基于卷积残差共享权值LSTM的旋转机械故障诊断

为有效提取振动信号中隐含的故障特征，以准确判别机械故障类型，提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征；通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间，进而更高效地发掘上层网络输出信号中隐含的时间特征。同时，引入缩放指数线性单元函数以提升网络自归一化性能，并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后，基于机械故障实测数据集开展对比实验，结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

基于SAE与深度Q网络的旋转机械故障诊断

为了解决传统深度学习方法无法挖掘原始振动数据与旋转机械状态之间的非线性映射关系问题,提出了一种基于堆叠式自动编码器与深度Q网络相结合的深度强化学习旋转机械故障诊断方法.首先,建立故障诊断"博弈"模型从而为故障诊断代理提供观察、行动和获得奖励的交互式环境;其次,堆叠式自动编码器采用完全连接模型进行逐级的内在特征学习进一步...     

基于改进残差网络的轴承故障诊断方法

针对现有的轴承故障诊断模型缺乏对信号的空间和时序信息的有效利用，以及模型的泛化性和抗噪性差的问题。提出了一种将LSTM以残差的形式与CNN并联使用，并采用1*1卷积进行跨通道信息融合的神经网络模型IPCNN＿LSTM,解决了传统网络模型无法同时有效地利用信号的空间及时序信息问题。并采用CWRU轴承数据集和QPZZ-Ⅱ系统采集实验平台进行实例验证，该模型能够有效地利用信号的空间和时序信息，在减少参数数量，提高诊断效率的同时取得较高的故障诊断正确率，并具有良好的泛化性、抗噪性及稳定性。     

基于瞬时频率的旋转机械故障诊断

基于瞬时频率的物理意义,通过单分量和多分量信号瞬时频率的仿真对比分析,提出一种应用EMD-HHT(Empirical Mode Decomposition& Hilbert-Huang Transformation,EMD-HHT)获取瞬时频率的方法.将EMD-HHT用于实测的旋转机械振动信号处理,利用获取的瞬时频率和Hilbert边缘谱作为故障特征对旋转机械进行故障诊断.试验结果表明,瞬时频率特征较好地描述了相应故障类型,在旋转机械故障诊断领域具有很好的应用前景.     

基于CBR的旋转机械故障诊断专家系统的设计

针对旋转机械故障诊断技术的特点,文章在综合比较多种知识推理技术的基础上,决定采用基于分阶段近邻检索算法的基于案例推理技术(CBR),同时运用Access数据库构建案例库存储结构,并结合VC++编程环境,构建了旋转机械故障诊断专家系统.最后通过旋转机械故障诊断实验台,对专家系统诊断结果进行了验证.实验结果表明,该系统具有诊断准确度高,诊断速度快,易维护等特点,能够充分利用已有的案例知识,有效地协助技术人员解决设备故障,提高诊断效率.     

模拟退火算法在旋转机械故障诊断中的应用

用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中七个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,证明该方法在旋转机械故障诊断中是有效的。     

旋转机械故障诊断研究方法综述

随着旋转机械结构越来越复杂,旋转机械需要承受着长时间的工作,发生故障的可能性增大及故障出现形式趋向于复杂化。因此,对旋转机械故障诊断提出更高的要求。本文作者分析了旋转机械故障诊断国内外研究现状及其研究方法,分析有量纲指标和量纲一指标在其上的运用。展望旋转机械故障诊断的研究方向和待解决的问题。     

旋转机械故障诊断中的信号处理技术综述

基于旋转机械在各行业的广泛应用,旋转机械的故障诊断技术也倍受重视,从传统的信号处理方法到现代的信号处理方法,旋转机械故障诊断中的信号处理技术在不断发展,不断创新.综述了旋转机械故障诊断的传统信号处理方法和现代信号处理方法,分析传统信号处理方法和现代信号处理方法的实际应用,并展望了未来旋转机械故障诊断领域的研究方向.     

基于设备组态的旋转机械故障诊断专家系统的研究与实现

根据旋转机械设备种类的多样性及专家系统诊断对象范围窄的特点,研究了基于设备组态的多征兆模糊产生式规则的诊断知识表示和以关系数据库为基础的知识库的建立与维护机制,开发了基于设备组态的旋转机械故障诊断专家系统.系统在满足知识表示和推理模型的有效性和实用性要求下,具有构造简单、推理效率高等优点,有效地提高了旋转机械故障诊断专家系统的适应性和通用性.     

基于域自适应残差收缩网络的滚动轴承故障诊断

针对滚动轴承在新工况下无标记数据且存在噪声干扰问题，提出一种具备抗噪能力的滚动轴承故障诊断领域自适应深度残差收缩网络(DADRSN)。首先，采用深度残差收缩网络(DRSN)去除已知工况和新工况数据噪声冗余并充分提取数据特征；其次，应用迁移学习中的领域自适应(DA)方法，计算已知工况和新工况数据的局部最大均值差异(LMMD),以对齐两种工况数据之间的分布；最后，对新工况下故障样本进行分类。实验结果表明，该模型在噪声干扰、缺少标记数据、工况变化的情况下仍能保持较高的故障诊断精度。     

基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于高价值小样本的石化装置旋转机械故障诊断NN模型

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型.依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果.研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3％.该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导.     

旋转机械不对中形式的新分类及其故障诊断研究

根据转子不对中故障产生的机理,针对传统不对中故障分类过于概括、对实际排除不对中故障指导意义不太明确的缺点,根据联轴器两端支承轴承的不同状态,提出转子不对中故障的新的分类形式——同侧轴承不对中、异侧轴承不对中、混合不对中,并与传统分类方法进行比较,探讨新的不对中形式与传统不对中形式的关系,给出新分类方法中各类不对中故障的机理及振动特征。研究结果表明:对于同侧轴承不对中,壳体振动频谱中2倍频特征明显而轴振频谱2倍频不明显;异侧轴承不对中相当于传统分类中的平行位移不对中,而混合不对中相当于传统分类中的综合位移不对中。现场诊断案例证明该分类方法的有效性。该研究成果为提高转子不对中故障诊断的准确率、更加有效地指导现场操作人员排除故障提供参考。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。     

矢功率谱与RBF网络结合在旋转机械故障诊断中的应用

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面.径向基函数网络具有良好的推广能力和分类能力.基于此,本文结合矢功率谱和径向基函数网络,提出了一种新的故障识别方法,该方法以矢功率谱为特征向量,径向基函数网络为分类器.并以转子裂纹、转子不对中、油膜涡动为例进行实验研究,实验结果表明,该方法是有效的.     

基于改进的残差收缩网络的带钢表面缺陷识别北大核心

为解决传统视觉带钢识别无法自主提取图像特征,准确率会受到图像质量的限制等问题,提出了一种改进的深度残差收缩网络带钢缺陷表面质量缺陷识别方法。首先,利用数据增广的方法:旋转和翻转对数据集进行数据扩充;其次,建立残差收缩网络带钢缺陷识别模型,并且使用LeakyReLU激活函数替换原有的激活函数ReLU;再次,利用Adamax对残差收缩网络进行训练过程优化,减少资源的使用效果以及提高缺陷识别的准确率;最后,通过多次实验,然后取识别准确度的平均值。结果表明,带钢缺陷识别方法的准确度可以达到98.88%,优于传统的SVM、卷积神经网络、残差网络以及改进的残差收缩DRESN-CS。     

旋转机械故障诊断方法的研究与应用

旨在探究旋转机械故障诊断系统的设计与应用,针对工业中常见的旋转机械故障问题进行研究。分析了旋转机械故障的特点、常见类型。通过实际案例的应用,介绍了振动分析技术在水泵叶片和航空发动机等旋转机械中的应用案例。本研究的成果对工业生产中旋转机械的维护和故障预防具有重要意义。