共查询到20条相似文献,搜索用时 62 毫秒
1.
针对风电机组轴承微弱故障信号的特征提取困难和故障诊断模型性能差等问题,提出一种并行卷积神经网络的故障诊断方法。首先,利用连续小波变换将一维信号转换成二维时频特性图;其次,构造一种并行卷积神经网络结构,该结构由大卷积层和并行卷积层组成,大卷积层快速提取输入层所有特征,并行卷积层识别特征中的有效故障信息,且并行卷积层为双层小卷积并行结构;然后,采用特征融合层,融合并行卷积层2次特征提取后的故障特征,实现诊断模型内部的特征增强,降低模型复杂度;最后,经实验验证,该模型诊断轴承故障的准确率为98.25%。 相似文献
2.
特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。 相似文献
3.
针对风力机轴承振动信号的非线性特点,对轴承不同工作状态振动信号进行相空间重构,还原信号非线性动力学特性;通过计算获取嵌入维数和延迟时间以构建二维混沌相图,并以不同工作状态的混沌相图作为样本,输入二维卷积神经网络开展学习建模,构建相空间-卷积神经网络故障诊断模型。结果表明:轴承不同状态振动信号具有明显的混沌特性,二维混沌相图具有不同的非线性表征;二维相图随故障程度变化而变化,但保持原有的“相形”;以相同尺寸二维相图,结合卷积神经网络构建故障诊断系统,不仅对相同故障程度的工作状态准确度高,且当同一故障其程度不同时,也非常精准,表明所提出故障诊断模型具有良好的泛化能力。 相似文献
4.
为解决传统机械故障诊断方法需要人工提取特征的不足,提出一种基于多重注意力-卷积神经网络-双向门控循环单元(multiple attention-convolutional neural networksbidirectional gated recurrent unit,MA-CNN-BiGRU)的端到端的故障诊断方法。首先将原始时域数据输入卷积神经网络(convolutional meural networks,CNN)进行初步特征提取并降维,然后将结果重组输入双向门控循环单元(bidirectional gated recurrent unit,BiGRU),可以有效地解决BiGRU对于过长序列数据处理困难的问题。采用美国凯斯西储大学开源轴承数据集进行训练,确定了最佳卷积层数和最佳样本长度约减比例分别为2和1/8。同时,通过在CNN和BiGRU中分别加入卷积注意力模块(convolutional block attention module,CBAM)和序列注意力模块(sequence attention module,SAM),进一步加强了模型对于关键信息的提取能力。最后实测柴油机故障振动信号试验表明:MA-CNN-BiGRU模型可以实现端到端的故障诊断,与变分模态分解(variational mode decomposition,VMD)-核模糊C-均值聚类算法(VMD-kernel fuzzy C-means clustering,VMD-KFCM)、VMD-反向传播神经网络(back propagation neural network,BPNN)和一维CNN等方法进行对比,MA-CNN-BiGRU模型的故障诊断性能更优。 相似文献
5.
针对内燃机增压器滚动轴承振动信号易受噪声影响、故障特征微弱的问题,提出了一种基于倒谱(cepstrum)–对称点图谱(symmetrized dot pattern, SDP)–卷积神经网络(convolution neural network, CNN)的智能故障诊断方法。通过倒谱对原始信号进行故障特征提取,获取能够反映滚动轴承故障类型的特征向量。然后应用对称点图谱方法将一维倒谱数据映射到极坐标空间,并进行灰度化处理得到SDP特征灰度图,将特征图导入到卷积神经网络进行特征挖掘和故障识别。最后通过滚动轴承外滚道、内滚道和滚动体出现损伤的故障试验,构建了9类故障状态原始信号,验证了基于倒谱–SDP–CNN的智能故障诊断方法。结果表明:倒谱–SDP–CNN方法具有运算简便、快捷、受噪声影响较小等优点,对试验测试集的故障识别准确率达到97.5%,可以较为准确地诊断增压器滚动轴承的故障状态和严重程度。 相似文献
6.
针对风力发电机行星齿轮箱的健康维护和状态检测难以诊断的问题,该文提出一种初始网与膨胀卷积相融合的初始膨胀卷积神经网络(IDCNN)的故障诊断研究方法。该方法首先构建初始膨胀卷积层以扩大感受野来使学习到的故障特征更加丰富。随后为了方便信号输入且确保信息丰富,将采用将一维原始信号序列转化为二维矩阵的预处理方法。最终将生成的二维信号输入到IDCNN中进行模型训练,并用测试数据对模型进行评估。实验结果表明,提出的IDCNN方法在风力发电机行星齿轮箱的故障诊断中精度高,在对比结果中该文提出方法的诊断精度要高于传统的深度学习方法。 相似文献
7.
8.
针对CEEMDAN算法处理非线性振动信号存在虚假、冗余分量问题,基于分形理论,提出了一种改进自适应白噪声总体平均经验模态分解(ICEEMDAN)融合卷积神经网络(CNN)方法。以轴承损伤实验数据与仿真信号为分析对象,采用CEEMDAN算法将其分解以实现降噪,并采用主成分分析(PCA)降维提取有效的故障特征,利用分形盒维数筛选最佳重构分量并剔除无关分量,最终由CNN对其进一步挖掘实现故障诊断识别与分类。最后,将本文方法与现有多种融合深度学习方法进行对比并采用t-SNE进行可视化分析,以验证本文方法的可靠性和实用性。结果表明:各信噪比方法对实验数据均具有较强的鲁棒性和泛化性,且分类准确率较原始方法提高了0.54%~10.33%。 相似文献
9.
10.
轴承是保障旋转机械安全运行的关键部件,传统的故障诊断方法在轴承复杂多变的运行环境中故障特征提取难且识别难度大。为此,提出了一种基于改进的时频自适应胶囊网络轴承故障诊断方法。首先,将一维原始振动信号通过EEMD-HHT特征增强方法转化为复合时频结构数据,增强非平稳信号特征的可分性;然后,改进原胶囊网络卷积层,用于自适应深度提取振动信号的时频结构特征;最后,针对卷积神经网络的平移不变性引入胶囊层,采用动态路由算法学习储存特征信息,并实现故障类型智能诊断。试验结果表明,所提方法较现有方法具有更强的故障敏感特征挖掘能力、更高的诊断精度及工况自适应能力。 相似文献
11.
针对压燃式活塞发动机缸盖表面振动信号样本少及传统故障诊断方法特征提取和选择困难的问题,提出了一种基于连续小波变换(continuous wavelet transform, CWT)和模型无关元学习(model agnostic meta learning, MAML)的压燃式活塞发动机气门间隙异常故障诊断方法。通过将CWT的特征提取能力和MAML的快速学习能力相结合搭建故障诊断模型。试验结果表明该方法能有效识别气门间隙故障,并且其准确率高于传统基于CWT和卷积神经网络(convolutional neural network, CNN)的故障诊断方法。通过跨域故障对比试验,研究了不同气门故障类型对模型诊断能力的影响,验证了该方法在解决小样本和跨域故障问题时具有更高的准确率和泛化能力。 相似文献
12.
提出了一种分数阶域多尺度特征卷积神经网络的智能诊断方法。首先,对原始振动信号进行分数阶傅里叶变换(FRFT),获得多个分数阶次下振动数据的时频特征;其次,构建具有多尺度特征学习模块的轻量级卷积神经网络(MFL-Net),进一步从分数阶域时频特征中提取故障信息,通过训练获得诊断模型并应用于故障识别;最后,通过离心泵和滚动轴承故障数据集对所提方法的有效性进行验证。结果表明:所提方法可以有效提取非平稳信号中的故障特征,并实现故障的准确诊断。 相似文献
13.
基于时频谱图和粗糙集的柴油机故障图像纹理特征自动提取 总被引:1,自引:0,他引:1
将图像纹理特征提取技术引入到柴油机连杆轴承磨损故障诊断中,首先采用连续小波变换对柴油机连杆轴承振动信号进行时频分析,为了减少循环波动的影响,将三个工作循环信号的时频分布平均为一个工作循环信号的时频图;然后将不同磨损工况的时频分布图转化为灰度图像,提取基于灰度共生矩阵四个角度的图像纹理特征参数;最后利用变精度粗糙集理论提取与故障程度强相关的特征参数。诊断实例表明:灰度共生矩阵能够反映柴油机连杆轴承不同磨损工况,变精度粗糙集可以从中提取出与故障程度强相关的五个关键参数用于分辨连杆轴承的四种磨损工况,小波时频图像特征提取和变精度粗糙集相结合能实现连杆轴承故障特征的自动提取。 相似文献
14.
针对强噪声背景下滚动轴承振动信号故障特征难以提取和识别困难的问题,提出将自适应白噪声平均总体经验模态分解(CEEMDAN)样本熵与卷积神经网络(CNN)联合的故障诊断方法(CEEMDAN样本熵-CNN方法)。基于分形理论,采用CEEMDAN算法分解振动信号并提取其非线性特征,通过分形盒维数筛选最优IMF分量,以其样本熵构成的特征向量输入CNN模型,实现轴承故障的分类和诊断,并进行t-SNE聚类可视化分析。结果表明:在不同工况下,与经验模态分解(EMD)样本熵和集成经验模态分解(EEMD)样本熵方法相比,所提CEEMDAN样本熵-CNN方法具有良好的识别能力和泛化性能,其可视化分析结果更具直观性。 相似文献
15.
针对滚动轴承振动信号易受环境噪声干扰及浅层学习模型依赖人工经验难以准确提取故障特征的难题,提出了一种优化自适应白噪声平均总体经验模态分解(OCEEMDAN)与卷积神经网络(CNN)联合的故障诊断方法。采用自适应白噪声平均总体经验模态分解(CEEMDAN)算法对原始信号进行分解,分形维数筛选最佳分量,奇异值(SVD)降噪优化,输入CNN实现故障诊断,分别与EMD-CNN、EEMD-CNN及CEEMDAN-CNN方法进行对比。结果表明:该方法在不同工况下均具有较高的识别率,突显了良好的鲁棒性与泛化性。 相似文献
16.
通过卷积神经网络(Convolutional Neural Network, CNN)处理轴承一维时域或频域信号,难以提取具有代表性的非线性特征信息,且易忽略低层次信息。针对这一问题,基于多尺度特征提取,引入一种特征注意力机制,提出一种基于卷积双向长短期记忆网络(MSAM CNN BiLSTM)的轴承剩余寿命预测方法。基于西安交通大学(Xi′an Jiao Tong University,XJTU)轴承数据集中的3组数据对MSAM CNN BiLSTM、LSTM、CNN LSTM和MSAM CNN LSTM 4种方法的预测误差进行对比分析。结果表明:MSAM CNN BiLSTM方法在3组数据集中的预测误差均小于其他3种方法,说明该模型能同时学习数据中的低层次与高层次信息,可有效提高轴承的剩余寿命预测精度。 相似文献
17.
18.
19.
人工智能技术的飞速发展为现代能源装备的精益化故障诊断与健康管理提供了可能。风电齿轮箱由多个齿轮、轴承组成,且长期在变速、变载荷工况下运行,依靠传统的故障特征提取结合机器学习方法进行故障诊断存在精度低、缺乏智能性等缺点。文章提出了基于一维密集连接卷积网络的风电齿轮箱故障分类方法:将原始振动信号直接送入网络模型,经过密集连接、合成连接与卷积运算,匹配对应的故障类型,迭代训练故障分类模型;振动信号输入模型后的分类结果决定所属故障类别。文章所提出的风电齿轮箱故障分类方法具有诊断流程简单、故障识别率高等特点,多工况试验台故障数据验证了该方法的有效性。 相似文献