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...     

基于Park矢量模信号小波分解的感应电机轴承故障诊断方法

在分析小波包分频特性的基础上，总结出小波包分解子频带按频率高低排列的通式；对三相定子电流的Park矢量模信号进行小波包分解，求相应子频带的小波包分解系数的均方根值（RMS），并用其表征轴承的故障特征，以此作为轴承故障诊断的依据。研究表明，该方法降低了基频电流及电流中噪声的影响，克服了由于受负载变化引起故障特征频率波动使得难以准确提取故障特征频率的缺陷；实验结果证明了该方法应用于电机轴承故障诊断的可行性。     

一种基于深度强化学习的电网潮流特征提取方法

为了解决现有特征提取方法存在特征辨识度低的问题,基于深度强化学习设计电网潮流特征提取方法,为了提升潮流特征的辨识度,利用点估计法计算电网潮流,以此为基础,通过模拟退火算法生成电网潮流图,并灰度处理电网潮流图,以灰度处理后的电网潮流图为依据,利用深度强化学习方法提取电网潮流特征,实现了电网潮流特征的提取。实验结果表明：与现有的电网潮流特征提取方法相比,文中电网潮流特征提取方法极大地提升了特征辨识度,证明了基于深度强化学习的电网潮流特征提取方法具备更好的特征提取性能。     

磨煤机电机轴承故障诊断处理

通过对现场磨煤机电机轴承负载情况理论计算，认定该类电机前端两轴承互不匹配，故将原电机轴承改型，并从电机轴承发生的原因及电机的轴承改型的理论计算，现场实践等方面进行有效的论证。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于多层面压缩深度神经网络的轴承故障诊断

针对在资源有限的工业环境中难以应用基于深度神经网络的故障诊断模型的问题,提出一种压缩深度神经网络的轴承 故障诊断方法,将结构化剪枝、非结构化剪枝、参数量化及矩阵压缩多层面处理相结合,实现了网络多级压缩。 首先用结构化剪 枝剔除卷积层中输出低秩特征图对应的滤波器;再用非结构化剪枝去除全连接层中非重要性连接;最后通过对权重矩阵的参数 量化减少参数表示所需比特数,并结合权值矩阵压缩存储方法进一步减小了网络的参数存储量。 实验表明提出的压缩方法在 保证较高诊断准确率的前提下,极大减少了网络的参数存储量和浮点运算量,缩短了网络训练时间,加快了网络响应速度,为深 度神经网络方法的工业实际应用进行了有益探索。     

基于MUSIC算法的感应电机轴承故障检测方法研究

分析了感应电机轴承发生故障时振动信号的特性以及MUSIC算法及其高分辨率谱估计的特点，提出了一种基于MUSIC算法的感应电动机轴承故障检测方法。结果表明，在短数据情况下，相对FFT分析技术，该方法频率分辨率更高，故障检测更为准确，且计算量小，有利于电机故障实时状态监测。实验证实，将该方法应用于感应电机轴承故障检测，可准确检测出轴承故障时在包络信号中的故障特征成分，方法切实可行。     

基于驱动电机电流与振动信号的有载分接开关故障诊断方法

有载分接开关(on-load tap changer,OLTC)是电力变压器中唯一可以运动的机构,具有复杂的机械结构.为了解决有载分接开关机械故障诊断中样本库无法涵盖所有故障类型的问题,文中提出了一种基于驱动电机电流与振动信号的有载分接开关故障诊断方法.首先,文中研究了有载分接开关多源监测信号的特征提取方法,提出了驱动...     

基于DMD和改进胶囊网络的变工况轴承故障诊断方法

针对轴承单一传感器所测数据存在不全面性和简单利用多传感器数据造成数据过多的问题,引入动态模态分解(DMD)的信号分解方法,将多传感器信号分解为多个模态,并提出利用能量值最大的模态对原始信号进行重构;针对变工况的问题,首先引入含有矢量神经元的胶囊网络(CN),然后提出在胶囊网络中加入转置卷积,构建改进的胶囊网络模型(ICN)充分提取输入数据的空间信息,对故障特征进行智能识别。基于DMD和ICN的轴承故障诊断方法既可以利用多传感器信号,同时也不会造成数据冗余;此外,ICN可以充分提取不同数据的空间信息,并通过动态路由算法计算胶囊层的相关度,实现在变工况下对轴承故障的精确诊断。实验结果表明,基于DMD和ICN模型的轴承智能故障诊断方法,比传统卷积神经网络(CNN)和未改进的胶囊网络具备更强的变工况故障诊断能力。     

基于ACGAN和模型融合的电机轴承故障诊断方法

电机轴承疲劳试验成本较高和故障数据不足导致利用机器学习等人工智能算法进行故障诊断时效果不佳。另外,单一模型对电机轴承故障诊断的准确率也较低。为解决这两个问题,提出了一种结合辅助分类器生成对抗网络(ACGAN)和模型融合的电机轴承故障诊断方法。首先将采集到的振动数据转换为二维灰度图,对每个灰度图添加标签后输入ACGAN模型,生成大量与原始数据高度拟合的新样本。然后将新样本与原始样本混合,经数据降维后输入由6个基学习器和1个元学习器融合而成的模型中。最后由融合模型输出诊断结果。试验证明,ACGAN和模型融合能有效提高电机轴承故障诊断的准确率。     

基于EEMD-DCNN方法的电机轴承故障状态诊断研究

为了提高电机轴承故障状态诊断精度,设计了一种基于EEMD和DCNN的融合方法,实现局部特征的提取和特征图的输出。DCNN从5个不同单元中提取特征,通过全连接层整合相关特征且利用Softmax层完成分类工作,实现对数据短时特征的提取。研究结果表明:采用的方式与BPNN、SVM、WDCNN相比,有着比较显著的优势,诊断效果较为平稳,且数次实验获得的指标标准差是0。该研究可以拓宽到其它的机械传动领域,具有很好的市场应用价值。     

基于小波包能量熵和DBN的轴承故障诊断

轴承是旋转机械设备的关键部件,目前已有很多轴承故障诊断方法,但其中一些方法只能针对特定的轴承故障进行诊断,可能不适用于其他轴承故障问题,而且大部分方法的诊断准确率还可以进一步提高。提出小波包能量熵与深度置信网络(DBN)相结合的方法进行轴承故障诊断。首先对轴承振动信号进行小波包变换,然后以能量熵的形式构建特征向量,这些特征向量含有不同频段内的振动能量大小,可以用于区分各种轴承故障。最后利用基于DBN的深度模型对能量熵特征向量进行故障识别。使用两类轴承数据集进行验证,分别获得100%和99.5%的故障识别准确率。实验结果表明,该诊断方法具有较好的通用性,而且可以达到很高的诊断准确率。     

基于GAF-CapsNet的电机轴承故障诊断方法

针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题,提出一种基于格拉姆角场（GAF）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。利用GAF对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感,特征提取具有优势,同时考虑到VGG网络优秀的特征提取能力,在结合胶囊网络和VGG网络的基础上,加入深度小尺寸卷积层。将GAF编码的振动图像输入到改进的CapsNet网络进行训练,组成GAF-CapsNet模型对轴承故障进行诊断。该模型在凯斯西储大学轴承数据集上进行试验,结果表明,格拉姆角和场（GADF）编码方式相比格拉姆角差场（GASF）编码效果差,效果较好的GADF-CapsNet有99.27%准确率,较差的GASF-CapsNet也有98.83%准确率,相较其他编码方式和卷积神经网络,该模型性能表现普遍比其他模型具有更高准确率。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

用数理统计方法辅助诊断电机轴承故障

武钢某厂3台转炉风机由3台交流异步电动机（另有1台备品）拖动,型号为JK2－500,P＝500kw,n＝2975r／min。自1977年8月投产后不久,曾连续出现轴承因过热烧毁故障,至1986年11月调查时,这4台电机就因负荷侧轴承烧毁或过热而更换轴承达61次之多。多年来,维护检修人员忙得疲惫不堪,也在使用继护和检修质量上做了不少工作,如提高轴承精度等级甚至选用日本进口轴承,将加油时间缩短至200h一次,长期监视记录轴承运行的振动、温升等等。但是,事故频繁程度非但没有减轻,反而愈趋严重。为此,我们对这4台电机的使用情况进行了详细调查,…     

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%。     

基于深度强化学习哈里斯鹰算法的路径规划

哈里斯鹰算法存在容易早熟、陷入局部最优陷阱、稳定性较差等问题。为了提升算法性能,本文提出了一种利用深度确定性策略梯度算法（DDPG）改进的哈里斯鹰算法。该改进将深度强化学习和启发式算法结合,利用深度确定性策略梯度算法训练神经网络,再通过神经网络动态地生成哈里斯鹰算法关键参数,平衡算法全局搜索和局部搜索,并赋予算法后期跳出局部最优陷阱的能力。通过函数优化和路径规划对比实验,实验结果表明,DDPGHHO算法具有一定的泛化性和优秀的稳定性,且在不同环境下均能够搜索到更优路径。     

设备故障诊断的电机电流方法

本文提出一种利用交流电机定子电流信号进行电机及其驱动设备故障诊断的新方法，原始信号由钳式电流传感器拾取，经Hilbert变换包络分析，成功地从中提出有关机械故障信息，对几台典型的往复式空压机和离心泵进行了实测分析，初步证实了该方法的有效性。     

基于LSTM的交流电机系统故障诊断方法研究

交流电机在人们生产及日常生活的各个领域中被广泛应用,并为生产力水平的进步以及日常生活水平的提升做出了重要贡献.电机系统的故障不仅会损害电机系统本身,严重时会导致大量经济和资源的损失与浪费,甚至威胁人身安全,所以,研究电机系统故障诊断方法对保障交流电机系统安全运行具有重要的现实意义.相较于传统故障诊断技术,深度学习方法在...