基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

基于BP神经网络的液压马达故障诊断

以液压系统中液压马达为研究对象,提出了一种基于故障表征的诊断模型,该模型无需建立被诊断对象的精确数学模型,只需以显性的故障表征作为诊断模型的输入,并为其建立BP神经网络模型,运用MATLAB给出该网络的训练过程及结果,并提供应用于液压马达的故障诊断实例.     

基于贝叶斯网络的柔性生产线质量诊断模型

针对目前的柔性生产线质量诊断模式诊断速度慢、效果差以及不能及时处理不确定性和关联性问题等情况,提出了基于概率理论和图论的贝叶斯网络作为生产线质量诊断模型的方法。阐述了贝叶斯网络的数学模型描述及建立方法;讲述贝叶斯网络的诊断模型的诊断原理与建立过程;并以某缸体生产加工线的质量异常数据作为数据源,结合贝叶斯网络诊断推理建立了柔性生产线质量诊断模型实例,对生产过程进行快速诊断,从而验证模型的有效性。     

基于FTA和FNN的液压系统故障诊断方法研究

针对液压系统故障的复杂性和不确定性等特点,传统的故障推理方法难以满足液压系统故障诊断的要求,提出了基于故障树分析和专家经验知识的模糊神经网络故障诊断方法。以起重设备液压系统为研究对象,建立故障树模型,基于故障树信息和专家经验知识,建立模糊神经网络诊断模型及并提取训练数据,在此基础上,运用统计参数法确定模糊预处理所需的模糊隶属函数。将训练好的网络模型应用于实例诊断,实验结果验证了该方法的实用性和有效性。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

改进LSSVM迁移学习方法的轴承故障诊断

机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的增强型最小二乘支持向量机(LSSVM)迁移学习策略,用于数据量不足时的轴承故障诊断。其中利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合以提高诊断精度。诊断分类器通过改进传统LSSVM模型,在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,最终得到加入辅助集的函数估计,从而将该算法推广至迁移学习。此外,类内类间距离指标用于描述特征区分性,并提出4种辅助数据集的使用方法,从而构建迁移学习为框架的诊断模型。球形轴承的振动信号试验结果表明,相比传统机器学习,在目标振动数据较少条件下所提模型在轴承故障诊断时性能提升显著。     

基于示功图几何性质与神经网络的往复压缩机气阀故障诊断

示功图是判别往复压缩机气缸部分工作性能和运行状况的重要依据,与机体表面振动分析方法相比,其特征机理明确,能够从更深层次上诊断往复压缩机故障。针对往复压缩机示功图的特征提取问题,提出一种基于平面图形几何性质的示功图特征定量描述方法,为了验证所提方法的有效性,分别提取了往复压缩机气阀4种常见状态下示功图的几何性质参数和振动信号的时域统计指标作为特征向量,利用BP神经网络作为分类器进行训练和测试的对比分析。结果表明,所提方法对气阀故障的识别率达到了100%,因此该方法能够有效提取往复压缩机的异常特征,可以提高往复压缩机气缸部分在线状态监测与故障诊断的准确率。     

基于贝叶斯网络的磨煤机过程异常工况诊断模型实时更新方法

磨煤机作为火电厂制粉系统的核心设备,依靠新磨煤机投入使用后仅有的少量异常工况数据,建立其异常工况诊断模型,对整体系统安全运行有着重要的意义。本文首先针对磨煤机三个典型异常工况建立异常工况诊断模型,并提出新的基于节点辨识的贝叶斯网络模型实时更新方法。将已有磨煤机成熟的异常工况诊断模型作为源域模型,利用目标域磨煤机仅有的少量新数据信息,搜索源域模型与新数据信息不匹配的节点。在保留源域模型有用信息的前提下,通过局部更新,依据新的数据信息完成目标域模型的更新补足。为了验证方法的有效性,将所提方法应用于磨煤机异常工况诊断过程,实验结果表明,更新得到的模型具有良好的性能,平均诊断正确率超过98%。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

数值模型驱动的传动系统故障个性化诊断原理

如何获得机械传动系统大量反映实际运行状态的故障样本,是制约人工智能诊断模型走向工程应用的瓶颈.基于个体差异的精准诊断需求,提出机械传动系统个性化故障诊断基本原理,通过建立机械传动系统数值模型,进行仿真分析,获得故障样本,解决故障诊断过程中故障特征信息缺乏的短板,从而激活人工智能诊断方法.以轴承、齿轮传动、转子系统等机械传动系统为例,构建完好结构有限元模型,开展模型修正,获得具有一定精度的仿真模型.预定义多类故障并添加至具有一定精度的有限元模型,计算生成故障样本集,作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.任意选取的支持向量机、极限学习机、卷积神经网络等人工智能诊断模型故障分类实验结果表明:所提出机械传动系统故障诊断的个性化诊断原理,具有较强的普适性与可拓展性.     

基于支持向量回归的轴承故障定量诊断应用

针对轴承故障状态特征与故障大小之间存在非线性关系,提出利用支持向量回归机建立轴承故障大小与状态特征之间的定量诊断模型,并给出了基于支持向量回归的定量诊断策略和诊断流程。在获取轴承不同故障大小的特征量的基础上,建立了轴承故障定量诊断的支持向量回归模型,将其用于轴承故障的定量识别。结果表明,该方法能够有效地判断出故障的大小。进一步将该方法与人工神经网络方法比较,结果说明了支持向量回归方法在轴承故障定量诊断方面具有更好的适应性。     

往复泵故障示功图灰度矩阵法特征量研究

为了准确获取往复泵故障规律和特征量用以监控和诊断往复泵工作状态。本文通过人为实验模拟往复泵液力端泵阀漏失、弹簧断裂、柱塞磨损等6种典型故障,得到了往复泵在典型故障状态下的示功图并分析其产生原因和规律;利用MATLAB编程分别对6种故障状态下的示功图提取6组灰度矩阵特征向量,所得特征量样本数据通过支持向量机训练。结果表明,其故障自动识别率能达到95%以上,具有较高的诊断准确性,可作为往复泵在线监控和故障自动诊断的数据基础。     

复杂设备的模糊综合诊断理论及算法

在模糊综合评判理论基础上,首先建立起复杂设备系统在相同和不同诊断评价集下模糊综合诊断的一般模型,给出了多种诊断原则下模糊运算法则,建立了故障诊断中特征知识分类、模糊特征隶属度和权系数的生成方法;在综合诊断模型的基础上,讨论了不同层次和侧面诊断的综合问题,提出在３种不同群专家诊断原则下基于知识的模糊综合诊断算法,依据提出的３种算法可以灵活地实现不同诊断专家对多人、多层次、多目标综合诊断问题的合作求解     

基于切片谱免疫系统的旋转机械故障诊断

根据旋转机械故障振动信号的特点,本文基于免疫学机制,提出了切片谱免疫故障诊断方法,建立了基于该方法的诊断模型,介绍了该诊断方法的实现过程.切片谱免疫故障诊断方法利用双谱对先验故障样本进行分析,获得与旋转机械故障类型一一对应的特征样本,将特征样本归一化作为人工免疫系统(AIS)模式识别的特征向量,利用AIS中的阴性选择算法(NSA)进行自己-非己匹配运算得到检测器集,然后将建立(训练)好的检测器集应用于实时故障诊断.通过轴承故障诊断的实验,结果表明,本方法是可行和有效的.     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。     

基于多维度排列熵与支持向量机的轴承早期故障诊断方法

针对许多现有方法无法有效诊断滚动轴承早期故障的问题,引入排列熵的方法对轴承振动信号进行早期故障分析。通过研究嵌入维数和延迟时间对信号排列熵的影响,提出多维度排列熵的特征提取方法。利用多维度排列熵方法所提取的特征,建立了基于支持向量机的轴承早期故障智能诊断模型。对轴承不同类型、不同程度的故障数据进行分析,证明了多维度排列熵方法可以有效提取轴承不同状态的特征信息,与支持向量机结合的智能诊断模型可以精确地诊断轴承不同类型的早期故障,具有很强的通用性;该模型在贫样本的情况下,依然具有很高的诊断精度,适用于滚动轴承早期故障状态的在线监测。     

基于BP神经网络的减振器示功图识别方法

为解决车辆减振器工业生产中产品性能在线检测完全依赖于人工判断等问题,将BP神经网络理论应用到减振器示功图的自动判别中。在Matlab平台上建立了一个用于减振器示功图识别的3层BP神经网络模型,对示功图的复原和压缩曲线分别进行离散处理,构建了复原和压缩中心距两个特征向量,其中包括复原和压缩饱满度两个特征值;通过训练和分析,选取Scaled共轭梯度算法作为BP神经网络的训练算法;进行了示功图自动判别实验,对示功图复原和压缩阻力作出了评判。研究结果表明,经过训练的BP神经网络能够对减振器示功图进行判别,其判别结果与本领域技术人员判断结果基本一致。     

基于支持向量机和顺序前项选择算法的PNN风电机组液压变桨的故障诊断

针对液压变桨距系统的强耦合、非线性,以及液压变桨距故障发生原因复杂、故障单一造成的定位问题,该文提出基于支持向量机和顺序前项选择算法的概率神经网络诊断方法。首先,选取SCADA数据的特征值为输入,桨距角为输出,利用支持向量机进行模型的回归,得出桨距角输出的预测值;接着,将测量值与预测值带入顺序前项选择算法,挖掘和发现特征与故障之间的关系,评估各特征之间的重要性,并选出最好的一组特征集合;最后,建立变桨距概率诊断模型,将所选的数据送到故障诊断模型进行训练,再用所选数据进行测试,定位出变桨距系统的故障原因。实验分析表明:基于支持向量机和顺序前项选择算法的概率神经网络液压变桨距故障诊断方法可以有效地分辨出不同故障,并且诊断的精确度得到了提高。