基于注意力机制和LeNet5网络的转子系统故障诊断

设备振动参数高效处理的要求在数据分块时选用经验值方法的条件下难以实现,这会降低重构数据精度。为了进一步提高旋转机械故障诊断能力,提出了一种基于注意力机制和LeNet5网络的故障诊断方法,并成功应用于转子系统上。研究结果表明：对比传统的LeNet5网络,所提方法打破无注意力机制的局限性,整体优越性更强,参数设置无改变。将注意力机制加入LeNet5网络后,极大提高了故障识别的准确率以及模型的训练速度。相比较其它方法,文中所述方法的故障类型检测结果明显是精确率最高的,均在95%以上,满足实际的要求。在诊断旋转机械故障时,结合卷积神经网络及注意力机制进行测试研究,最终证明此方法可行性较高,该研究院可以拓展到其它机械传动领域,具有一定应用价值。     

基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究

旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰。基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一。针对以上问题,提出一种基于双向长短时记忆网络（Bi-LSTM）和自注意力机制的旋转机械故障诊断方法。首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率。实验结果表明：本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高。     

基于Wavelet-HMM的旋转机械故障诊断方法研究

隐Markov模型是一个双随机过程，适用于动态过程的时间序列的建模并具有强大的时序模式分类能力，特别适合非平稳、重复再现性不佳的信号分析；小波变换具有多分辨率分析的特点，在时频两域都具有表征信号局部特征的能力。文中将小波变换和隐Markov模型相结合，提出基于小波变换的HMM状态识别法，利用Daubechies小波进行8尺度的小波分解，然后从小波分解结构中提取一维信号的低频系数作为特征向量，将其输入到各个状态HMM来进行训练，其中输出概率最大的状态即是机组运行状态，从而实现状态的识别，实验结果表明该方法很有效。     

注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法

针对不同工况下旋转机械数据分布存在差异导致故障特征无法精确表征问题,提出注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法。首先,将频域特征以单边谱形式输入深度卷积神经网络,保留原始信号特征的同时减小网络输入维度,有效提升网络训练效率。然后,挖掘两域样本特征形成对应域分布式特征表达,以小型通道注意力机制关注两域形成的特征通道间的内在联系,聚焦两域故障本质特征。进而,以最小均值差异距离为度量,最小化特征通道分布差异,实现故障特征迁移适配。最后,通过全连接层整合适配后的分类信息,实现不同工况下旋转机械故障诊断。通过不同工况下两组旋转机械故障诊断试验,证明了所提方法具有较高的诊断精度和泛化能力。     

旋转机械故障的灰色网络诊断分析

利用神经网络的高度并行运算功能,将灰色关联度分析和人工神经网络技术相结合,形成灰色网络诊断系统,对旋转机械常见故障进行了振动机理分析和诊断研究。从中可以看出,利用此系统诊断设备的故障,计算简单,准确度高。     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

基于深度Q学习策略的旋转机械故障诊断方法研究

传统的旋转机械故障诊断方法需要人工提取故障特征,且该方法受环境噪声的影响较大,针对这一问题,提出了一种基于深度Q网络强化学习的旋转机械故障诊断模型。首先,以一维故障信号作为模型的输入,以各故障的故障类型作为当前输入的可选动作;然后,采用基于统计的随机置零方法以提高模型的抗噪能力,再通过深度学习网络,有效提取了各故障的故障特征,拟合了当前状态动作对的Q值,并采用深度Q学习模型完成了对各个故障类型的识别;最后,通过故障模拟试验台及美国西储大学轴承故障数据进行了模拟实验,并将该方法与传统机器学习方法,以及一维卷积神经网络模型进行了比较,以证明该方法在噪声环境下的优良表现。研究结果表明:在信噪比为-4 dB时,采用该故障诊断模型对旋转机械故障的识别准确率可以达到78%;采用该方法可以准确、稳定地对旋转机械进行故障诊断。     

噪声标签下注意力特征混合的旋转机械故障诊断

实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能 降低,故提出注意力特征混合的旋转机械故障诊断方法。 首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随 机分组和特征交互构建正确标签样本组、部分噪声标签样本组和噪声标签样本组;其次,引入注意力机制计算各样本组内样 本相关性对各组样本分配权值,得到能区分部分噪声样本组中噪声标签样本的差异性权值;然后,根据权值对每组样本进行 混合(Mixup) ,通过对噪声标签样本插值并在反向传播中更新注意力层参数降低噪声标签样本所占比例;最后,利用在线标 签平滑(OLS)统计模型预测信息更新软标签,通过降低噪声标签样本对模型损失更新的影响,进一步抑制噪声标签样本组的 负面影响。 在不同程度的噪声标签干扰下的旋转机械故障数据集上进行实验验证,检测精度均达到 95% 以上,证明了所提 方法的有效性。     

基于AIS的核动力旋转机械故障诊断方法

人工免疫系统(AIS)具有强大的学习能力和模式识别能力,因此,将其应用到故障诊断领域中来是非常有必要的.从现有故障诊断方法中存在的问题出发,提出了一种新的基于AIS的故障诊断方法,并简要介绍了AIS与其它优化算法(如HMM)相结合的故障诊断方法.     

基于小波分析和支持向量机的旋转机械故障诊断方法

提出了一种基于小波分析和支持向量机相结合的旋转机械故障诊断方法.首先运用小波包对振动信号进行分解和重构,然后提取各个频带里的信号能量值,将该能量值作为特征参数输入到支持向量机,进行故障模式识别.通过对实验数据的分析表明,与BP神经网络相比,该方法可以获得更高的旋转机械故障诊断准确率.     

基于小波卷积与注意力机制的RV减速器齿轮箱故障诊断

在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization, BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明：基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%～12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到...     

基于注意力机制的滚动轴承故障诊断方法

针对传统故障诊断方法无法自适应选择特征以及难以应对负载变动、噪声干扰的问题，提出一种基于注意力机制的端对端故障诊断方法，通过卷积神经网络(CNN)对原始振动信号进行空间特征提取，基于双向长短时记忆网络(BiLSTM)提取时序特征，利用注意力机制判断BiLSTM各时刻隐藏层状态的重要性并赋予相应的权重，对所有时刻的隐藏层状态进行加权求和，并以Softmax层作为分类器进行故障诊断。利用VALENIAN-PT500实验台采集的数据和公开数据进行实验验证，结果表明，所提方法诊断精度高、泛化性强，在变负载和噪声干扰条件下能保持良好的故障诊断性能。     

基于CHMM的旋转机械故障诊断技术

隐马尔可夫模型(Hidden Markov model,HMM)是一种具有较强的时间序列建模能力的信号模式处理工具, 在语音处理中获得了广泛应用,特别适合于非线性、重复再现性不佳的信号的分析。基于振动信号与语音信号的相似性,将CHMM(Continuous Hidden Markov model)引入了旋转机械的故障诊断中。采用12阶LPC倒谱系数进行特征提取,建立CHMM,为防止数据下溢,引入前向一后向比例因子算法求其对数似然概率,并且采用K-means 算法对CHMM进行参数初始化。在给定的观测序列中每一种模型的优化路径通过Viterbi算法实现,用Baum-Welch 算法实现参数重估,并给出了重估公式。最后,在转子试验台上模拟了四种故障试验,建立了四种故障的CHMM 模型,通过求其最大似然概率值来决定机器的运行状态,试验结果证明了该方法的有效性。     

示波器在旋转机械故障简易诊断中的应用

介绍一种转轴振动的直接测量的方法，并利用在示波上显示的轴心轨迹图，时基图对振动的幅值、相位、频率等振动特性进行分析。还将根据轴心轨迹图的变化对机组的典型故障进行简易诊断。     

基于全矢谱和径向基概率神经网络的旋转机械故障诊断方法研究

结合全矢谱和径向基概率神经网络的优点,提出一种故障诊断的新方法,该方法是以提取全矢幅值谱的特征输入到径向基概率神经网络分类器进行故障识别.试验结果表明,该方法与传统单通道相比故障正确识别率很高,把它应用于旋转机械故障诊断是有效的.     

可视化旋转机械故障智能诊断系统设计

介绍了可视化旋转机械故障智能诊断系统设计基本思想、方法和关键技术。讨论了旋转机械故障智能诊断专家知识的获取、可视化专家知识库的建立,及由专家规则、模糊逻辑、神经网络于一体的组合智能推理机。实现了信号采集与分析、特征参数的自动识别与提取、可视化专家知识库和组合智能推理机的集成。编制了整套系统软件,开发了一套故障智能诊断装置,对旋转机械典型故障进行智能诊断,诊断出机组运行中可能存在的故障种类、故障严重程度,故障发生时间及故障治理的专家建议,即可实现故障的检测、故障分离、故障辩识、故障对策等,并具有网络化功能。     

基于稀疏注意力机制的齿轮早期磨损故障诊断研究

在齿轮故障诊断领域中，对齿轮早期磨损故障实现有效诊断具有重要意义。然而，早期磨损故障特征弱，诊断难度大。针对该问题，提出了一种基于稀疏注意力机制的齿轮早期磨损故障诊断模型，采用一种新的稀疏注意力机制结合卷积神经网络，改进传统分段序列注意力机制，实现了具体故障频率定位。应用齿轮箱故障模拟实验数据进行测试验证，相比其他诊断方法，所提方法能够在同等样本条件与计算代价下，实现更为准确全面的诊断，降低分析成本，获得敏感故障特征频率，为齿轮维护提供数据支撑。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于微分局部均值分解的旋转机械故障诊断方法

提出一种基于微分局部均值分解(Differential local mean decomposition,DLMD)的旋转机械故障诊断方法。该方法在局部均值分解(Local mean decomposition,LMD)过程中融入微分和积分运算。对原始信号进行k阶微分,然后对微分后信号进行LMD分解,对分解得到的各乘积函数(Production function,PF)分量循环进行一次积分和一阶LMD分解,直至循环k次,得到m个PF分量和残余分量,将所有PF分量的瞬时幅值和瞬时频率组合,便可以得到原始信号完整时频分布。将该方法应用于旋转机械故障诊断研究中,通过仿真和试验进行分析研究,结果表明,基于微分局部均值分解的旋转机械故障诊断方法能够有效地抑制虚假干扰频率,提高旋转机械故障诊断准确性。     

旋转机械故障诊断技术的研究现状及发展趋势

随着现代工业技术的不断发展,越来越多的旋转机械被应用到企业的生产中,这对旋转机械故障诊断技术的研究也不断提出新的要求。本文对旋转机械故障诊断技术的内容进行了介绍,并对国内外旋转机械故障诊断的发展现状进行了详细论述,最后对其发展趋势进行了展望。