GREEN FUNCTION在齿轮箱故障诊断中的运用

为了找出齿轮箱故障的定量规律,通过对齿轮箱的振动信号的测试及分析,发现ＧＲＥＥＮＦＵＮＣＴＩＯＮ对齿轮箱故障的诊断行之有效,并且成功地找出了Ｇ１０、Ｇ１０′等齿轮箱故障的定量诊断参数．     

基于图注意力和时间卷积网络的风电齿轮箱故障预警方法

针对风电齿轮箱故障预警中数据信息挖掘不充分问题,提出一种基于图注意力和时间卷积网络的风电齿轮箱故障预警方法。 分别从时间与空间尺度建立各特征点的物理联系,拓宽特征维度以提升故障预警精度。 图注意力网络构建不同数据测点间的空间拓扑结构,遍历每个节点的相邻节点进行加权求和达到聚合信息的目的;时间卷积网络使用特殊的因果膨胀卷积和残差网络,扩大感受野,提升时间特征捕捉能力。 以华北某风电场实际数据为例进行验证,结果表明,提出方法能够在故障发生前 122 h 监测到风电齿轮箱的异常状态并发出预警信号;与其他方法进行对比,提出方法预警时间提前 52~ 63 h,模型预测误差减小 1. 05% ~ 3. 76%;使用 t-SNE 和概率密度曲线提升结果可解释性。     

基于图注意力网络的输电线路故障诊断

以往基于深度学习的输电线路故障诊断,依赖数字信号处理技术提取故障特征。为了改进前述方法,引入了图深度学习理论,提出了一种基于图注意力网络(GAT)的智能故障诊断方法。将原始三相电流电压信号转化为图数据,利用多个图注意力层自动提取特征信息,从而建立了数据从输入端到输出端之间的映射关系,实现输电线路端到端的故障诊断。在400 kV三相输电线路和IEEE13总线电网系统上验证该方法的准确性和有效性,分别对五种短路故障和无故障情况设置不同初始相角、过渡电阻和故障位置进行仿真分析。结果表明,该方法故障诊断准确率达到9975%以上,与现有几种智能故障诊断算法对比其性能最优。同时,该方法在不同白噪声下依然保持较高的故障识别率,具有良好的鲁棒性和泛化能力,为电力输电线路诊断技术提供了一定的研究思路。     

小样本下时序注意力边界增强原型网络的齿轮箱故障诊断方法

针对小样本条件下原型网络在提取特征过程中会丢失振动数据的时序特征,且未修正样本在度量空间中的分布导致模型精度低的问题,提出一种时序注意力边界增强原型网络的齿轮箱故障诊断方法。 首先,通过构建时间序列注意力模块,建立通道间的时序特征依赖,获得通道时序融合特征;然后,在计算类原型之后,增加邻边界损失以修正度量空间中的故障特征类内和类间分布,明确类原型的表征边界。 最后,通过计算测试样本与类原型的欧氏距离,输出故障诊断结果。 实验表明,在小样本条件下本文所提方法相比其他方法具有更高的故障诊断精度。     

基于GRU和注意力机制的海上风机齿轮箱状态监测

海上风电机组齿轮箱运行状态的有效监测和及时预警对海上风机运维工作具有重要意义。为此,提出一种基于门控循环单元(Gated Recurrent Unit, GRU)和注意力机制的海上风电机组齿轮箱状态监测方法。在训练阶段,通过注意力机制自动提取海上风电SCADA数据集输入参量与目标建模参量间的关联关系,同时采用GRU网络提取数据间的时序依赖关系,进而建立风电机组齿轮箱的正常行为模型。在测试阶段,采用指数加权移动平均值(Exponentially Weighted Moving-Average,EWMA)控制图对目标建模参量实际值和模型预测值间的输出残差进行监控,实现海上风机齿轮箱运行状态的实时监测和预警。最后基于东海大桥海上风电场真实数据对所提方法的有效性和优越性进行了验证。结果表明：所提方法对故障和正常运行条件下的海上风电机组齿轮箱状态均可进行有效监测,且相比现有陆上风机状态监测方法具有更高的精度和可解释性,并能更早地揭示故障趋势。     

基于注意力机制与Inception-ResNet的轴承故障诊断方法

针对滚动轴承在噪声环境下故障难以识别的问题,提出了一种结合注意力机制与Inception-ResNet滚动轴承故障判定方法。首先提出了一种将灰度图与伪色彩处理相结合的方法,将一维振动信号转化为三维RGB图像;然后结合Inception模块与残差网络,在宽度和深度两个方面拓展网络,提高网络的表达能力;最后结合CBAM注意力机制,融合通道注意力模块与空间注意力模块,增强输入特征中更重要的特征,抑制不必要的噪声特征,从而有效提高了诊断准确率。本文采用凯斯西储大学轴承数据集进行验证,并选用几个主流的深度的学习方法进行对比试验。试验结果表明：本方法具有很好的诊断准确率,平均准确率高达99.32%,在噪声状态下进行分析实验,结果表明在噪声状态下本方法依然具有良好的准确率,验证了本方法的鲁棒性。     

基于注意力的多尺度残差卷积网络轴承故障诊断

针对轴承故障信号中存在复杂特征的特点,提出了一种结合注意力机制与多尺度残差卷积网络轴承故障判定方法。该模型结合了卷积神经网络(CNN)的强大特征提取能力和注意力机制的自适应加权能力,能够有效地处理轴承故障信号中的复杂特征。模型采用了多尺度卷积层,通过不同大小的卷积核捕获信号的多尺度特征,有助于识别不同类型和严重程度的故障。同时,引入残差结构,通过高维与低维特征的协同决策机制,有效整合多层卷积提取的特征,增强了模型对关键信息的感知能力,并降低了深度网络训练中的梯度消失和特征冗余问题,从而保证了模型的稳定性和准确性。注意力机制(如SEBlock和ECABlock)的融合,使模型能够自适应地关注更加重要的特征通道,进一步提升了诊断性能。实验结果表明,该模型在强噪声下能实现高精度的诊断,展示了其在智能维护和故障预警系统中的应用潜力。     

一种基于自注意力机制的电机故障诊断模型

在电机故障诊断中,最常接触且影响最大的就是设备振动故障。长期的振动不仅会对设备造成损坏,还可能导致机组的停机,影响正常的生产。针对电机的故障数据少且难于识别的问题,首先,分析电机主要故障类型的数据特点。随后,通过对残差网络结构的分析,结合自注意力机制提出了一种新的故障分类模型,以提高电机故障诊断模型的性能。最后,根据实际使用的电机常见三类异常工况的真实数据构建数据集,并通过仿真实验验证了该故障诊断模型在该测试集上能达到较好的性能。     

基于注意力时间卷积网络和双向门控循环单元的轴承故障诊断

针对传统特征提取方法依赖人工经验以及传统神经网络未充分利用时间序列信息的问题,首先通过时间卷积网络的空洞因果卷积、随机丢弃层和残差结构跨时间步提取不同振动信号的特征;然后引入注意力机制获取关键信息,实现特征优化选择;再利用双向门控循环单元捕捉长期依赖关系;最后通过归一化指数函数进行故障分类。实验结果表明,在不同训练样本比例下,该方法的识别精度高于一维卷积神经网络、双向长短期记忆网络、双向循环神经网络;用该方法能够有效识别轴承故障类型,且模型的泛化能力较强。     

基于DPSO-MKELM算法的风机齿轮箱轴承故障诊断

基于离散粒子群优化算法(DPSO)与基于多尺度小波核函数的核极限学习机(MKELM),提出了一种新型的DPSOMKELM算法用于风机齿轮箱故障诊断。首先,针对PSO算法过早收敛,易陷入局部最优的缺点,提出改进DPSO算法,在迭代过程中,通过调节权重因子和学习因子,降低算法过早收敛概率,减少优化结果陷入局部最优状态的可能。其次,提出一种基于多尺度小波核函数的核极限学习机(MKELM),利用不同尺度小波核函数叠加构造核极限学习机。最后将两种算法有机结合,提出一种新型的DPSO-MKELM算法,用于风力轴承的故障诊断。通过实际数据的算例验证,新算法具有更高的分类精度和较快的收敛速度。     

基于 MADCNN 的故障诊断方法研究

针对旋转机械零部件进行故障诊断的方法包括传统方法和深度学习,传统方法往往需要大量的专家经验,且诊断精度欠佳,提出一种注意力机制改进多尺度深度卷积神经网络(multi-scale attention deep convolutional neural network, MADCNN)的故障诊断方法。MADCNN方法提供3个卷积通道,每个通道差异化的核尺寸原理有效拓宽网络,实现了对原始时域数据的多尺度特征提取。同时,CBAM对提取的特征进一步赋予权重,增强了模型对不同类型故障的区分度。采用凯斯西储大学(Case Western Reserve University, CWRU)轴承故障数据和行星齿轮箱实验台故障数据分别进行实验验证,与传统深度卷积模型相比,验证集准确率提高7.76%。实验结果表明,该方法的诊断精度高,泛化性能好。     

风力发电机组齿轮箱故障诊断

由于齿轮箱运行的好坏直接影响整个风力发电系统的运行,因此对其进行故障诊断十分重要.若在故障初期便可分析出来故障部位和故障程度,就能将损失降到最小,为设备提供了技术支持并为维修提供方便.在齿轮箱各种监测信号中,振动信号最能反映设备运行状态,将振动信号作为研究对象,将它经过时域和频域分析处理,判断齿轮箱的运行是否正常.对比...     

风力发电机齿轮箱优化逐层故障诊断方法

风力发电机齿轮箱的故障诊断在风力发电机组正常运行中起着重要作用,除了识别故障类型外,故障的严重程度对风机的维护也具有指导意义,因此,一种优化堆叠诊断结构(OSDS)被提出以识别故障类型和严重性。首先对原始振动信号进行压缩采样,然后将压缩样本分别输入第1层和第2层深度信任网络(DBN),对故障类型和严重性进行识别,同时采用混沌量子粒子群优化算法(CQPSO)对每个DBN进行优化。通过两组实验得到的结果表明,故障类型诊断准确率分别达到99.24%和97.21%,故障严重程度诊断准确率达到99.06%,同时诊断时间仅为1.493和2.176 s。     

基于可视图谱特征融合的行星齿轮箱故障诊断

针对行星齿轮箱振动信号频率信息复杂、时变性强、调制特征明显的问题,提出了基于可视图谱特征融合的行星齿轮箱故障诊断方法。首先将行星齿轮箱信号进行Welch变换得到功率谱,采取可视图算法构建图谱,计算图谱节点的中心性指标并融合成特征矩阵,最后使用改进的CNN-Inception模型分类得到齿轮箱故障诊断结果。实验结果表明,该方法可以准确识别行星齿轮箱故障,在两种工况的实验数据集上准确率可以达到98.57%,模型具有泛化性。相较于其他方法,该方法能够实现高效、准确的故障诊断。     

西门子交-交变频器传动系统故障及处理

交—交变频器主要应用于低转速、大容量的场合,例如热轧、冷轧轧机的主传动等。宝钢1420冷轧厂酸轧机组的五机架及卷取机的主传动采用了西门子的交—交变频器传动系统。作者根据对现场传动系统的维护经验和处理故障的体会,介绍了交—交变频器传动系统的诊断功能,常见故障分析和处理方法;着重描述了开关合闸条件,故障等级分类,传动系统过流,晶闸管桥臂监控,断态电压检测,晶闸管劣化,三相电流不平衡,脉冲发生器故障现象及其解决方法。对维护类似的变频器有一定参考作用。     

应用于齿轮箱故障诊断的小样本图像生成方法

行星齿轮箱是一种广泛应用于工业领域的关键传动装置,其在复杂工况和长期负荷下易出现故障。传统的故障诊断方法依赖于专家经验和昂贵设备,存在数据稀缺和诊断效率低的问题。针对这一挑战,近年来生成对抗网络（GAN）的发展为图像生成和数据增强提供了新的解决方案。然而,现有GAN模型在处理小样本数据时,常出现语义错位和伪影问题,限制了其在智能故障诊断领域的应用潜力。为此,提出了一种基于多尺度渐进式特征融合的生成对抗网络（MSA-PF-GAN）模型,通过引入渐进式解码器结构与多尺度注意力模块,有效提升小样本条件下的图像生成质量及故障诊断精度。实验基于两个独立的行星齿轮箱故障数据集进行验证,结果显示,该方法显著降低了生成图像的FID分数,提升了诊断准确率（分别提高35%和20%）。在多种评价指标上,MSA-PF-GAN均优于其他主流方法。进一步分析表明,该模型通过渐进式特征融合和多尺度注意机制,不仅在生成图像的多样性和真实感上表现优异,还能有效增强对复杂故障特征的捕捉能力。因此,该技术在行星齿轮箱故障诊断领域具有有效的应用潜力和实际价值。     

行星齿轮箱故障诊断的频率解调分析方法

调频部分包含齿轮故障信息,而且不受振动传递路径变化的影响。为了避免振动信号频谱的复杂边带结构以及行星轮通过效应或时变振动传递路径的影响,根据行星齿轮箱振动信号的调频特点,提出了基于经验模式分解的频率解调分析方法。提出了本质模式函数的选择原则,推导了瞬时频率Fourier频谱的解析表达式,总结归纳了太阳轮、行星轮和齿圈故障振动信号瞬时频率Fourier频谱的频率结构特点。应用仿真信号和故障实验数据验证了上述理论分析结果,通过频率解调分析诊断出了太阳轮、行星轮和齿圈的局部损伤故障。     

基于遗传算法的电力系统故障诊断的解析模型与方法──第二部分 : 软件实现

在本文第一部分所发展的故障诊断的解析模型与方法的基础上,首先提出了由计算机自动形成故障诊断的目标函数的方法,这是实现电力系统在线故障诊断所必需的。之后,介绍了为浙江省电力局开发的电力系统在线故障诊断实用软件的构成与主要功能。     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和Soft-Max分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,Soft-Max分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

基于虚拟仪器的机床齿轮箱故障诊断系统的设计

设计了基于虚拟仪器的齿轮箱故障诊断系统,利用图形化编程语言LabVIEW和模块化硬件,对齿轮箱的振动信号实时监测。建立了集参数数据库、故障数据记录库、故障诊断知识库、实时监测及诊断为一体的诊断系统。系统采用压电加速度传感器BZ1185采集齿轮箱振动信号,通过对信号放大、转换和滤波,将信号转换成有限带宽信号,通过数据采集卡AMPCI-9111输入到计算机中。使用开发的虚拟仪器技术开发平台,对CQ9145联合机床齿轮箱振动信号进行了倒频谱和小波分析,实验表明,本系统可以大大提高诊断准确度和效率。