基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

宽卷积局部特征扩展的 Transformer 网络故障诊断模型

视觉Transformer网络的高精度诊断性能依赖于充分的训练数据,利用卷积网络在提取局部特征上的优势,构造能同时描述故障局部和全局特征的提取层,提高诊断模型的抗噪声干扰能力。首先,引入卷积网络模块将原始振动信号转换为Transformer网络可以直接接收的特征向量,提取故障局部特征,并通过增加卷积网络的感受野。然后,结合Transformer网络多头自注意力机制生成的全局信息,构建能同时描述故障局部和全局特征的特征向量。最后,在Transformer网络的预测层,利用高效通道注意力机制对特征向量的贡献度进行自动筛选。在西储大学(CWRU)轴承数据集上的故障诊断结果表明,在信噪比-4 dB的噪声干扰下,改进后的Transformer网络轴承故障诊断模型的准确率达90.21%,与原始Transformer模型相比,准确率提高了13.2%,在噪声环境下表现出优异的诊断性能。     

基于EEMD模糊熵和支持向量机的轴承故障诊断方法

电动机轴承的振动信号具有不平稳、非线性和高噪声等特点.在轴承故障的情况下,通过原始信号或部分时域特征参数不易准确判断故障位置.为解决此问题,在考虑时域特征的基础上,进一步通过集成经验模态分解(EEMD)和模糊熵进行特征参数提取.将轴承在正常、内滚道故障、滚动体故障以及外滚道的三个方向故障状态下的振动信号通过集成经验模态分解和计算模糊熵的方法提取信号特征,并与时域特征相结合得到10维特征向量.使用支持向量机(SVM)分类方法对所提取特征进行训练,最终得到可用于电动机轴承故障诊断的模型.比对发现,经特征提取后的模型训练速度和准确率均有较大提升,表明此方法对电动机轴承故障诊断是有效的,并为电气设备的故障诊断提供一种新思路.     

声测法和经验模态分解在轴承故障诊断中的应用

提出了一种基于声测法、经验模态分解(EMD)和包络谱分析的轴承故障诊断新方法。声测法是轴承故障诊断最有效方法之一,但在获得的声测信号中含有大量噪声,严重影响了信号处理的结果。采用EMD可以有效地实现对信号的处理,大大地提高信噪比。EMD是把时间序列信号,分解成不同特征时间尺度的固有模态函数(IMF),具有自适应的分析能力,通过选取表征轴承故障的IMF分量进行包络谱分析,可提取轴承故障信号的特征。实验结果表明该方法能有效地诊断轴承故障。     

TKEO和SET在轴承故障诊断中的应用

时频分析是提取轴承故障诊断的重要方法,在强背景噪声下难以提取瞬态故障特征。针对这一问题,提出一种基于Teager-Kaiser能量算子(TKEO)和同步提取变换(SET)的轴承故障诊断方法,提高SET的时频分析能量的集中度。该方法首先对采集的轴承振动信号进行提取TKEO处理,凸显轴承故障振动信号的冲击分量;然后,对处理后信号进行SET时频分析,通过同步提取算子(SEO)提取时频脊线的时频系数,实现对瞬态故障特征提取;最后通过仿真信号和实测信号进行分析,验证该方法的可行性。实验结果表明:该方法可以有效提取轴承的故障特征,且与先前的时频分析方法相比分析结果具有一定的优越性。     

基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法

为了解决滚动轴承一维振动信号中故障特征微弱难以提取和深度学习模型层数加深容易导致梯度消失或梯度爆炸从而引起模型恶化、导致故障诊断准确率低和鲁棒性差的问题,本文提出一种基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法。将滚动轴承一维振动信号通过滚动采样后利用EMD对其进行分解并重构,再使用GAF将重构的一维信号转换为二维图像作为模型输入,模型方面选取DenseNet121为主干,引入了SERE模块,并将2层卷积的Dense Layer改进为3层稀疏的、基数为8的模块;将二维图像作为输入通过该模型进行特征提取和故障分类。采用凯斯西储大学的轴承数据集进行仿真实验,实验结果表明,本文方法能够准确地完成滚动轴承故障诊断,故障诊断最大准确率100%,10次实验平均准确率99.91%,与常见的深度学习模型进行比较,本文方法具有较大的优越性;在信噪比为10 dB的环境下故障诊断准确率为96.48%,本文方法具有较强的鲁棒性。     

改进DRSN 的抽油机轴承故障诊断系统∗

传统油田抽油机维护主要靠人工巡检,油田开采又处于高负荷、强噪声的环境,导致油田抽油机轴承工况 监测难度较大.针对抽油机轴承故障诊断存在准确率低、抗噪声性能弱和效率低、成本高的问题,提出一种基于改进 深度残差收缩神经网络(DRSN)模型的多信息诊断抽油机轴承故障的方法.首先,根据抽油机轴承从正常状态到故 障状态的性能退化过程,通过多采样点随机采样获得初步数据,将预处理的现场采集抽油机轴承多信息数据样本作为 网络输入.然后,通过改进DRSN模型,引入跳跃连接使得梯度信息能直接从深层反向跨越传递到浅层,避免了梯度 消失问题,使得网络更易于优化,同时软阈值化和注意力机制的加入,使得网络模型可以根据数据集的噪声含量设定 不同的阈值,降低噪声干扰并提高诊断准确率.最后,通过实验对比改进DRSN 模型与传统神经网络模型的训练结 果,发现改进DRSN模型训练误差更低,诊断响应速度更快,平均故障诊断准确率提高３％~８％.     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

人工蜂群优化支持向量机的电气故障诊断方法研究

电气故障诊断具有重要的实际应用价值,针对电气故障诊断中的支持向量机(SVM)参数选择问题,提出了人工蜂群优化SVM的电气故障诊断模型。首先采用小波分析去除信号中的噪声,并提取特征,然后采用人工蜂群优化算法确定SVM的最优参数,建立电气故障诊断模型,最后通过与其他电气故障诊断模型进行对比实验。结果表明,WA-ABC-SVM可以描述电气设备状态与特征间的变化关系,提高了电气故障的诊断正确率,诊断结果要高于对比模型。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

基于ICEEMDAN多尺度模糊熵和MVO-KELM的变压器绕组铁心机械故障诊断

针对变压器绕组铁心机械故障诊断精度不足的问题,提出了一种基于改进自适应白噪声完整集成经验模态分解(ICEEMDAN)多尺度模糊熵(MFE)和多元宇宙优化算法优化核极限学习机(MVO-KELM)的变压器绕组铁心机械故障诊断方法。首先,为了避免虚假模态分量的产生,采用改进的ICEEMDAN对变压器原始振动信号进行分解。其次,利用Pearson相关系数法选取相关性最高的模态分量,并计算其MFE值。然后,将MFE值作为特征量构建特征数据集,并利用MVO优化KELM的核参数和正则化系数。最后,将特征数据集输入所建MVO-KELM模型进行分类识别,实现高准确率诊断目标。试验结果表明,所提方法具有优秀的诊断精度和稳定性,能够精确诊断变压器绕组铁心不同松动程度的故障,诊断准确率达到了99%以上,可为变压器现场检修策略的制定提供一定的指导。     

Wind Turbine Gearbox Fault Diagnosis Based on Multi-Sensor Signals Fusion

This paper proposes a novel fault diagnosis method by fusing the information from multi-sensor signals to improve the reliability of the conventional vibration-based wind turbine drivetrain gearbox fault diagnosis methods. The method fully extracts fault features for variable speed, insufficient samples, and strong noise scenarios that may occur in the actual operation of a wind turbine planetary gearbox. First, multiple sensor signals are added to the diagnostic model, and multiple stacked denoising auto-encoders are designed and improved to extract the fault information. Then, a cycle reservoir with regular jumps is introduced to fuse multidimensional fault information and output diagnostic results in response to the insufficient ability to process fused information by the conventional Softmax classifier. In addition, the competitive swarm optimizer algorithm is introduced to address the challenge of obtaining the optimal combination of parameters in the network. Finally, the validation results show that the proposed method can increase fault diagnostic accuracy and improve robustness.     

模块化五电平逆变器子模块开路故障的智能诊断方法

基于深度学习理论,提出了一种基于栈式稀疏自动编码器(SSAE)的模块化五电平逆变器(MFLI)子模块开路故障诊断方法。该方法将MFLI子模块开路故障检测与定位问题转化成分类问题,首先将子模块电容电压信号组合成24通道序列信号,然后沿着24通道序列移动大小为24×40滑动窗口获得"数据带"样本,紧接着将"数据带"转化为向量输入到SSAE中进行逐层无监督特征学习,构建原始故障数据集的深层特征简明表达,最后将深层特征简明表达连接到Softmax分类器输出故障诊断结果。此外,为了提高该方法的抗噪性能,利用已添加高斯白噪声的数据对SSAE进行训练,以提高其特征表达的鲁棒性。结果表明,所提出的故障诊断方法平均准确度达到98.09%,故障平均诊断时间为31.47ms,且具有较高的鲁棒性。     

三电平逆变器的决策树SVM故障诊断

针对二极管箝位型三电平逆变器的开路故障诊断问题,提出一种基于决策树支持向量机(decision tree support vector machines,DT-SVM)的故障诊断方法。以逆变状态为例,首先分析逆变器主电路的运行情况并进行故障分类,然后以中、上、下三种桥臂电压为测量信号,采用小波多尺度分解法提取特征信号,进而利用粒子群聚类算法(particle swarm clustering algorithm)生成决策树SVM分类模型,最终实现了三电平逆变器的多模式故障诊断。仿真结果表明,本方法在使用了较少分类模型的情况下完成故障诊断任务,相较于BP神经网络、一对一结构的支持向量机和极端学习机等方法,在10%白噪声扰动下对于三电平逆变器多模式开路故障的诊断精度可达98.46%,算法具有更好的准确性和鲁棒性。     

基于降噪自动编码器与一维卷积网络的风机故障诊断方法

针对风力发电机在发生不同故障时相应的传感器数据会发生变化的特点,提出了一种基于自动降噪编码器与一维卷积网络的故障诊断模型。通过构建在时序上能同时识别多个特征的一维卷积层,实现对所有传感器时序数据的特征提取,提取的特征在全连接层的作用下,通过合理设置网络结构与参数,实现对故障的准确识别。同时,针对在复杂生产环境中,传感器的数据会含有噪声的情况,提出了基于自动降噪编码器的降噪方法,通过降噪编码器的降噪作用,将噪声信号重构成原始信号,从而提高在噪声环境下的故障识别效果。仿真算例表明,与基于模型的方法和其他基于数据驱动方法……相比,所提出的方法在精度、鲁棒性上都有明显优势……。     

疲劳裂纹扩展电位信号的最优光滑降噪算法

在采用直流电位降法对疲劳裂纹扩展过程进行实时监测时,由于受到多种噪声干扰使疲劳裂纹扩展电位信号不准确。 为了提高其准确性与光滑性,对疲劳裂纹扩展电位信号建立基于变分模态分解(VMD)的最优光滑降噪算法,将裂纹电位信号 进行 VMD 分解后,根据各个模态分量的样本熵、相关系数和均方误差等指标,剔除裂纹电位信号中的噪声分量和对含噪的有效 模态分量进行降噪处理;然后选择合适的模态分量进行裂纹电位信号的重构,对比不同信号重构方案,选出最优重构信号;最后 对最优重构信号建立不同光滑滤波算法,通过对比光滑度、均方误差、信噪比等指标得出最优光滑降噪模型。 分析结果表明该 算法模型光滑降噪效果良好,降噪误差比为 0. 122 050,提高了监测信号的光滑性与准确性。     

三电平逆变器IGBT的开路故障诊断研究

针对三电平逆变器开关器件中IGBT的开路故障,研究单桥臂上多种故障形式,提出了测量二极管桥臂上两端电压作为故障信息,以分析每一种故障情况的诊断模型,然后根据故障信号和小波函数的特点,利用小波变换将故障信号转化为故障特征向量,采用SVM来进行故障诊断。为了提高诊断精度利用改进的布谷鸟优化算法进行参数寻优,得到最优模型,实现了多种故障的诊断分类。通过对二极管钳位三电平逆变器仿真进行验证,诊断结果准确可靠,验证此方法的可行性。