基于元学习技术的变工况齿轮故障诊断方法

在变工况齿轮故障诊断过程中，存在齿轮运行工况多变、故障样本数据少、数据分布性差异大和故障数据非均衡性等问题，导致传统的深度学习模型通用性差、诊断准确率不高。针对这些问题，提出了一种基于元学习技术的变工况齿轮故障诊断(VWFD)方法(模型)。首先，采用重叠采样技术，对齿轮的原始振动信号进行了重采样，增加了故障样本的数量；其次，对重采样的故障数据进行了短时傅里叶变换(STFT),将其转化为时频特征图，使其数据形式更加符合模型的输入，以便于后续提取更完善的故障特征；然后，将Inception模块引入到基于元学习技术的原型网络中，以提高其特征表达能力，获取更加全面的齿轮故障特征信息；最后，基于优化的原型网络，建立了各类故障的度量类原型，采用度量分类器进行了故障分类，对变工况下的齿轮故障进行了诊断；为了验证VWFD模型结构与Inception模块引入位置和数量的合理性，设计了一系列对比实验，并对实验结果进行了分析。研究结果表明：与采用其他故障诊断方法得到的结果相比，采用VWFD方法所得到的诊断精度更高，如在相同负载、不同转速变工况类型下的5-way 5-shot实验组中，VWFD的平均诊断精度高...     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。     

加权动态时间扭曲的不平衡结构转子故障诊断

为了弥补实际工业数据和实验实验室数据之间的差距，提出了一种基于加权动态时间扭曲的不平衡结构转子故障诊断方法。通过使用基于故障信息内容的加权方案改进的软动态时间扭曲方法处理数据安全性和不平衡问题。在故障分类阶段，引入了一种结构转子故障的早期分类方法，通过仅将准确度作为目标来开发序列深度学习分类器，然后通过考虑准确性和早期性来定义早期决策策略。在试验台数据集上产生的结果证明了提出方法能够有效提升结构转子故障诊断的精度，并且有效同化数据之间的差异。     

基于小波包去噪的循环自相关方法在轴承故障诊断中的应用

针对在轴承故障诊断中提取到的信号(包含噪声干扰)及表现出的复杂调制特性,采用小波包方法对信号进行降噪处理,以提高数据的准确度和精度,采用循环自相关的方法进行信号的解调处理,有效的提取故障特征频率。结果表明,用仿真信号将小波包降噪结合循环自相关方法应用于滚动轴承的内、外圈及滚动体的故障诊断,可以有效地提取出轴承的故障特征频率。     

基于平移不变多小波变换的齿轮故障诊断

机械设备发生故障时,反映设备故障特征的振动信号常淹没在背景噪声中,直接做频谱分析,很难提取其故障特征。将平移不变多小波降噪方法应用到仿真加噪冲击信号,提取出隐藏在噪声中的冲击特征。然后将该方法应用于齿轮箱试验台信号分析中,试验结果表明,平移不变多小波降噪方法能够有效地提取出齿轮箱断齿故障的冲击特征频率,诊断出齿轮箱的断齿故障,为故障诊断提供了准确的依据。仿真与试验分析验证了平移不变多小波降噪方法在故障诊断中的有效性。     

基于小波分析的矿用通风机故障诊断研究

针对矿用通风机故障特征中高频信号带来诊断误差大的问题,提出了一种基于小波分析的矿用通风机故障诊断方法。首先利用小波分析方法对采集到的通风机轴承振动数据进行降噪处理,实现诊断数据中干扰噪声的有效消除;然后对获取的特征数据进行Hilbert变换,能够求解出特征数据中的故障特征频率,克服了传统故障诊断方法中干扰噪声大的缺点。对矿用通风机轴承实测数据分析表明,所提方法能够高效处理故障特征信息,实现轴承故障的精确诊断。     

样本不平衡下基于自定步调集成的液压系统智能诊断方法

在液压系统智能诊断中，样本不平衡将使得智能诊断模型容易学习到样本充裕的液压系统健康状态的诊断规则，忽略样本匮乏的健康状态诊断规则，致使模型诊断精度下降。针对上述问题，提出基于自定步调集成的液压系统智能诊断方法。该方法首先将多数类样本集根据不同的硬度等级分为k个容器；然后通过欠采样平衡每个容器对分类硬度的贡献，使重采样后每个容器中的样本硬度总和一致；在训练过程中不断更新自步因子，用来降低样本数量过多的容器采样权重，经过n次迭代形成最终的集成诊断模型。将提出方法应用于液压系统不同故障数据集进行智能诊断，结果表明，该方法能够提高样本不平衡情况下液压系统故障识别的准确率，且诊断结果优于传统的智能故障诊断方法。     

应用变精度粗糙集获取柴油机故障有效监测点

提出基于变精度粗糙集(Variable Precision Rough Set,简称VPRS)理论获取柴油机故障有效监测点的方法.通过变精度粗糙集在不同精度时分类近似质量的计算,得到柴油机在不同采集点的分类近似质量,进一步计算出各采集点条件属性与决策属性的近似依赖值,得出在故障监测中最敏感的状态信息监测点.通过变精度粗糙集理论对采集点数据的处理,找出故障诊断系统中最有效工作状态监测点.有效信息的采集,可以最大限度地减少噪声对故障诊断的影响,提高故障诊断系统的工作效率和准确率.     

基于ISVD多级降噪和SVM的轴承故障诊断研究

在强噪声背景下难以提取出滚动轴承的故障特征，导致对轴承的故障诊断准确率不高，针对这一问题，提出了一种基于小波变换、改进奇异值分解多级降噪算法与支持向量机模型的轴承故障诊断方法。首先，采用小波降噪对滚动轴承的原始信号进行了初始降噪，消除了部分的随机噪声；然后，主要通过改进相空间矩阵重构方式，对该信号进行了改进奇异值分解二次降噪，并提出了新的奇异值有效秩阶次确定方法，利用峭度对一维信号提取方案进行了优化，并对其完成了降噪；最后，通过提取了10个有效特征，结合支持向量机在MATLAB中进行了仿真实验，分析了不同特征对轴承的故障诊断结果的影响，并将方法与其他方法进行了对比分析。研究结果表明：采用多级降噪算法降低了轴承工作状态下的背景噪声，使其故障特征频率更为明显；支持向量机分类诊断器的故障识别准确率达到98.3%,能够有效地识别轴承故障发生的位置和严重程度。     

基于角域重采样与VMD的电梯曳引轮轴承故障诊断方法

针对曳引轮轴承故障诊断效果易受变转速工况和环境噪声影响的问题，提出了一种基于轿厢运行速度估计曳引轮转速的角域重采样方法，以及基于麻雀搜索算法(SSA)优化变分模态分解(VMD)参数的曳引轮轴承故障诊断方法。首先，采用轿厢运行速度估计曳引轮转速的方法，对曳引轮轴承振动信号进行了角域重采样；然后，采用SSA算法优化VMD参数的方法，对振动信号进行了分解，并根据最大峭度准则选取了分量，提取了曳引轮轴承故障特征指标；最后，搭建了电梯试验台，开展了故障注入试验，构建了多种分类模型，对基于角域重采样与SSA-VMD的曳引轮轴承故障诊断方法的有效性进行了验证。研究结果表明：曳引轮轴承角域重采样后的诊断效果明显优于未角域重采样的诊断效果，故障识别率提高了5%以上；实验条件下采用SSA-VMD方法能够准确地提取曳引轮轴承故障特征，故障识别率可达到95%。     

风电齿轮箱故障诊断的SVM参数优化

针对风电齿轮箱易出现齿轮断齿、点蚀、磨损等故障问题,提取风电齿轮箱非平稳非线性振动信号的提升小波包能量熵,利用支持向量机(SVM)进行故障诊断。为提高算法的分类精度,利用遗传算法对参数进行优化处理,试验结果表明,优化后获得的最佳参数能够提高SVM测试样本的预测精度。     

基于EEMD小波阈值去噪和CS-BP神经网络的风电齿轮箱故障诊断

针对风电机组齿轮箱中齿面点蚀、齿轮磨损、断齿等故障的诊断问题,提出一种基于EEMD小波阈值去噪和布谷鸟算法优化BP神经网络的故障诊断方法。采用EEMD分解和小波阈值去噪方法对故障振动信号进行数据预处理,抑制原始振动信号中的噪声干扰。利用布谷鸟算法优化BP神经网络对预处理后的信号进行诊断。小波阈值能更好地对EEMD分解中的高频分量进行去噪处理,CS-BP神经网络具有准确的模式识别精度和出色的全局寻优能力。通过实例仿真表明,提出的故障诊断方法具有良好的诊断精度、速度和成功率,具有较高的应用价值。     

基于次优网络深度学习的3D打印机故障诊断

为实现精度可靠且成本节约的3D打印机故障诊断,采用消费品级的姿态传感器采集打印机的健康状态数据,并提出次优网络深度学习以弥补低成本硬件精度的不足。次优网络深度学习在由预训练和精细调节组成的传统深度学习基础上,一方面提出预分类方法自适应确定次优的网络结构参数,另一方面采用精细分类方法进一步提高故障诊断分类的精度。试验中,将姿态传感器安装于并联臂3D打印传动链的末端即打印头上。传感器全部通道的运动信号作为输入信息,采用深度玻尔兹曼机构建了次优网络故障诊断算法进行大数据驱动的故障诊断。将所提出的次优网络深度学习故障诊断方法与其他方法相比较,其结果表明,所提出方法可以有效诊断3D打印机的传动故障。     

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE) (FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法.首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数.试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法.     

基于MED-SVM的齿轮箱故障诊断方法

为了解决齿轮箱的故障诊断问题,提出了一种基于最小熵反褶积(Minimum Entropy Deconvolution,MED)和支持向量机(Support Vector Machine,SVM)的齿轮箱故障诊断方法。该方法首先对齿轮箱振动加速度信号进行MED降噪处理,对降噪后的信号在幅域、频域和能量域进行特征参量提取,建立特征向量,以此作为输入建立多分类支持向量机,通过交叉验证方法优化模型参数,判断齿轮箱的故障类型。实测齿轮箱振动信号的故障诊断结果表明,该方法能有效识别多种齿轮和轴承的故障类型,优化模型参,数有助于提高故障识别准确率。     

一种基于Conv-LSTM的滚动轴承故障诊断方法

针对轴承传统的故障诊断方法存在辨别故障类型难和预处理步骤多的问题,提出一种基于Conv-LSTM(卷积长短期记忆网络)的模型.该模型以Conv-LSTM单元模块作为处理层,能自识别和自处理故障特征信息;同时该模型可直接处理切片后的原始信号,通过Conv-LSTM模型的分类结果并结合标签可诊断出滚动轴承的故障类型.对SKF6205型轴承进行实验,实验结果表明相对于LSTM,基于Conv-LSTM的诊断模型具有更好的分类效果和更高的分类准确率,且在迭代过程中准确率在0.96以上,可作为诊断滚动轴承故障类型的一种方法.     

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。     

基于提升小波和PNN的三容水箱故障诊断

针对三容水箱是典型的非线性多变量耦合系统,提出将提升小波和概率神经网络相集合(LWPNN)方法用于三容水箱液位故障诊断.首先,建立三容水箱数学模型以获取实验数据,之后利用提升小渡对数据快速降噪,最后通过概率神经网络进行故障分类.实验结果表明,LWPNN集合方法较传统PNN故障诊断方法有较高的故障诊断率,是一种有效的故障...     

基于栈式降噪自编码的故障诊断

提出一种基于栈式降噪自编码网络的故障诊断方法,把深度学习应用于设备故障诊断。建立深层网络模型,采取逐层贪婪编码的方式进行预训练,实现高维深层故障特征的自适应提取和挖掘,再使用反向传播算法对模型进行监督式微调。方法集成了特征提取和状态分类两大步骤,摆脱了传统机器学习方法对人为提取样本特征的依赖,并有效克服梯度消失、局部极值等问题。通过滚动轴承数据实验,验证该方法对故障的识别能力和泛化能力。     

基于NAKF和DBN的液压管路故障智能诊断方法

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明：采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。