基于模型的夹具故障诊断及传感器布局优化

在最小二乘参数估计的基础上．提出一种基于模型的夹具故障诊断方法。该方法先检验是否存在方差故障，当未检验出方差故障时，再对均值故障进行检验，这样就避免了只检验方差故障而遗漏了存在均值偏移故障的情况。并从抑制噪声干扰、提高故障诊断能力方面考虑，提出优化传感器布局的指标函数，建立传感器布局规划的数学模型。     

基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

基于一致空间法的齿轮传动系统故障诊断

针对齿轮传动系统某些元件参数变化而使系统动态性能变差并有可能使系统崩溃这一情形 ,借助于一致性空间法 ,提出了一种齿轮传动系统故障诊断的新方法。通过一实际传动系统的仿真计算表明 ,该方法可有效诊断齿轮传动系统因元件参数变化而导致的故障。     

基于深度残差网络的机床减速器故障诊断研究

为了进一步提高对机床不同故障的分类准确率,设计了一种深度残差网络。通过对机床振动试验台信号预处理优化网络结果,并进行故障诊断对比分析。研究结果表明：当行数比列数更少时,随着两者差异增加,模型分类准确率显著降低;当行数超过列数后,模型达到了更高的分类准确率并保持相对稳定的状态。CNN网络比浅层模型LeNet表现出了更强识别性能。Short Cut结构具备明显优越性,有助于网络具备更强识别能力。该研究有助于提高减速器的运行效率,可将其拓宽到其他机械传动领域,具有很好的应用价值。     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法.该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率.利用6种轴承状态对所提方法的分类效果进行了测试.实验结果表明,所提方法能直接利用振动信...     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于注意力残差网络的航天器测控系统故障诊断

随着航天器数量的不断增加,快速而准确地对航天器测控系统进行故障诊断尤为重要。针对航天器所处空间环境变化较大、遥测数据成分复杂和故障诊断准确率不高的问题,提出了一种基于注意力残差网络(AM-ResNet)的航天器测控系统故障诊断方法。首先,将原始遥测数据转换成灰度图像;其次,将图像依次通过残差网络和注意力模块,获取具有全局依赖关系的特征图;最后经过卷积、池化操作后利用Softmax分类器进行分类,实现航天器测控系统的故障诊断。实验结果表明,所提出的基于注意力残差网络的航天器测控系统故障诊断方法可将诊断准确率提升至95.68%,与ResNet-18、AlexNet和LeNet-5故障诊断模型相比,诊断准确率分别提高了3.53%、5.62%和16.43%,验证了该方法可以有效提高航天器测控系统故障诊断性能。     

基于PCA的传感器网络的故障诊断分析

主成分分析属多元统计方法,正逐步成为控制领域中一种重要的数据处理方法,用于生产监测和质量控制。本文简要地介绍了PCA中两种常用的图形分析法——Q图和主元得分法,利用统计软件——SPSS对数据进行处理,简化了复杂的运算过程,并对其数据处理过程进行了说明。最后,通过空压机远程监控系统传感器网络的实例模型,运用SPSS软件,说明了这一数据处理方式的简便、有效性和缺陷。     

机械故障信息监测MEMS高频加速度传感器

结合机械故障信息监测的需求,将微机电系统(micro electro-mechanical system,简称MEMS)传感器技术引入到机械装备的振动测量中,介绍了压阻式MEMS加速度传感器的检测原理、结构设计、微加工工艺及其关键技术。以小变形-大应力为敏感结构设计思路,研制了梁膜结构、孔缝双桥结构以及复合多梁结构3种高频加速度传感器,以满足高速制造装备的振动信号监测对传感器的需求。通过静态、动态性能测试实验可以看出,3种结构均在一定程度上提升了传感器的测量性能,实际测振实验也说明所研制的MEMS加速度传感器具备了装备振动信号检测所需的功能。具有微型化、低成本以及可大规模生产潜力的MEMS传感器的发展为高端机械制造装备的发展提供了新的器件支持,推动主轴部件等的智能化、一体化发展。     

基于动态PCA与改进SVM的航空发动机故障诊断

为了对航空发动机进行高效地故障诊断,确保飞机的飞行安全,提出了一种基于动态主元分析和改进支持向量机的航空发动机智能故障诊断方法。该方法结合了动态主元分析(principal component analysis,简称PCA)在特征提取方面和改进支持向量机（support vector machine,简称SVM）在故障诊断方面的优势。动态PCA方法对所涉及的过程变量进行去噪、降维、消除相关性等预处理和特征提取,采用改进SVM方法将所得的特征向量进行故障诊断诊断。所提出的方法可解决航空发动机模型精度和传感器测量参数有限情况下的滑油系统故障诊断精度差、效率低和易误诊、漏诊等问题。以某型真实航空发动机滑油系统为例,对提出方法的有效性进行试验验证。结果表明,采用的动态PCA和改进SVM故障诊断方法能有效提高故障诊断正确率,实现航空发动机滑油系统故障诊断的效能,具有较好的应用价值与前景。     

基于PCA和SVM的内燃机故障诊断

为有效对内燃机运行状态进行评估,根据内燃机振动信号特征和故障样本较少的特点,提出了基于主分量分析和支持向量机进行内燃机状态判别的故障诊断方法。提取内燃机振动特征参数,利用主分量分析消除其信息冗余,提取反映内燃机运行状态的主分量特征,实现内燃机振动特征参数降维。通过选择适合内燃机振动信号的径向基核函数,构造一对多的支持向量机多类分类器,对主分量特征进行训练学习,实现内燃机运行状态判别。通过对模拟内燃机不同运行状态的试验分析,结果表明该方法可以有效识别内燃机不同的运行状态。     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

基于PCA和改进型SVM的齿轮裂纹故障诊断方法

由于齿轮裂纹特征难于提取,且常用的特征分类方法易于出现局部最优和过拟合的问题,本文提出了基于主成分分析法(Principal Component Analysis,PCA)和改进型支持向量机(Support Vector Machine,SVM)的齿轮裂纹故障诊断方法.该方法的主要特点是通过PCA方法对齿轮箱振动信号的...     

主元分析法在MIMO系统中的故障检测与诊断研究

针对多输入多输出对象应用多元分析方法实现系统的故障检测与诊断,能够有效克服机理分析法诊断的缺点,既可以消除各变量之间的关联,也减小外界噪声的影响。通过对多变量液位控制进行试验验证,主元分析法能够有效地对生产过程进行监测,并准确及时地分析判断系统中发生的故障。     

加权多尺度形态滤波在轴承故障诊断中的应用

滚动轴承故障信号中通常包含了周期性出现的冲击衰减成分,冲击频率反映了轴承发生故障的位置信息。多尺度形态滤波可以提取分布在不同尺度下的冲击特征,为了更准确的反映不同尺度分析结果的贡献,提出了一种评价冲击特征提取效果的指标,并以此计算权值对多尺度分析结果进行加权综合。仿真信号和轴承外圈故障信号的分析结果表明,加权多尺度形态滤波方法可以有效提取强背景噪声下的冲击特征,为滚动轴承故障诊断提供了一种有效的手段。     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

深度残差网络在滚动轴承故障诊断中的研究

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),...     

大数据统计趋势分析和PCA的滚动轴承早期故障诊断

针对短时、小样本数据下提取的特征对早期故障敏感度和故障演化过程稳定度低、信息冗余的问题,提出了大数据统计趋势分析和核主元分析方法(Principal component and analysis,PCA)的滚动轴承故障演化特征提取和早期故障诊断方法。采集滚动轴承正常状态到完全失效状态的全寿命振动数据,计算原始数据中不同故障严重程度下的时频统计特征,建立各个统计特征描述的故障演化趋势,分析各个统计特征描述的故障演化特性,初步选择能够敏感且稳定感知故障演化过程的统计特征集,利用PCA分析初选结果中各个统计特征间的相关性和贡献度,进一步剔除冗余特征,最终得到能全面表征故障演化过程的特征。最后,使用滚动轴承全寿命振动数据验证本文所提方法的有效性。实验结果证明,标准差、均值频率、标准差频率等特征能敏感地检测滚动轴承早期内环故障并稳定跟踪其演化过程。