基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于LMD能量熵和支持向量机的齿轮箱故障诊断

针对小样本情况下齿轮箱复合多种故障特征难以提取和分类的问题,提出了基于局部均值分解（LMD）能量熵和支持向量机（SVM）的故障诊断方法。首先利用LMD方法对采集的齿轮箱振动信号进行分解,得到有限个PF分量;然后根据不同故障下齿轮箱振动信号在频域区间内分布不均的特性,分析出PF分量能量在不同频域范围离散情况,即求出LMD能量熵;最后利用SVM多故障分类器对提取出的特征展开训练和测试,进行齿轮箱故障分类。实验结果显示,即使在小样本情况下,且同时存在非单一、多种齿轮箱故障时,基于LMD能量熵和SVM方法也可以对齿轮箱故障进行特征提取和精准分类,实现齿轮箱故障诊断。     

基于连续小波变换和无模型元学习的小样本汽车行星齿轮箱故障诊断

针对行星齿轮箱振动信号具有较强的非平稳特性、故障样本少以及传统深度学习对数据依赖性的问题,提出了一种基于连续小波变换（Continuous wavelet transform,CWT）和无模型元学习（Model agnostic meta learning,MAML）的小样本行星齿轮箱故障诊断方法。通过CWT将行星齿轮箱振动信号转换为时频图像,有效地表达行星齿轮箱非平稳性特征;利用MAML“学会学习”的能力训练小样本的时频图像,对“未见过”的行星齿轮箱故障类型进行测试。通过对不同样本数量、跨工况条件和不同噪声环境下的行星齿轮箱进行故障诊断实验,结果表明,该方法相比于其他方法具有更高的识别精度、泛化性和鲁棒性。     

基于WPA和LS-SVM的风力发电机故障诊断方法研究

针对风电机组低速齿轮箱故障的故障特点,提出了一种应用小波包分析(WPA)和最小二乘支持向量机(LS-SVM)相结合的故障诊断方法。将低速齿轮箱不同故障状态下的振动信号经小波包分解后获得各频带能量,经过归一化处理后作为特征向量构成训练样本和测试样本。通过训练样本训练LS-SVM故障诊断模型,用测试样本检验LS-SVM故障诊断模型的正确率。实验结果表明,WPA和LS-SVM相结合的故障诊断方法具有良好的诊断效果。     

基于堆栈稀疏自编码器的齿轮箱故障诊断

针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。     

基于SNN-LSTM的小样本数据下轴承故障诊断方法

基于深度学习的故障诊断方法的实现,需要用到大量的、有标注的训练样本,而在小样本数据下,采用这些方法会产生模型欠拟合问题,同时获得的分类准确率也较低。为了解决上述问题,提出了一种小样本数据下结合孪生神经网络(SNN)与长短时记忆网络(LSTM)的轴承故障诊断方法。首先,以一对带有正负标签的原始振动信号样本作为诊断方法的输入,采用比较二者相似度的方法,扩充了训练样本个数;然后,采用共享提取样本对特征网络参数的方法,完成了SNN的搭建过程;使用卷积层、池化层及LSTM层提取了原始振动信号的特征,通过计算二者之间的曼哈顿距离,判断输入样本对的相似度,对不同状态下的轴承完成了分类;最后,为了验证基于SNN-LSTM的故障诊断方法在轴承故障诊断中的有效性,通过轴承故障诊断实验,采集了在不同转速、不同状态下的轴承振动信号数据。研究结果表明：当样本数量仅为140个,采用基于SNN-LSTM的故障诊断方法的准确率达到80.57%,相比于深度学习经典方法,在小样本数据下采用该方法具有更高的诊断准确率。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于图谱特征与度量学习的行星齿轮箱健康评估

为提高行星齿轮箱健康评估准确性,提出一种基于图谱特征与度量学习的行星齿轮箱健康评估方法.从行星齿轮箱振动信号中提取图谱特征作为故障特征参数;设计基于单调性、相关性的度量学习准则,建立优化的马氏距离度量函数;采用待测样本与无故障正常样本之间的马氏距离表征故障严重程度,建立基于支持向量回归的健康评估模型.通过行星齿轮箱健康...     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

基于改进的多元离群检测方法的风机齿轮箱早期故障诊断

针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点,提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。运用阶比重采样方法对原始振动信号进行预处理,并对处理结果进行量纲一因子分析;通过马氏距离建立风电齿轮箱的早期故障识别模型;利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。结果表明,该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于LMD的包络谱特征值在齿轮箱故障诊断中的应用研究

针对齿轮箱故障振动信号大多是多分量的调幅-调频信号,而传统包络分析法又太依赖经验值选取参数的问题,对齿轮箱振动信号的分解方法、包络分析方法以及提取特征值等方面进行了研究,提出了一种基于局部均值分解(local mean de-composition,LMD)的包络谱特征值的方法。该方法首先利用局部均值分解对齿轮箱信号进行了处理,获得了包含有不同频率特征的PF(product function)分量,最后对包含有主要故障信息的第一级PF分量进行了包络分析,提取了包络谱的特征频率,以此来判别齿轮箱的工作状态和故障类型。利用齿轮箱正常状态、局部损伤、磨损故障3种齿轮箱振动信号的实例进行了验证。研究结果表明,利用LMD分解后求取包络谱特征频率的方法能够较为准确地判别齿轮箱的工作状态和故障类型。     

风力机气动力不对称故障建模与仿真

风力机气动力不对称故障对风力发电机组的安全稳定运行有很大的影响,传统的基于振动的故障诊断方法需要在风力机上安装大量的传感器,成本较高,可靠性也较差。近年来,已有学者采用基于电信号的故障诊断方法对该故障进行了实验研究,但未对该诊断方法进行理论上解释。笔者研究了气动力不对称故障下的风力机的塔架振动和气动力的耦合规律,阐述了造成电功率波动的机理,指出电功率的波动来源于塔架的振动,建立了整个风力机组故障状态下的模型,仿真得到了故障条件下的塔架振动信号与电功率信号,对仿真得到的振动信号与电信号进行信号处理。结果显示其中均出现了叶轮旋转的一倍频分量,与德国ISET等实验研究的结果相符,对开发新的故障诊断算法具有重要意义。     

基于混合时频分析方法的风电机组故障诊断

针对风电机组传动链系统振动信号非高斯、非平稳性的特点,提出了一种基于混合时频分析的风电机组故障诊断方法。该方法首先采用参数优化Morlet小波消噪方法对原始振动信号进行分析,滤除强大的背景噪声干扰;进而通过自项窗方法抑制时频面的干扰项,增强信号特征成分,提取故障特征以实现故障诊断。在Morlet小波参数优化过程中,采用交叉验证法优化波形参数及连续小波变换的尺度参数;在自项窗的设计过程中,采用基于平滑伪魏格纳分布的函数进行设计,并通过两次阈值处理以减少运算量、提高运算效率。通过对风电机组监测振动数据分析,证明了该方法可以有效地实现背景噪声的消除和故障诊断。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于c．RIO的阶次跟踪分析在风力发电中的应用

针对风力发电机组齿轮箱变速过程中振动信号非平稳的特点,将阶次跟踪和信号包络提取技术相结合,提出了一种针对齿轮点蚀故障的诊断方法。首先利用Compact RIO对齿轮箱的振动信号进行了时域数据采集,然后对时域信号进行了包络提取,进而对时域包络信号进行等角域重采样得到等角域包络信号,最后对等角域包络信号进行了阶次跟踪分析;通过对比正常齿轮和点蚀故障齿轮的包络阶次谱,进而找到了点蚀故障齿轮的故障频率特征。模拟仿真结果表明,阶次跟踪分析可以解决传统傅里叶变换在处理非平稳信号时的“频谱模糊”现象。通过齿轮点蚀故障试验的分析,结果表明包络阶次谱能够用于有效地分析出点蚀故障齿轮的特征频率,阶次跟踪分析在风力发电机组齿轮箱的故障诊断中具有广阔的应用前景。     

深度嵌入关系空间下齿轮箱标记样本扩充及其半监督故障诊断方法

针对只有少量标记样本的情况下,传统的基于深度学习的齿轮箱故障诊断方法训练出来的深度模型泛化能力差并且容易发生过拟合的问题,提出了一种基于深度嵌入关系空间下齿轮箱标记样本扩充的齿轮箱半监督故障诊断方法.该方法将少量的有标记振动信号以成对的输入方式输入到关系网络中进行监督训练,然后以有标记振动信号为参考,将大量的无标记振动...     

堆栈稀疏自编码器的风力机锥齿轮故障诊断

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法。首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分类器中进行分类识别。通过实验结果表明,和文中其他浅层学习模型相比,SSAE能够从齿轮振动信号中有效学习到所需的深层本质特征,拥有更高的识别准确率,因而证实了该方法优越性。