基于轻量级CNN的电机轴承故障诊断研究

针对深度学习在嵌入式或移动端设备中用于故障诊断时,受限于有限的硬件资源而又需要有足够的效率和精度的应用需求,提出基于轻量级卷积神经网络的电机滚动轴承故障诊断方法。首先对滚动轴承的振动信号数据集进行连续小波变换生成固定尺寸的时频图,并以此方式生成数据集输入网络进行训练。使用测试集进行测试,结果表明,所生成的故障诊断预测网络模型具有较高的识别精度和识别速度,准确率达到99%。通过验证噪声对网络的影响,表明所使用的网络具有较好的鲁棒性和泛化能力。     

滚动轴承制造精度振动测试模型构建方法研究

滚动轴承的振动是非常复杂的随机机械现象,在轴承制造过程中,常采用振动测试作为其质量评判标准,其关键技术是振动信号的分析。针对滚动轴承制造质量测试过程中振动信号的分解和判别模型构建问题,提出基于粒子群优化算法（PSO）的滚动轴承振动信号的变分模态分解（VMD）和支持向量机（SVM）判别模型构建方法。首先,采用自动测振仪对不同精度等级的轴承振动信号进行采集;其次,对振动信号进行VMD分析,以变分后的有限带宽模态函数（IMF）与原信号的相关系数ρ为适应度函数对VMD参数中的模态分解个数K和二次惩罚项α进行优化;然后,根据各模态的中心频率与其原始信号的相关性对模态分量进行优选和信号重构,并计算重构信号的多尺度排列熵（MPE）特征;最后,采用PSO算法对支持向量机（SVM）模型的惩罚参数c和核函数参数g进行优化,建立滚动轴承质量实时分析的SVM判别模型。试验结果表明：经PSO优化后的VMD-MPE-SVM模型对轴承制造精度的正确判别率为95.00%。研究结果可为滚动轴承制造过程中产品精度实时全检提供一种参考方法。     

基于双谱分析的滚动轴承故障诊断

针对工程中常见滚动轴承的振动信号含有高噪声和非线性等特点,利用双谱分析提取其振动信号中的高阶谱,进而对滚动轴承故障模式识别与诊断。对小波降噪的振动信号做双谱分析,提取对应转速频率的振动分量作为频域特征值,并将滚动轴承3种故障的特征值与时域中选取的特征值与其正常信号对比分析;实现对滚动轴承不同故障的识别与判断。实验结果表明,该方法可以全面反映出轴承振动信号中的隐含信息,能有效地对工程常见的滚动轴承做出故障诊断。     

基于VMD和CNN的滚动轴承故障定量诊断方法

针对滚动轴承故障尺寸难以定量诊断的问题,提出了变分模态分解(variational mode decomposition,VMD)和卷积神经网络(convolutional neural networks,CNN)相结合的诊断方法。首先对带有不同故障尺寸滚动轴承的运行进行监测,得到1个与滚动轴承故障尺寸有关的数据库;然后对数据进行VMD,提取有效的训练模式分量,并去除噪声等的干扰;最后将训练模式分量置入CNN进行训练,得到能对滚动轴承故障尺寸进行预测的网络模型。实验结果表明,所提方法可有效实现对滚动轴承的定量诊断。     

EEMD排列熵与PCA-GK的滚动轴承聚类故障诊断

针对滚动轴承故障诊断中,用振动信号的总体经验模式分解(EEMD)方法分解后的熵特征向量维数高,且样本熵(SE)计算效率差等问题,提出了一种基于EEMD排列熵(PE)的主成分分析(PCA)-GK滚动轴承聚类故障诊断组合方法。首先,使用EEMD方法将信号分解为若干个固有模态函数(IMFs),使用PE/SE计算其IMFs熵值;然后,使用PCA对熵特征向量进行可视化降维,并作为模糊C均值(FCM)与GK聚类算法的输入,实现对滚动轴承的故障诊断。利用分类系数和平均模糊熵,对聚类结果进行了评价与对比,实验结果表明:本文模型(EEMD-PE-PCA-GK)的聚类效果比其他3种模型(EEMD-SE-PCA-FCM、EEMD-SE-PCA-GK和EEMDPE-PCA-FCM)更好,且PE比SE的计算效率更快。     

卷积神经网络在结构损伤诊断中的应用

对卷积神经网络(CNN)在工程结构损伤诊断中的应用进行了深入探讨; 以多层框架结构节点损伤位置的识别问题为研究对象,构建了可以直接从结构动力反应信号中进行学习并完成分类诊断的基于原始信号和傅里叶频域信息的一维卷积神经网络模型和基于小波变换数据的二维卷积神经网络模型; 从输入数据样本类别、训练时间、预测准确率、浅层与深层卷积神经网络以及不同损伤程度的影响等多方面进行了研究。结果表明:卷积神经网络能从结构动力反应信息中有效提取结构的损伤特征,且具有很高的识别精度; 相比直接用加速度反应样本,使用傅里叶变换后的频域数据作为训练样本能使CNN的收敛速度更快、更稳定,并且深层CNN的性能要好于浅层CNN; 将卷积神经网络用于工程结构损伤诊断具有可行性,特别是在大数据处理和解决复杂问题能力方面与其他传统诊断方法相比有很大优势,应用前景广阔。     

基于IPSO-DBN 的管道故障诊断方法

针对城市燃气管道故障诊断效果不佳的问题，提出了一种基于改进粒子群算法优化深度信念网络（IPSO-DBN）的管道故障诊断方法。该方法首先对粒子群算法（PSO）中的惯性权重ω、加速因子C1 和C2 进行修正，得到改进粒子群优化算法（IPSO），并采用两种基准函数对比测试PSO 与IPSO 的网络性能，证明所选改进方法的优越性。其次利用IPSO 优化深度信念网络（DBN）的初始权重，建立合适的DBN 网络，将4 种不同燃气管道工况下的实验数据用于IPSO- DBN 网络训练及预测。最后将实验所得的故障诊断准确率与BP、DBN、PSO-DBN 方法进行对比分析。实验结果表明，对于燃气管道不同工况下的故障分类识别，IPSO- DBN 方法的平均测试集诊断准确率高达94.5%，诊断效果优于传统的BP、DBN 以及PSO-DBN 方法。     

基于深度学习的声纹识别方法研究

提出基于深度学习以及改进的深度学习模型的声纹识别方法,通过改变GMM-UBM的阶数进行声纹识别实验,寻找到性价比最高的M值,并分别通过卷积神经网络(CNN)及递归神经网络(ESN)中的回声状态网络进行声纹识别的实验和测试。实验结果表明CNN及ESN能够进行有效的声纹识别,并且具有较高的识别准确率,其中基于ESN的声纹识别经验证能够满足当先声纹识别领域的需求,如果能够解决CNN参数设置难度,CNN则能够广泛投入使用。     

基于AR谱估计的瓷支柱绝缘子结构振动声学检测技术研究与试验

振动声学仪器采集到的绝缘子检测信号需要通过频谱分析来得到特征信息，进而判断绝缘子的损伤状态。现有的频谱分析多采用经典谱估计法，存在谱线分辨率低、谱泄露、虚假谱峰等问题，降低了缺陷检测准确率，且误报率偏大。本文采用自回归（AR）模型这种参数化的现代信号处理方法，通过采集220 kV瓷支柱绝缘子振动声学检测信号，建立AR模型，采用Yule-Walker方程计算AR参数，得到了瓷支柱绝缘子检测信号的AR功率谱。实验结果表明：相比于经典谱估计，AR谱估计的绝缘子检测信号处理方法具有更高的谱分辨率，谱线平滑，结合AR谱的对数标尺图，提高了振动声学法检测瓷支柱绝缘子缺陷的准确率。     

一种基于Fast-RCNN的道路病害检测算法

采用Fast-RCNN方法,将图像识别技术、GPS位置信息和车载信号信息有机结合,并将道路巡查车辆采集的道路图片进行自动化识别,包括坑槽、裂缝在内的道路病害信息,再根据从赤峰市道路巡查收集到的8000张道路病害数据,建立病害样本库,基于病害特征训练和测试Fast-RCNN模型,最后引入自动分区算法优化模型测试性能。实验结果表明,基于Fast-RCNN的目标检测模型能够达到84.9%的识别精度,并且能够生成包含病害定位、时间属性、病害信息在内的病害识别报告,能够有效提升道路病害识别的准确率与道路养护效率。