基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE) (FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法.首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数.试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法.     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键。对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用。     

电机轴承故障的自组织神经网络可视化诊断

滚动轴承是电机的重要部件,及时、准确地对其进行故障诊断是电机安全运行的重要保障。针对滚动轴承常见的状态,包括正常、内圈轻微故障、滚动体轻微故障、外圈轻微故障、内圈中等故障、滚动体中等故障、外圈中等故障等七种情况,基于自组织神经网络,提出了电机轴承故障诊断的可视化方法。首先对采集到的振动信号进行特征提取,然后构建自组织神经网络,经过训练后,利用测试数据对诊断模型进行了测试,试验结果验证了所提方法的有效性。     

地铁车辆交流牵引电机故障诊断的应用及体会

作为城市交通的重要支撑,地铁车辆成为了越来越多人出行的选择,这意味着地铁车辆的运行成为了当前社会关注的重点热点话题,作为保证地铁车辆安全运行的核心设备,交流牵引电机也随之受到了重视,本文就交流牵引电机故障诊断的应用及体会进行了简单探讨,旨在为地铁车辆的安全运行提供理论指导。     

基于径向基函数神经网络的电机轴承智能故障诊断

本文提出了一种新的电机轴承故障诊断方法.首先把滚动轴承振动信号作为识别故障的特征向量,然后送入径向基函数神经网络中,进行故障类别的自动识别.试验结果表明,该诊断模型对电机轴承故障诊断具有良好的诊断效果,系统不仅能够检测到轴承故障的存在,而且能够比较准确地识别轴承的故障模式.     

一种风力发电机轴承故障智能诊断方法

准确识别轴承故障是提高双馈风力发电机运行稳定性的重要手段,声音信号包含大量设备运行状态信息。该文人为预制4种不同的轴承故障,并将故障轴承安装在风力发电机上,在4种转速下对不同故障轴承的运行声音信号进行采集;对采集到的声音信号进行EMD分解,依据相关系数法选取分解的模态分量。基于混沌理论采用相空间重构法将一维数据序列转换为二维序列,利用CNN对二维序列进行特征提取与故障诊断。结果表明该方法对不同转速下滚动轴承故障能够实时准确识别。     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

基于综合信息融合神经网络的轴承故障诊断

因轴承的工作环境恶劣,导致其故障多发,在对轴承故障进行快速诊断和定位时存在困难,为此,提出了一种基于综合信息融合神经网络的轴承故障智能诊断方法.首先,介绍了前置神经网络的工作原理,推导了前置神经网络的链接权值系数训练方法,制定了前置神经网络的算法流程;并基于D-S证据论和Dempster组合规则,设计了后置神经网络的故...     

Hierarchical adaptive deep convolution neural network and its application to bearing fault diagnosis

Traditional artificial methods and intelligence-based methods of classifying and diagnosing various mechanical faults with high accuracy by extracting effective features from vibration data, such as support vector machines and back propagation neural networks, have been widely investigated. However, the problems of extracting features automatically without significantly increasing the demand for machinery expertise and maximizing accuracy without overcomplicating machine structure have to date remained unsolved. Therefore, a novel hierarchical learning rate adaptive deep convolution neural network based on an improved algorithm was proposed in this study, and its use to diagnose bearing faults and determine their severity was investigated. To test the effectiveness of the proposed method, an experiment was conducted with bearing-fault data samples obtained from a test rig. The method achieved a satisfactory performance in terms of both fault-pattern recognition and fault-size evaluation. In addition, comparison revealed that the improved algorithm is well suited to the fault-diagnosis model, and that the proposed method is superior to other existing methods.     

基于深度学习的电机轴承微小故障智能诊断方法*

运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。     

基于分支卷积神经网络的托辊轴承故障分级诊断研究

在对矿山机械装备中使用的轴承进行故障诊断时,易受噪声干扰及多变工况的影响,同时也难以适应不同诊断任务,针对这一系列问题,提出了一种基于分支卷积神经网络(B-CNN)的托辊轴承故障分级诊断方法。首先,根据具体的诊断任务故障的层级结构进行了划分,采用多层标签表示健康状态、故障类型和损伤程度;通过交替卷积和池化层,构建了一维卷积神经网络(1DCNN)特征提取块;然后,将层级结构和特征提取块融合,设计出了一种基于分支一维卷积神经网络(B-1DCNN)的轴承故障分级诊断模型;最后,使用美国凯斯西储大学轴承数据和自建的带式输送机托辊故障模拟实验台数据,对托辊轴承故障进行了模拟实验,对该方法在噪声干扰和多变工况下的诊断性能进行了验证。研究结果表明：该方法成功实现了对托辊轴承故障从粗到精的分级诊断,对噪声干扰和变工况具有较好的鲁棒性,且与支持向量机(SVM)和反向传播神经网络(BPNN)模型相比,该方法的故障诊断性能更好。     

Rolling bearing fault convolutional neural network diagnosis method based on casing signal

Affected by the transmission path, it is very difficult to diagnose the vibration signal of the rolling bearing on the aircraft engine casing. A fault diag     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

用神经网络技术诊断桥式起重机轴承故障

根据BP神经网络的滚动轴承故障振动诊断技术 ,利用信号的时域特征参数、频域和倒频谱的包络谱等特征参数作为神经网络的输入信号 ,建立起故障诊断系统 ,并进行故障诊断试验     

基于神经网络信息融合的柴油机故障诊断

本文论述了神经网络信息融合的原理与方法,首先就BP网络训练速度慢,易陷入局部极小点的问题,提出将附加动量项与自适应学习速率相结合的改进BP算法,有效地抑制了网络陷于局部极小并提高了收敛速度。最后,将振动信号与血管压力信号作为特征参数,分别采用传统BP算法,改进BP算法对供油系统的三种故障进行信息融合诊断分析。实践表明,神经网络信息融合方法非常适用于多征兆机械系统的故障诊断。