基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

含故障的齿轮箱角域动力学模型研究

利用齿轮箱轴的旋转角度为自变量,在角域建立齿轮箱时变动力学模型的方法,该方法能够把时域的非稳态工况转化为角域的伪稳态工况,为齿轮箱非稳态工况下的故障诊断提供了必要理论依据。同时利用模型中的时变参数来仿真齿轮箱的故障,得到带有轮齿故障形式的轮箱动力学模型,进而能够利用故障模型对故障特征进行分析,在很大程度上提高了故障诊断的准确性。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

基于形态分量分析的变工况齿轮箱故障诊断研究

齿轮箱变工况运行时表现为转速和负载的变化,其振动信号是非线性的多分量信号,变工况齿轮箱故障诊断是研究难点。首先使用数字微分的阶次跟踪方法对原始振动信号按计算得到等角度重采样时刻插值,将非平稳的振动信号转化为角域平稳信号;然后使用形态分量分析(MCA)方法从角域信号中分离出冲击、简谐分量与噪声成分,提取齿轮箱非线性、多分量信号中的故障特征;再对冲击分量做角域平均突出故障特征,最后进行瞬时功率谱分析识别齿轮是否有故障。实验分析表明,使用此方法能根据瞬时功率谱分布的阶次和角度范围识别故障,适用于变工况下的故障齿轮检测。     

基于局域均值分解的行星齿轮箱故障诊断方法

在低转速工况下,容易出现行星齿轮箱故障的微弱信号和强信号难以分离的情况,导致行星齿轮箱存在微弱故障诊断精度较差的问题,为此,提出了一种基于局域均值分解(LMD)的行星齿轮箱故障诊断方法。首先,采用DASP数据采集系统,采集了行星齿轮箱不同工况下的振动信号,采用平移不变量小波降噪方法,对其振动信号进行了降噪处理;然后,采用局域均值分解方法分解了其振动信号,分别采用了能量算子和循环频率对其进行了解调处理,获取了微弱故障信号分量所对应的幅值和相位调制信息,准确提取了行星齿轮箱的微弱故障信号特征;最后,采用最小二乘支持向量机(LSSVM)识别了齿轮箱不同故障特征,判断了行星齿轮箱的运行状态,实现了行星齿轮箱的故障诊断。研究结果表明：采用基于LMD的方法,可以对行星齿轮箱的微弱异常信号及强异常信号进行准确诊断,获得满意的行星齿轮箱故障诊断结果,有效保障行星齿轮箱的安全、稳定运转。     

基于堆栈稀疏自编码器的齿轮箱故障诊断

针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。     

基于小波包-神经网络的电厂发电机组故障诊断研究

电厂发电机组齿轮箱通常工作在高速高负载和润滑不良的恶劣环境中,研究对其工作过程的有效监测和故障诊断具有重要意义。针对齿轮箱故障信号的非平稳特征,提出了基于小波包分解和神经网络的故障诊断方法。以故障信号小波包分解后的能量信息作为输入向量,以BP神经网络作为分类器对其进行识别和诊断。通过对齿轮箱的正常工况、齿面磨损、缺齿和复合故障等4种类型的分析表明,提出的小波神经网络故障诊断方法可以识别齿轮箱的故障类型。     

基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法

针对变转速下的齿轮箱中复合故障的特征提取,提出了一种基于阶次分析与循环平稳解调的齿轮箱复合故障诊断方法.该方法先用线调频小波路径追踪算法从原始振动信号中提取转频信号,再根据转频信号对原始振动信号进行等角度重采样,将时域非平稳信号转化为角域周期平稳信号,最后对角域周期平稳信号进行循环平稳解调分析,根据故障特征阶次处的切片解调谱进行齿轮箱复合故障诊断.通过算法仿真和应用实例对包含齿轮局部故障和轴承局部故障的变转速齿轮箱复合故障进行了分析,分析结果表明,该方法在无转速计的情况下能有效地提取处于变转速下的齿轮箱复合故障的特征.     

基于MRSVD能量特征和KFCM的齿轮箱复合故障诊断

针对齿轮箱复合故障信号成分复杂和故障特征难以识别的问题,提出基于多分辨奇异值分解(MRSVD)能量特征和模糊核聚类(KFCM)的齿轮箱复合故障诊断方法。首先,采集齿轮箱不同工况下的振动信号,通过进行MRSVD分解得到1个相似信号和5个细节信号;然后,提取6个分量信号的能量特征并进行归一化处理,得其能量相对值;最后,使用KFCM进行故障诊断。实验结果表明,MRSVD能量特征提取方法可有效提取齿轮箱复合故障特征,且KFCM可准确诊断齿轮箱复合故障。     

基于深度学习理论的机械装备大数据健康监测方法

机械装备正在朝着高速、高精、高效方向发展,为了确保这些装备的健康运行,健康监测系统采集了海量数据来反映机械的健康状况,促使机械健康监测领域进入了“大数据”时代。机械大数据具有大容量、多样性与高速率的特点,研究和利用先进的理论与方法,从机械装备大数据中挖掘信息,高效、准确地识别装备的健康状况,成为机械装备健康监测领域面临的新问题。深度学习理论作为模式识别和机器学习领域最新的研究成果,以强大的建模和表征能力在图像和语音处理等领域的大数据处理方面取得了丰硕的成果。结合机械大数据的特点与深度学习的优势,提出了一种新的机械装备健康监测方法。该方法通过深度学习利用机械频域信号训练深度神经网络,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,因此克服了传统智能诊断方法的两大缺陷：需要掌握大量的信号处理技术结合丰富的工程实践经验来提取故障特征;使用浅层模型难以表征大数据情况下信号与健康状况之间复杂的映射关系。试验结果表明,该方法实现了多种工况、大量样本下多级齿轮传动系统不同故障位置不同故障类型的故障特征自适应提取与健康状况准确识别。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

基于混合智能新模型的故障诊断

为了解决机械设备中早期故障和复合故障识别的难题,提高故障诊断的准确率,利用经验模式分解(Empirical mode decomposition,EMD)、改进的距离评估技术、自适应神经模糊推理系统(Adaptive neuro-fuzzy inference system, ANFIS)和遗传算法(Genetic algorithm, GA)等技术,提出一种综合运用多征兆域特征集和多个分类器的混合智能诊断模型。该模型在特征提取之前,利用滤波、EMD、解调等预处理技术挖掘潜藏在动态信号中的故障信息;从原始振动信号和预处理信号中,分别提取从不同侧面表征设备运行状态的时域和频域统计特征,得到6个特征集。采用提出的一种改进的距离评估技术选择特征,从6个原始特征集中相应地筛选出6个敏感特征集。将6个敏感特征集输入到基于GA组合的多个ANFIS分类器以得到最终的诊断结果。该模型在电力机车轮对轴承的故障诊断中实现了轴承不同故障类型、不同故障程度,以及复合故障的可靠识别,获得了满意的诊断结果。应用结果也验证了基于改进的距离评估技术的特征选择方法的有效性。     

A comparison of different methods for fuel delivery unevenness detection in Diesel engines

Conventional misfire diagnosis techniques are based on the analysis of the instantaneous engine speed. Although they have proved their efficiency in some operating conditions and for the detection of total misfires, their performance could be insufficient in a near future. This paper presents a comparative study of different alternative detection principles for the detection of slight unevenness between cylinders in the injection process for a turbocharged Diesel engine. The selected techniques are the instantaneous exhaust manifold pressure, the instantaneous turbocharger speed and the mean temperature at the exhaust cylinder ports. All alternative techniques show improved performance and linearity compared to the conventional one, particularly at high engine speed and low load. All these techniques are compared with the conventional approach and main advantages and disadvantages are discussed.     

Impeller fault detection under variable flow conditions based on three feature extraction methods and artificial neural networks

Nonstationary flow conditions can introduce complexities and nonlinear characteristics to pumping systems. This paper presents comparative studies of impeller fault detection techniques combined with artificial neural networks (ANNs) to propose the most appropriate diagnosis system. An experimental study, including seven impeller conditions, is performed to further explore the phenomena. Statistical parameters, frequency peaks, and wavelet packet energy present data feature sets, and a three-layer back-propagation ANN is used for fault recognition. The verification of the results proves that the detectability of the wavelet packet transform (WPT)-ANN model is considerably improved by using the energy of the decomposed vibration from WPT. This model can save computational time and provide superior diagnostic information. This study provides two key contributions. First, the feasibility and effectiveness of common monitoring techniques are compared. Second, the results demonstrate the accuracy of the proposed models for impellers operating under variable working conditions, which has not been previously addressed in the literature.     

Characterization and identification of local defects in glass

The most relevant defects in glasses are categorized and investigated by appropriate microanalytical techniques. Since these defects very often present a real challenge because of complex chemical and mineralogical properties, a multimethod approach is necessary to supplement or confirm the findings from scanning techniques. The combination of electron probe microanalysis/energy-dispersive x-ray (EPMA/EDX) and laser ablation inductively coupled plasma mass spectroscopy (LA-ICP-MS) allows the determination of element trace concentrations in a knot, a glassy defect, thus finally enabling the identification of a special source of the defect from otherwise nondistinguishable refractories. The type of crystals can be determined exactly by the use of EPMA and x-ray dispersion (XRD), stones (a crystalline agglomerate) are analyzed by EPMA/EDX pointing to a possible source for this defect; results on metallic inclusions, "filled bubbles," and surface defects are reported and defect sources are discussed. Since close cooperation with the production departments and knowledge of production techniques and conditions are necessary for the diagnosis to take appropriate countermeasures, an approach is presented which systematically accumulates all information into a data base. The structure of such "expert systems" is described, which leads to correlation of appearance, analytical data, and source of the defects for even more accurate diagnosis and faster reaction.     

切片双谱分析在离心泵故障诊断中的应用

运用双谱及切片双谱分析技术对离心泵不同状态下的振动信号进行分析表明,离心泵在正常运行、地脚螺栓松动和空化状态下的双谱图的特征有着明显的差别,可以通过双谱对故障信号进行初步分类,且双谱的对角切片和反对角切片可以显著降低噪声干扰,进一步提取出故障特征频率,故可对离心泵的故障信号进行准确的分类和诊断。     

机械优化设计数学模型中约束条件诊断的缩小公共域法

分析了优化设计数学模型的特点，以及优化设计数学模型诊断中的一些关键技术问题，主要研究了利用逐步缩小公共域的方法对约束条件进行诊断。通过实例的应用和计算，成功地把逐步缩小公共域的方法应用于对约束条件的诊断，得到了满意的结果。     

An intelligent system for multivariate statistical process monitoring and diagnosis

A knowledge-based system (KBS) was designed for automated system identification, process monitoring, and diagnosis of sensor faults. The real-time KBS consists of a supervisory system using G2 KBS development software linked with external statistical modules for system identification and sensor fault diagnosis. The various statistical techniques were prototyped in MATLAB, converted to ANSI C code, and linked with the G2 Standard Interface. The KBS automatically performs all operations of data collection, identification, monitoring, and sensor fault diagnosis with little or no input from the user. Navigation throughout the KBS is via menu buttons on each user-accessible screen. Selected process variables are displayed on charts showing the history of the variables over a period of time. Multivariate statistical tests and contribution plots are also shown graphically. The KBS was evaluated using simulation studies with a polymerization reactor through a nonlinear dynamic model. Both normal operation conditions as well as conditions of process disturbances were observed to evaluate the KBS performance. Specific user-defined disturbances were added to the simulation, and the KBS correctly diagnosed both process and sensor faults when present.     

基于Web数据库的武器装备远程故障诊断系统研究

武器装备的远程故障诊断系统是武器装备故障诊断的发展趋势,本文研究了基于Web的数据库及其访问技术,提出了基于Web数据库技术的武器装备远程故障诊断系统的结构、功能和运行模式,以及系统实现时应解决的关键技术.