变工况下太阳轮故障的非平稳振动信号分析

针对变工况下风电机组行星齿轮箱太阳轮故障振动信号(非平稳)难于诊断问题,提出一种适合变工况下太阳轮故障的包络角域加窗同步平均特征提取方法。首先,引入计算阶比跟踪技术将变速工况下太阳轮故障时域振动信号转化为角域,使每转具有固定采样点数量;然后,采用加窗振动分离方法减少时变传输路径对太阳轮角域信号的影响,使得故障特征更加凸显;最后,利用包络分析在弱特征信号提取方面优势及同步平均方法抑制随机噪声成分干扰,从而实现太阳轮故障特征准确提取。通过对故障太阳轮实测振动信号分析,验证所提方法的有效性。     

基于改进的时频自适应胶囊网络轴承故障诊断方法

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。     

基于阶次解调谱的滚动轴承故障诊断方法

针对变转速工况下滚动轴承的故障诊断问题,提出一种基于阶次解调谱的故障诊断方法。该方法先利用线调频小波路径追踪算法提取转速信号,并根据转速信号对轴承振动信号进行角域重采样,将时域非平稳信号转化为角域平稳信号。然后对角域平稳信号进行变分模态分解(variational mode decomposition,VMD)得到若干本征模态函数分量(intrinsic mode function,IMF),并利用峭度指标筛选出敏感IMF分量,最后对敏感IMF进行Hilbert变换获得其阶次解调谱,通过提取阶次解调谱中的故障特征阶次来识别轴承故障。仿真和实验分析结果表明,该方法成功提取出故障特征阶次,可实现变转速工况下滚动轴承故障的有效诊断。     

基于CBAM-InceptionV2-双流CNN的风电机组轴承故障诊断

针对风电机组轴承故障诊断中经典一维卷积神经网络和二维卷积神经网络准确率低的问题,将一维原始振动信号和二维时频图相融合,构建基于CBAM-InceptionV2-双流CNN的滚动轴承故障诊断方法。首先,通过快速傅里叶变换和小波变换,将原始振动信号转化为一维数据和二维时频图;其次,构建基于CBAMInceptionV2-双流CNN模型;最后,将提取到的双层特征信息进行融合,并输入到Softmax完成故障分类。实验结果表明,所提模型能够显著地提升轴承故障诊断的准确性。     

基于CNN-SVM的水电机组智能故障诊断方法研究

在当前水电机组智能故障诊断的方法中，人为选择故障分类特征的主观性及故障小样本数据的局限性对故障诊断结果的准确性具有重要影响。对此，结合卷积神经网络(CNN)的特征提取优势和支持向量机(SVM)优良的小样本处理能力，提出了一种针对水电机组振动故障诊断的CNN-SVM方法。该方法以水电机组振动信号的时域波形图作为模型输入，然后利用CNN提取信号特征并导入SVM实现机组故障诊断。最后，通过具体的实例分析，验证了所提诊断方法的优势。     

基于深度学习风力机齿轮箱的故障诊断

风力机齿轮箱因长期处于多噪声、高转速工况下运行，振动信号呈现非线性特性，致故障信息难以准确有效提取。基于此，提出自适应白噪声平均集成经验模态分解（CEEMDAN）与卷积神经网络（CNN）联合故障辨别与诊断方法。利用CEEMDAN较强的非线性特征分解能力将振动信号分解，多重相关系数筛选有效故障特征分量组并剔除冗余分量，再将最佳分量组输入CNN实现故障诊断。结果表明：不同故障状态和信噪比下，较EMD-CNN与EEMD-CNN方法，均突显了所提方法良好的鲁棒性与泛化性。     

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

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。     

基于降噪–残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪–残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。     

基于CEEMDAN样本熵与卷积神经网络的轴承故障诊断

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。     

基于迁移学习的风电机组轴承故障诊断研究

针对风电机组运行工况复杂，实际采集的振动信号存在分布差异，导致故障诊断模型的分类效果偏低问题，提出一种具有多核领域适应（MKDA）的多尺度卷积神经网络（MSCNN）风电机组轴承故障诊断研究方法（MKDA-MSCNN）。该方法通过迁移理论将已知风电机组知识迁移至目标风电机组实现故障诊断。首先，利用源域数据预训练MSCNN网络，再利用多核领域适应减小源域和目标域分布差异，最终获得目标风电机组故障诊断模型。试验结果表明，该文提出的MKDA-MSCNN方法在实际风电机组轴承故障诊断中分类精度高达96.17%，对比结果表明该文所提方法的故障分类准确度优于其他深度学习和深度迁移学习方法，对迁移学习理论在实际工程风电机组轴承故障诊断中的研究具有一定价值。     

基于深度学习的齿轮箱故障模糊诊断方法

风电机组齿轮箱作为传动系统重要组成部分,其运行状态关乎整个风电机组的健康运行。由于齿轮箱振动信号具有非线性、非平稳等特性,传统时频分析方法分解故障信号和提取故障特征的能力有限。因此,文章提出将深度学习应用于齿轮箱故障诊断中,通过构建一维卷积神经网络模型对齿轮箱不同状态下的特征向量进行高效提取、重构。同时,将模糊理论应用于分类器,构建一个模糊多分类器(FMC)对故障进行识别,提出了以平均隶属度作为故障等级判断标准。实验结果表明,文章所提方法在确保齿轮箱故障诊断高准确率的同时,提升了故障分类的精度。     

融合技术在柴油机故障诊断中的应用

导致柴油机同一故障的各相关检测信号使其融合,应用在神经网络故障识别系统中,可以快速、准确地诊断柴油机故障.本文主要融合气缸振动信号、喷油信号及水温信号,设计了通过提取信号特征值,应用神经网络识别系统诊断柴油机功率下降故障的方法.信号特征值分别按各自信号的特点提取,其中气缸振动信号以振动信号的各子带功率谱为特征,即在频域中选取特征;喷油信号以信号波形形状识别为特征,即在时域中选取特征;水温信号因其为慢速变化信号,取不同阶段的水温信号为特征.     

柴油机气门故障特征提取方法研究

针对柴油机气门故障诊断问题,在柴油机上模拟了气门间隙异常、气门漏气故障,同步测取了正常和故障情况下的缸盖振动与瞬时转速信号,提出了基于阶比跟踪的振动信号等角度重采样方法,准确地实现了振动信号时间域到角度域的转换,避免了频谱泄漏及混叠。考虑到缸盖振动信号的非平稳特性,应用经验模态分解法将振动信号分解成一系列具有不同尺度的内禀模态函数,利用三维Hilbert谱提取了反映柴油机故障的特征参数。试验结果表明:研究方法可以有效地提取柴油机振动信号的故障特征,从而实现柴油机配气机构故障诊断。     

变转速下基于COT-MCKD-STH的风电机组轴承复合故障诊断

为诊断变转速下风电机组轴承复合故障,提出计算阶次追踪(COT)、最大相关峭度解卷积(MCKD)和自互补顶帽(STH)变换相结合的方法。首先对时域信号进行等角度重采样,利用果蝇优化算法(FOA)搜索MCKD最佳滤波长度和STH变换最佳结构元素尺度,重采样信号经解卷积处理后,利用STH对分离的单一故障源成分进行形态学解调,最终通过分析所得阶次谱判定轴承损伤。结果表明:所述方法能有效提取变转速工况下轴承复合故障特征,具有一定工程参考价值。     

基于振动和缸压信号的柴油机敲缸故障识别

针对某型船用柴油机的敲缸故障,提出一种基于振动和缸压信号的联合分析诊断方法。结合上止点传感器的脉冲信号,将振动和缸压时域信号根据柴油机曲轴转角位置转换为曲轴转角域信号。根据在曲轴转角域出现敲缸特征信号时对应的振动加速度判断柴油机敲缸激励源频率范围,在此基础上通过带通滤波降噪提高敲缸特征信号的信噪比。基于四冲程柴油机工作周期与曲轴转角的关系对振动和缸压曲轴转角域信号提取故障特征。经柴油机多工况数据验证,本方法对识别柴油机敲缸故障简便、有效、准确性高。     

基于神经网络信息融合的发动机失火故障诊断

对发动机气缸失火故障进行实车模拟试验,测量了发动机的机体振动信号及瞬时转速信号,并对其进行了时、频域分析.通过小波分析方法提取了振动信号能量特征,通过复杂度分析方法提取了转速信号的复杂度特征用于故障诊断.根据多传感器信息融合理论,建立了集成神经网络信息融合模型对气缸失火故障进行了诊断.结果表明,发动机机体振动能量特征和转速复杂度特征能够反映气缸失火现象,基于发动机振动和转速信息融合进行气缸失火故障诊断,诊断可靠性较高.     

基于阶比跟踪与VMD的瞬变工况发动机故障特征提取

针对发动机加速过程振动信号的非平稳性和存在强背景噪声的特点,提出阶比跟踪与变分模态分解(VMD)相结合的方法。对于柴油机曲轴轴承故障和汽油机连杆轴承模拟试验振动信号,利用阶比跟踪技术将时域上的非平稳信号转化为角域上的伪平稳信号,利用VMD对重采样信号进行分解,选择包含故障信息的模态分量,计算其阶比、转速、功率谱所构成的三维阶比谱阵,提取故障特征。仿真分析和故障模拟试验验证了该方法的有效性。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型.首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集.然后,在网络结构中构建多尺度特征融合模块自适应提取故...     

HHT与RBF神经网络在离心泵故障振动信号处理中的应用

根据离心泵故障振动信号的特点,提出了一种Hilbert-Huang变换(HHT)和径向基(RBF)神经网络相结合的离心泵振动信号故障诊断新方法。首先,将离心泵振动信号时间序列数据经验模态分解(Empirical Mode Decomposition,简称EMD),然后经过Hilbert-Huang变换获得各模态(Intrinsic Mode Functions,简称IMF)的能量,并以“能量比”为元素,利用能量比构造离心泵振动信号的特征向量可以很好刻画不同振动故障信息;应用RBF神经网络建立了从特征向量到故障模式之间的映射实现故障的诊断,对于离心泵的正常状态、质量不平衡、转子不对中和基础松动故障具有很高的诊断率。实验研究结果表明,该方法可以有效地对离心泵振动信号进行诊断。