基于双重注意力机制的异步电机故障诊断方法

多源数据融合的深度学习模型中,通常采用等比重的方式将不同类型信号的特征映射至融合层。然而,该过程忽略了非同源信号特征对最终识别效果贡献程度不一致的问题。为此,提出了一种基于双重注意力机制的深度学习模型。该模型首先采用通道注意力模块抑制同源信号内无关分量的影响,其次利用多源数据注意力模块自适应分配非同源信号特征的权重,然后对重新赋权的特征进行融合,最后利用分类器实现模式分类。将所提方法应用于异步电机故障诊断,结果表明,该方法平均识别准确率为99.74%,其诊断效果优于现有方法。     

基于变分模态分解和Wigner-Ville的单向阀早期故障诊断

针对大型往复式机械设备高压隔膜泵单向阀早期故障难以识别的问题,该文提出基于变分模态分解(variational mode decomposition,VMD)和Wigner-Ville的单向阀早期故障诊断方法。首先,利用VMD将原始振动信号分解成有限个IMF分量,基于观察中心频率法筛选富含故障信息的IMF分量;然后,利用魏格纳-维利分布(Wigner-Ville distribution,WVD)对筛选后的IMF分量计算,得到每个分量的Wigner-Ville分布;最后,将各项结果线性求和得到信号的WVD分布。经仿真与工程实验分析,该方法能较好表征出振动信号中所蕴含的单向阀早期故障特征信息,能实现高压隔膜泵单向阀早期故障诊断。     

基于迁移学习的异步电机故障诊断

针对异步电机故障诊断中,故障数据样本少导致传统深度神经网络模型泛化能力差的问题,提出一种异构迁移学习的异步电机故障诊断算法。首先,通过仿真平台模拟异步电机故障,以解决故障数据样本少的问题;其次,对正常和故障状态下的电流电压信号进行小波变换,作为深度学习网络的输入;然后,基于多核最大平均差异方法,获得仿真数据和实测数据的深度特征差异,对深度学习神经网络参数微调,使其深度学习特征具有跨域不变性。最终,在实验平台上验证文中所提算法,实验结果表明,该算法的故障诊断准确率高,依赖实测故障数据样本少。     

基于LCD与奇异值能量差分谱的齿轮故障诊断方法

齿轮是机械传动中的重要组成部分,其故障的发生已经成为影响设备可靠、稳定运行的主要因素。提出一种基于改进局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)与奇异值能量差分谱(Energy Difference Spectrum of Singular Value,EDSSV)的齿轮故障诊断方法。首先,利用支持向量回归(Support Vector Regression,SVR)对信号进行延拓处理,抑制LCD分解过程中产生的端点效应,分析改进后LCD算法的精确性和可靠性;然后结合奇异值能量差分谱降噪理论,有效剔除各ISC中噪声成分,重构信号频谱,提高信噪比;最后计算分解得到的内禀尺度分量(Intrinsic Scale Component,ISC)模糊熵(Fuzzy Entropy,FE)特征集,利用支持向量机(Support Vector Machine,SVM)进行分类。实验研究表明,提出的基于改进LCD与奇异值能量差分谱的齿轮故障诊断方法能有效诊断出齿轮故障类型。     

基于VMD-SDP融合图像和CNN的往复压缩机故障诊断

为提高往复压缩机的故障诊断精度,结合变分模态分解（Variational Mode Decomposition,VMD）、SDP变换和卷积神经网络（Convolution Neural Networ,CNN）,提出基于VMD-SDP融合图像和CNN的往复压缩机故障诊断新方法。方法第一步通过VMD将信号自适应分解成6个本征模态函数分量（Intrinsic Mode Functions,IMF）,第二步通过SDP变换将6个IMF分量变换成极坐标下的图像,从而得到VMD-SDP融合图像,第三步通过CNN对VMD-SDP融合图像进行识别,得到最终的诊断结果。往复压缩机诊断实例结果表明,所提方法在耗时更少的情况下,得到100%的诊断精度,比其他几种方法更具优势。     

基于峭度与IMF能量融合特征和LS-SVM的齿轮故障诊断研究

针对齿轮振动信号非线性非平稳特性,为避免传统时频方法在表征设备状态时的不足,提出一种基于融合峭度与IMF能量特征和LS-SVM的齿轮故障诊断方法。首先,对齿轮振动信号在EMD分解;然后,提取包含主要故障信息的IMF分量的峭度特征和能量特征,组成融合特征向量;最后,将齿轮正常、齿根裂纹、断齿3种状态下的融合特征向量输入到LS-SVM,通过训练好的LS-SVM对齿轮状态进行分类识别。仿真实验结果表明:该方法能准确识别齿轮的工作状态,且与BP神经网络、SVM相比,有着更高的故障识别效率,可用于齿轮信号的故障诊断。     

一种基于遗传算法的VMD参数优化轴承故障诊断新方法

为准确提取轴承故障特征信息,提出以峭度指标和包络熵为综合目标函数的变分模态分解(variational mode decomposition,VMD)参数优化方法,并改进了诊断流程实现了无需指定参数优化范围的自适应参数优化算法。通过遗传算法对综合目标函数最小值进行搜索,以确定模态分量个数及惩罚参数的最佳组合。原始故障信号经最佳参数组合下的VMD方法分解为若干个本征模态函数,选择最小综合目标函数值对应的模态分量进行包络解调分析,进而通过模态分量的包络谱判断轴承故障类型。通过实测故障信号分析表明,该方法能够从噪声干扰中有效提取到早期故障信号的微弱故障特征,实现了轴承故障类型的准确判定,验证了该方法的有效性。     

基于时频图与改进图卷积神经网络的异步电机故障诊断方法

由于传统故障诊断技术依赖于人工提取特征,造成方法的泛化能力及应用受限。针对该问题,提出一种基于时频图与改进图卷积神经网络的异步电机故障诊断方法。首先,通过小波分析方法将电机振动信号转换为时频图,构建不同工况的图像样本;再基于超像素分割法处理图像生成超像素块,将其作为节点,并根据其纹理、颜色、距离特征生成图结构数据;然后将图结构数据输入改进网络,算法可以自适应地提取故障特征、得到诊断结果,其中,网络通过结构学习方法进行改进。该方法通过对节点相似度计算打分,以重构图连接结构,从而克服传统图卷积神经网络在池化操作后存在的图结构完整性缺失问题,实现卷积层和池化层的层层堆叠及图级分类。试验结果表明,所提方法可实现对转子断条故障、轴承故障、单相短路故障的有效诊断,与传统方法相比,具有较高的故障识别准确率。     

节能减排 提高效率 合理使用三相异步电机

本文分析了我国三相异步电动机的使用状况，并在简述电机工作原理的基础上，提出了科学选用异步电动机的注意事项及工作步骤，阐述了维护保养的内容和故障分析的思路。     

基于多元统计的电机故障诊断新方法

提出了用多元统计过程控制方法(MSPC)对异步电动机进行故障诊断的新方法.利用多个传感器测量的异步电机多维信号参量,构建电机在正常工作和发生故障时的Q统计和T2统计,以实现电机的状态检测;利用Q统计和T2统计值构建电机的状态特征向量,通过比较度量当前电机的特征向量H与电机发生故障时的特征向量HF的几何距离来实现电机故障的定位与分离.实验证明,该方法可以有效地实现故障的诊断与分离.     

基于小波包近似熵与LMS加权特征融合异步电机故障诊断

针对大多数情况下异步电机故障在不同传感器和转频等工况参数下的近似熵集合存在差异,难以有效提取表征不同故障状态的信号特征,进行故障状态识别的问题,提出一种基于小波近似熵与加权最小均方误差LMS的特征融合异步电机故障诊断方法。首先,通过小波包分解电机正常、转子不平衡、转子弯曲以及基座松动等故障信号,得到不同频带的信号特性,然后选取最优尺度提取不同频带上近似熵构成集合。然后,结合同种故障不同运行状态下的近似熵集合,通过采用自适应LMS算法进行加权融合提取电机不同故障状态的最优特征,将其作为SVM的输入进行故障分类,从而实现不同工况下故障状态的精确识别。最后,针对异步电机正常运行、转子不平衡、转子弯曲、基座松动四种运行状态,分别采用所提出的SVM分类法和BP神经网络法,结果表明SVM分类法比BP神经网络法的分类识别率更高,诊断效果更好。     

基于谐波小波分析的故障诊断方法研究

谐波小波分析可有效提取非平稳信号中的奇异成分。但当信号中存在噪声时，谐波小波分解的时频等高线图无法凸显其奇异成分。本文采用谐波小波时频剖面图，对仿真信号和齿轮故障信号进行分析，成功提取出信号中的奇异成分。诊断实例证明，该方法可有效用于设备故障诊断。     

基于LabVIEW的滚动轴承故障诊断方法

滚动轴承经常工作于多工况、变工况条件下,加之各振源间相互耦合、非线性强等特点,极易诱发系统中轴承零部件的故障.因此,设计滚动轴承故障诊断软件是十分必要的.本文基于LabVIEW设计了滚动轴承的故障诊断界面,主要分为数据采集界面、时域界面、频域界面、智能诊断界面,能够实现对滚动轴承的离线诊断和在线诊断.     

基于VMD-IMDE-PNN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断的准确性,提出一种变分模态分解( Variational Mode Decomposition,VMD )、改进粗粒化多尺度散布熵( Improved Coarse-grained Multi-scale Dispersion Entropy,IMDE )和概率神经网络(Probabilistic Neural Network,PNN )相结合的滚动轴承故障诊断方法。首先对振动信号进行VMD处理,根据互相关系数准则筛选最佳模态分量,突显振动信号的故障特性;然后针对多尺度散布熵（Multi-scale Dispersion Entropy,MDE）不稳定的缺点,对MDE的粗粒化过程进行改进,提出IMDE的非线性分析方法。模拟信号分析结果表明,相比于MDE方法,IMDE方法降低了熵值波动,提高了熵值稳定性。将两种方法运用于实际滚动轴承实验数据,发现相比于MDE,IMDE熵值曲线更平滑稳定,不同滚动轴承状态下的IMDE熵值曲线区分更加明显。最后采用PNN对提取的特征进行识别,与MPE-PNN,MDE-PNN以及VMD-MDE-PNN方法相比,所提的MD-IMDE-PNN方法能精确地识别滚动轴承的故障类型,且识别率更高。     

MDCNet轴承智能故障诊断方法研究

目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于能量聚集性的轴承复合故障诊断

轴承复合故障类型多样,且部分故障的特征频率相近噪声污染严重。采用经验模态分解(EMD)的方法,在强噪声背景下会引起相近频率故障成分的无法识别,同时也难以提取微弱的故障信号。由此,提出一种基于能量聚集性的轴承复合故障诊断方法。首先借助离散余弦变换(DCT)的频域能量聚集性和奇异值分解(SVD)的时域能量聚集性,对轴承复合故障信号进行预处理,实现降噪并分离频率相近的微弱故障信号。然后对分离出来的不同故障信号进行经验模态分解,去除伪分量,对剩余的本征模态函数进行频谱分析。最后,根据本征模态函数的频谱诊断故障。仿真信号和实测轴承故障诊断信号分析表明,与直接使用EMD进行轴承复合故障诊断相比,该方法能够在强背景噪声下准确分离频率相近的微弱故障分量,改善复合故障诊断的准确性。     

有限元与包络解调相结合的碰摩故障诊断

利用有限元与包络解调方法研究碰摩故障下静子振动信号的变化规律。分析静子振动机理，碰摩时静子受到冲击力作用，会引发静子高频固有振动，提出可采用包络解调法进行碰摩故障的诊断。针对静子结构特点，利用有限元方法进行静子碰摩振动动力学分析，然后进行静子振动信号的包络分析，从而完成分析诊断过程。最后分别进行单点碰摩与局部碰摩故障模拟实验，对实测静子振动信号进行包络解调分析，仿真与实验结果表明静子的高频固有振动信号可以揭示碰摩故障的发生。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。