基于LSTM-RNN的滚动轴承故障多标签分类方法

为实时监测砂带磨损状态,采用基于磨削声信号与电流信号的监测方案。首先,利用时域分析方法与小波包分析方法提取砂带磨损信号特征,通过朴素贝叶斯方法融合两种信号,从而识别砂带磨损状态;其次,为提高砂带磨损状态识别准确率,针对朴素贝叶斯方法的分类特性,改进了一种基于Fisher判别率与互信息的信号特征选择方法。实验结果表明,利用基于Fisher判别率与互信息方法能够挑选出可分性好同时特征间相关性弱的信号特征,基于朴素贝叶斯的砂带磨损状态识别方法能够准确地识别砂带磨损状态。     

基于BP神经网络的截齿磨损程度在线监测

为实现截齿截割过程中磨损程度的实时精准在线监测,提出了一种基于BP神经网络的截齿磨损程度多特征信号融合的检测方法。通过提取截割过程中不同磨损程度截齿的三向振动信号、红外温度信号和电流信号,建立了不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对BP神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:基于BP神经网络的截齿磨损程度监测系统,网络判别结果和测试样本的实际磨损程度类别相符,该BP神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于混沌时序分析方法与支持向量机的刀具磨损状态识别

为了表征、获取与识别刀具的磨损状态,提出一种基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法。该方法利用混沌时序分析方法重构了刀具声发射信号的相空间,并提取了嵌入维数与Lyapunov系数建立了特征空间。使用支持向量机作为分类器,实现了刀具磨损状态的识别。实验证明,在小样本学习情况下,基于混沌时序分析方法与支持向量机的刀具磨损状态识别方法具有良好的学习能力,获得了较高的识别准确率。     

基于振动和声发射信号的截齿磨损程度识别研究

为实现采煤机截齿截割过程中磨损程度的在线监测和识别,提出一种基于RBF(Radical Basis Function)神经网络的截齿磨损程度多特征信号监测方法。提取截割过程中不同磨损程度截齿的振动和声发射特征信号,分别分析振动和声发射信号的峰值、时域图方差和频域图均方根值这6个特征参数,获取振动信号、声发射信号与不同磨损程度截齿的变化规律。建立5种不同磨损程度截齿的多特征信号样本数据库,采用多特征信号样本对RBF神经网络进行学习和训练,建立截齿磨损程度的识别模型,实现截齿磨损程度在线监测与精确识别。实验结果表明:随着截齿磨损程度的加剧,截齿振动和声发射时域信号中信号峰值和方差均呈增大的趋势;振动和声发射的频域信号中频谱图均方根也呈现逐渐增大的趋势;基于RBF神经网络的截齿磨损程度监测系统的网络判别结果和测试样本的实际磨损程度类别相符,该RBF神经网络系统能够对截齿磨损程度类型进行准确的监测和识别。     

基于铣床主轴弯扭力学信号的铣刀磨损状态监测方法研究

为了及时检测出急剧磨损的铣刀,提高加工效率,保证工件精度和表面质量,设计了一种基于机床主轴弯矩与扭矩信号的铣刀磨损状态监测方法,利用主轴上的扭矩和弯矩传感器对加工过程中的刀具进行实时在线测量,并对采集到的数据进行处理。试验结果表明,将切削力信号融合提取特征作为输入信号,可以提高刀具磨损状态识别的准确性,能够直接和准确地反映刀具磨损状态。     

基于铁谱分析的颗粒分类识别方法与应用

铁谱颗粒分析是机器磨损状态监测与维修决策制定最有效的油液分析方法。通过近年来开展工业企业机器油液监测积累的大量铁谱磨粒图像,进行基于不同的颗粒特征的分类识别探究,并基于不同颗粒形成机制与原因提出切合工业现场的润滑管理维保策略。应用实践表明,铁谱分析方法在机器磨损状态监测、润滑磨损诊断机制判别以及企业润滑管理提升活动中仍发挥着积极作用。     

基于CDA与HSMM-DBN的齿轮磨损状态识别研究

提出了由动态贝叶斯网络表达的隐半马尔可夫模型用于齿轮磨损状态识别的新方法,通过计算待识别磨损特征向量的概率值来确定齿轮磨损状态。根据磨损特征之间的非线性关系这一特性,应用曲线距离分析方法对特征进行降维。最后,利用5种不同工况下的齿轮磨损实验数据对模型进行验证。结果表明,该模型可以有效地识别齿轮磨损状态,识别正确率可以达到94.5%,为齿轮箱的健康管理提供了科学依据。     

声发射和小波包分析在损伤状态监测中的应用

为应用声发射技术对结构的损伤状态进行监测与识别,基于小波包分析提出了一种在线损伤监测方法。采用D-S证据理论对声发射信号的小波包能量谱进行多源信息融合得到改进的小波包能量谱,计算Mahalanobis距离构建结构损伤状态判别指标,采用t检验的概率方法考察不同损伤状态下判别指标的变化情况。旋转轴承结构的声发射信号分析结果表明,D-S证据理论能够对声发射信号的小波包能量谱识别样本抽取有效信息,结构损伤状态判别指标具有良好的结构损伤识别能力,能够准确地实现对结构不同损伤状态的识别。     

基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别

针对液膜密封状态监测领域无损监测开发不足、信号特征评估困难以及摩擦状态判别智能化特性缺乏的问题,提出一种基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法。该方法将声发射无损监测技术应用于液膜密封的摩擦状态监测,卷积神经网络作为液膜密封摩擦状态自主决策的实现手段,声发射信号的时频信息作为卷积神经网络的特征输入,分析短时傅立叶变换、 S变换以及小波变换3种时频分析方法对卷积神经网络识别性能的影响。结果表明：对于液膜密封的声发射信号,3种时频分析方法与卷积神经网络结合的优选顺序为：短时傅立叶变换、 S变换、小波变换;基于声发射时频分析与卷积神经网络的液膜密封摩擦状态识别方法准确率较高,相比其他识别方法取得了较好的识别效果。     

基于SOM和HMM结合的刀具磨损状态监测研究

针对端面铣刀磨损状态的识别问题,提出了基于自组织特征映射神经网络和隐马尔可夫模型结合的方法。该方法对铣削力信号进行预处理和相关特征提取,用自组织特征映射对信号特征矢量进行量化编码,所得码本作为隐马尔可夫模型的输入向量,分别训练三个不同磨损阶段的隐马尔可夫模型来对未知的刀具磨损状态进行监测与识别。实验结果表明,该方法能够对刀具磨损状态进行准确的识别,对自动化生产具有现实意义。     

基于多源同步信号与深度学习的刀具磨损在线识别方法

为提高刀具状态监测系统的实用性、避免实际加工过程中工序变换产生的信号干扰,提出一种基于多源同步信号与深度学习的刀具磨损在线识别方法。该方法利用自动触发的方式实现了机床运行在特定工序时的刀具振动、主轴功率、数控系统参数等多源信号的同步在线采集,保证信号同步性的同时有效避免了因工序变换而产生的信号波动干扰;进一步利用高频振动特征实现了 “切削过程”与“切削间隙”采集样本的准确划分,并基于皮尔逊积矩相关系数筛选出强关联特征,保证了多源监测信号融合样本的可用性;最后基于一维卷积神经网络建立了刀具磨损在线识别模型。实验结果表明,该方法无论从识别精度还是诊断效率,均能实现实际加工过程中刀具磨损状态的在线识别。     

基于小波包分析的液压泵状态监测方法

液压泵是液压系统中的关键部件,对其运行状态的监测与故障诊断对整个液压系统的可靠性具有重要意义。基于小波包分解和小波系数残差分析方法,提出一种利用液压泵出口压力进行液压泵故障诊断的方法。通过分析液压泵出口处压力信号的特征,利用小波包对压力信号进行频谱分解,提取液压泵的故障特征,建立不同频率范围的特征信号与液压泵不同故障因素的对应关系,为液压泵的故障诊断与定位提供依据。利用小波包能量残差判别液压泵的运行健康状态,并比较不同小波基函数在故障诊断时的敏感度。为减小小波分析时边界效应所引起的信号畸变,引入“滑动双窗口”的分析方法。试验结果表明,与快速傅里叶方法相比,基于小波包分解的残差分析方法可有效提高故障诊断的准确率,实现对液压泵的状态监测与故障诊断。     

基于Elman神经网络的刀具磨损状态识别技术

由于刀具磨损声发射信号的能量分布与刀具磨损状态密切相关,可以利用谐波小波包方法提取刀具磨损声发射信号的特征能量,对各频段能量做归一化处理,与切削三要素组成特征向量输入到Elman神经网络,通过神经网络判别刀具磨损状态。实验结果表明,刀具磨损产生的声发射信号频率主要集中在10Hz~130k Hz之间,将谐波小波包和Elman神经网络结合的方法可以有效地识别刀具磨损状态。     

BP神经网络在截齿合金头失效识别中的应用

为实现采煤机截割过程中截齿合金头失效形式的监测和识别,提出一种基于BP神经网络的多特征信号识别截齿合金头失效形式的方法。测试提取截割过程中合金头龟裂、合金头脱落、合金头崩刃和合金头严重磨损4种截齿x,y,z三个方向上的振动特征信号和截割电机电流特征信号,选取特征值信号的最大值、均值和方差作为特征样本对BP神经网络进行学习和训练,建立截齿合金头失效形式的识别模型,实现截割过程中截齿合金头失效形式在线监测与准确识别。实验结果表明,BP神经网络的判别结果和测试样本的实际失效类型相符,能够对截齿合金头失效形式进行准确识别,为实现采煤机截齿在线监测和失效形式识别提供新的方法和手段。     

基于Fisher理论的汽车动力传动轴系故障诊断分析

以汽车动力传动轴系为研究对象,探讨了一种基于Fisher判别分析的汽车动力传动轴系故障诊断方法。采用低通滤波方法对采集到的振动信号进行降噪处理,根据处理后的振动信号计算得到能够反映设备状态的时域和频域的无量纲特征参数,运用DI识别指标选取诊断敏感度较高的特征参数,基于Fisher判别分析从统计学角度将特征参数从多维向一维投影来实现状态识别问题的简化,结合逐次诊断方法更精确的判别设备状态。针对汽车动力传动轴系常见故障(不平衡、不对中等)分析故障机理,设计了轴系的故障诊断试验,通过试验验证了此诊断方法的实用性。     

基于堆叠降噪自编码的刀具磨损状态识别

提出了一种基于堆叠降噪自编码（SDAE）的刀具磨损状态识别方法。构建了SDAE神经网络来学习声发射（AE）信号的特征,并对自编码网络进行有监督的微调,从而对刀具磨损状态进行精确识别。实验结果表明,SDAE方法能够自适应地学习,得到有效的特征表达,且刀具磨损状态识别结果精确度高,该方法能够有效地进行刀具磨损状态识别。     

基于主轴电流信号多特征融合的刀具磨损状态监测

为实现在正常生产条件下进行刀具磨损的长期在线监测,提出了基于主轴电流信号和粒子群优化支持向量机模型(PSO-SVM)的刀具磨损状态间接监测方法。首先对数控机床主轴电机电流信号进行分析,将与刀具磨损相关的主轴电流信号多个特征参数和EMD能量熵进行特征融合作为输入特征向量;其次,通过粒子群寻优算法(PSO)对支持向量机模型(SVM)参数进行优化,建立基于主轴电流信号融合特征和PSO-SVM理论的刀具磨损状态识别模型;最后,通过实验采集某立式加工中心主轴在刀具不同磨损状态下电流信号进行验证,并与传统SVM模型、BP神经网络模型进行了对比分析。结果表明,所提出的方法具有较高的准确率和较好的泛化能力。能够实现正常生产条件下对刀具磨损的长期在线监测。     

基于声发射信号的带材剪切刀具磨损在线监测方法

在铁基纳米晶合金带材剪切加工过程中，其刀具的状态对于保证加工质量至关重要。针对铁基纳米晶合金带材剪切加工过程中的刀具磨损状态监测问题，提出了一种基于声发射信号的剪切刀具磨损在线监测方法。首先，通过搭建声发射监测设备确定了相应的参数，采集原始声发射信号进行了预处理，得到了剪切加工阶段的信号，将其用于后续处理；然后，分析了剪切刀具磨损以及带材质量随剪切加工过程变化的关系，并根据剪切加工过程中获取的声发射信号，进行了时域、频域、时频域特征提取，分析了获得的特征与刀具磨损之间的关系，利用ReliefF和主成分分析(PCA)算法进行了特征选择与降维处理，得到了具有良好相关性的特征；最后，基于所选特征，构建了支持向量机(SVM)人工智能模型，用以识别剪切刀具的磨损阶段。研究结果表明：随着刀具磨损的加剧，带材质量下降，声发射信号特征值与刀具磨损存在对应关系；采用ReliefF-PCA-SVM模型能够实现95.56%的分类准确率，能够有效地对剪切加工过程中的刀具磨损进行在线监测。     

基于云模型和稀疏贝叶斯技术的刀具磨损状态识别技术研究

针对刀具磨损状态监测和磨损量预测研究中特征提取这一关键技术,提出采用声发射传感器和功率传感器采集机床刀具磨损相关的信号信息,采用两种信号采集的方法可以避免单一信号本身自有的缺陷。采用云模型算法能够科学地耦合两种信息,并提取信号中反映刀具磨损量的特征因素;使用稀疏贝叶斯方法建立模型进而预测刀具磨损量,实现了对刀具磨损的监控,提高了刀具磨损监控的效率和准确性。     

基于静电监测和神经网络的航发典型故障诊断

为解决航空发动机中典型气路机械故障模式的诊断问题,开展了故障模拟静电监测实验。利用经典特征参数分析了4类典型故障模式下的静电信号,在此基础上进一步提出几类新特征指标和初始故障判别逻辑理论,并利用Fisher准则方法对所提新特征指标的有效性进行验证。提出一种基于自组织映射神经网络的气路故障诊断工程化应用方法,并对故障诊断算法进行实例验证,结果表明,基于静电信号和自组织映射神经网络的气路故障诊断方法能够很好地识别不同故障模式并具备良好的可视化表达效果,为气路故障诊断提供了一种很好的工程化研究方法。