数据时存在特征提取不充分，故障识别率低等问题，因此提出了一种基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法(MCK-CNN)。首先，将轴承一维振动信号经过小波变换转换为二维时频图，将时频图经过一个共同的特征提取网络初步进行特征提取后并行经过一个常规的Convolution和Involution卷积网络；然后，经过2个由不同卷积核构成的网络进行不同方式的特征提取并通过CBAM注意力模块将两类特征自适应地融合；最后，将融合特征输入全连接层并通过Softmax函数输出分类结果。CWRU和实验室轴承数据集的试验结果表明，MCK-CNN模型的训练效率和故障识别率均较高。     

[设备健康管理]基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明：该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

一种改进1DCNN的滚动轴承变工况故障诊断方法

针对滚动轴承在强噪声背景时运行存在不同工况下样本分布不同而导致传统模型诊断精度较低的问题，提出一种改进一维卷积神经网络的滚动轴承变工况故障诊断方法。以一维卷积神经网络模型为基础，通过全局均值池化代替全连接层，减少模型训练参数，同时在全局均值池化层引入最大均值差异域自适应迁移学习实现滚动轴承变工况故障诊断。与ResNet和1DCNN+DA等方法的对比分析表明，将1DCNN模型中的FC层通过GAP层代替并与DA迁移学习相结合，能够提高整个模型的泛化性和诊断精度。     

基于CBAM-CNN的滚动轴承故障诊断方法

针对传统轴承故障诊断需要依靠先验知识和专业技术的问题,提出一种端到端的流程架构和基于卷积神经注意力模块-卷积神经网络(Convolutional Block Attention Module-Convolution Neural Network, CBAM-CNN)的滚动轴承故障诊断模型,该方法能够自适应提取故障特征,摆脱了对人工处理复杂信号的依赖。首先,将一维故障振动信号转换为二维图像,并用伪彩色将其变为RGB三通道图像;其次,通过注意力机制CBAM模型,注重其重要的特征信息,调整权重参数,之后将其输入卷积神经网络,并添加Dropout层来增强模型的鲁棒性,添加L2正则化来防止过拟合且提升模型的泛化能力;最后,对不同类型的滚动轴承故障进行分类,完成滚动轴承故障诊断。为了验证CBAM-CNN模型的性能,使用了美国凯斯西储大学轴承实验台数据集进行验证,并将该网络模型应用于轴承实验台。结果表明,与其他诊断方法相比,该方法不仅结构简单,而且诊断高效,故障诊断效果良好。     

基于振动信号的滚动轴承故障诊断方法综述

目前，国内外学者在滚动轴承故障诊断研究中大多数采用基于振动信号的数据驱动方法。在此对基于振动信号的信号分解、浅层机器学习和深度学习3类滚动轴承故障诊断方法总体技术路线进行了总结分析，指出了具体方法的实现路径和应用现状，尤其对深度学习方法应用中存在的2个问题(跨域和小样本)进行分析并总结了当前的解决思路。最后，对3类方法今后在工业应用中的趋势进行了展望。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法.首先,对多传感器振动信号分别进行特征提取,将获得特征...     

基于非线性特征融合的高速装备故障诊断方法

针对高速数控装备的复杂非线性特性,基于改进证据理论和非线性特征提出了一种新的故障诊断方法。分析了高速运行状态下数控装备的故障特性,提取出一组反映系统非线性特性变化的故障特征向量。给出了基于证据理论的多类型故障识别模型,并利用模式之间的相似度获取各个证据的mass函数。为解决冲突情况下的多个证据合成问题,提出一种基于平均信任度的动态参数冲突证据合成方法。仿真实验结果表明,在证据存在冲突的情况下,该方法识别率高,适合于具有非线性特性的高速装备故障诊断。     

谱质心迁移在变工况轴承故障诊断的应用

轴承故障诊断普遍存在需建立不同模型以适应变工况的问题,故提出一种谱质心迁移学习模型,通过将源工况领域迁移至目标工况领域减少后者的建模代价,并增强模型通用性。首先计算两工况领域间频谱相似度(FSSM)并排序选择近距离源工况领域为初始训练集。其次在迭代过程中剔除与训练集谱质心均值距离较远的样本,并加入同数量目标工况领域无标签样本,直至两者谱质心均值距离一致,模型故障类别取决于支持向量机(SVM)和逻辑回归(LR)基分类器的输出。Spectra Quest齿轮传动系统试验结果表明,转速负载发生变化时,该模型诊断性能优于非迁移模型,且能够根据替换样本数、精度、频谱相似度、耗时等指标评估源工况领域质量,因此具有解决变工况轴承故障诊断问题的潜在价值。     

基于信息融合子域适应的不同工况下谐波减速器故障诊断方法

针对工业机器人谐波减速器不同工况数据分布差异大,部分工况数据标签缺失以及单一传感器获取信息不全面,导致 诊断准确率不高的问题,提出一种信息融合子域适应的不同工况下谐波减速器故障诊断方法。 该方法将源域和目标域一维振 动数据利用小波变换构建时频图;使用基于小波变换的图像融合方法整合多个传感器的时频信息并构建融合图像;提出多表示 特征提取结构的改进残差网络以充分挖掘融合样本多表示特征,同时,在无监督场景下将源域和目标域融合样本的多表示特征 进行子域适应处理,减小两域的各个子域间的分布差异,从而将知识从标签丰富的源域迁移到标签缺失的目标域,最终实现不 同工况下谐波减速器的故障诊断。 通过搭建工业机器人谐波减速器故障实验台并进行实测,所提方法在所有迁移任务中平均 准确率可达 98. 8% ,能够有效实现无监督场景中不同工况下谐波减速器的故障诊断。     

基于振动信号分析的乳化器故障诊断系统

为了提高对乳化器故障的及时而准确的诊断,首次提出了基于小波包分析理论处理振动信号的乳化器故障诊断系统。根据粉状乳化炸药生产线上乳化器的结构特征,并分析当其发生不同故障时所产生的不同振动频率特征,基于小波包分析理论,设计了由工业控制计算机(IPC)、可编程控制器(PLC)、信号调理器及振动传感器等组成的乳化器故障诊断系统。并结合SQL Server、VB和Matlab等开发工具实现该故障诊断系统。测试结果表明,该系统具有可靠的诊断功能和可观的经济价值。     

模糊信息融合在电路故障诊断中的应用研究

多传感器信息融合技术已成为一个十分活跃的研究领域,它应用的范围越来越广。该文给出了模糊信息融合实现电路故障诊断的方法,通过检测电路工作时电子元件的温度和关键点电压两方面的数据信息,结合模糊信息处理技术,对这两方面的数据信息进行融合,从而确定故障元件,并说明多传感器信息融合方法在电路故障诊断中的优越性。     

基于模糊积分的空分设备故障诊断

D-S证据理论作为空间数据融合的方法应用于工业设备的故障诊断中,具有很好的效果,但是对于具有时间特性的设备故障,就必须考虑时间域上的数据融合才能得到设备故障的准确模式。该文提出了将模糊积分方法用于时间域上的数据融合,并应用于空分设备的故障诊断中。通过仿真实验证明,模糊积分数据融合方法可以有效地提高空分设备故障诊断的可靠性和故障识别率。     

基于Internet的设备远程监控与故障诊断

随着Internet技术的不断发展,设备远程监控与故障诊断成为故障诊断技术发展的必然趋势。本文分析了设备远程监控与故障诊断的结构及工作模式,介绍一种基于Internet的设备远程监控与故障诊断系统,该系统利用现代计算机网络、通讯及自动控制等多项技术,将现场数据采集与处理,实时监控与决策等环节有机的结合,并利用专家系统中的知识库和远程诊断专家对设备故障做出诊断,提高设备故障诊断的可靠性和智能化水平,实现监测,控制与诊断的一体化。     

基于Internet的设备远程故障诊断中心体系结构的研究

介绍了基于Internet的设备远程故障诊断中心的Browser/Server的体系结构、构成设备远程故障诊断中心的基本框架，并阐述了该Browser/Server体系结构下系统主要功能模块，同时指出了设备远程故障诊断中心的重要性与待解决的关键技术。     

基于免疫机理的设备异常度检测与故障诊断快速融合方法研究

针对设备异常度检测与故障诊断相分离的问题,首先基于数据势场理论,对设备状态空间的划分方法进行研究,在此基础上详细地研究了设备异常度检测与故障诊断快速融合诊断的机理,提出了应用于设备融合诊断的单故障非己势场检测器.然后以凯斯西储大学轴承标准数据集为例,对所提出的设备快速融合诊断方法的合理性进行了验证.最后通过故障隶属度曲线,证明了所提出的融合方法的有效性.     

变转速工况下基于多传感器信号深度特征 融合的电机故障诊断研究

本文提出一种利用多传感器信号深度特征融合的方法实现电机变转速工况下的故障诊断。首先从多传感器节点同步采集电机的多通道振动、声音和漏磁信号。对漏磁信号进行处理获取电机转子的累积转角曲线,随后利用累积转角曲线对振动和声音信号进行阶比分析处理。最后利用双层双向长短期记忆网络从经过预处理的多传感器信号中提取和融合特征以诊断电机故障。实验结果表明,通过提取和融合8通道的电机振动和声音信号,本文提出的方法能够有效识别电机的高阻接触、偏心、霍尔断线、相间短路、轴承等10类运行状态,分类准确率达到99.86%。该方法有望部署在物联网边缘计算节点中,实现电机的远程在线状态监测和故障诊断。