基于BP神经网络的变速箱故障诊断方法研究

针对变速箱的工作时间不能真实反映实际健康状况的问题,通过提取变速箱的振动信号作为状态参数,建立了基于BP神经网络的变速箱故障诊断模型;该模型首先提取振动信号中对故障反映灵敏的成分作为特征值,获得BP神经网络的训练数据,并通过对比确定最优的隐含层节点数,确定BP神经网络的结构参数;模型训练结束后,以验证数据为例进行故障诊断研究,并对诊断结果进行评估;评估结果表明,该模型准确度高,具有较好的应用和推广价值。     

基于广义多重分形维数算法的汽车变速箱故障诊断研究

提出了一种基于扩展广义多重分形维数算法的汽车变速箱故障诊断方法。该算法是基于传统的G-P关联维数算法扩展而形成的,通过该算法对变速箱上采集的不同工作状态下的振动信号进行处理,提取变速箱齿轮的振动信号的分数维,观察及分析分形维数与变速箱齿轮的磨损规律的关系,发现其反映变速箱齿轮的真实运行状态,故可以此作为齿轮磨损预测和诊断的有效依据。     

基于多源Mallat-NIN-CNN网络的变压器绕组故障诊断

变压器绕组形变是常见的故障，传统的诊断方法参数过多且受噪音干扰导致诊断性能较差。提出了一种基于灰度转换的特征提取方法，该方法将振动信号转换为灰度图像，有效地提取特征。针对单源信号特性信息强度随距离变化的问题，利用多源通道采集振动信息，并利用图像融合手段抑制多源图像中大量冗余信息、信噪比低的问题，提出基于多源Mallat-NIN-CNN网络的电力变压器绕组故障诊断模型，利用Mallat算法对多源振动信号灰度图像分解，通过基于区域特性量测和加权平均方法分别对各分解层的高频分量和低频分量进行融合，将重构的灰度图像输入NIN-CNN网络进行故障诊断。经实验验证，该方法有效抑制了多源信号中的噪声，提高特征信息的完整性，降低了计算量，提高了故障诊断准确性。     

基于无源振动传感器标签的轴承故障在线诊断技术

提出了一种基于无源振动传感器标签的穿梭车轴承故障在线诊断技术.设计了一种无源射频识别(RFID)振动传感器标签结构,因其工作在无源模式下,减少了在线故障诊断的成本,同时可以实现对轴承故障的长期在线诊断.介绍了振动信号的处理方式,提出了基于奇异熵的奇异值分解信号降噪算法,依据信号的奇异熵自行定阶降噪,避免了人为预设参数所导致的误差,并提出了基于最小二乘支持向量回归(LS-SVR)的故障诊断算法.测试结果表明:设计的标签能够可靠地完成信号采集和传输,采用的算法能够快速而准确地定位故障,较传统故障诊断方法提高了实时性并降低了成本.     

一种轴流通风机故障诊断方法

针对现有基于谱分析的轴流通风机故障诊断方法只将故障类型和频谱特征值进行简单关联而导致诊断效果较差的问题,提出了一种基于矢椭谱和隐Markov模型的轴流通风机故障诊断方法。该方法首先将轴流通风机同一截面内互相垂直的2个振动信号在时域上直接融合为复信号,并对该复信号进行快速Fourier变换,获得多个特征频率下振动信号的全谱幅值;然后用不同故障状态下振动信号的全谱幅值训练隐Markov模型;最后以实时振动信号的全谱幅值作为隐Markov模型输入量,采用Viterbi算法计算隐Markov模型输出的似然概率,根据最大似然概率对数判断故障类型,避免了将振动幅值和故障类型进行简单关联。试验结果表明,该方法的故障诊断正确率达90%以上。     

基于稀疏分类算法的矿物传送设备故障诊断方法

针对现有基于特征频率识别的矿物传送设备故障诊断方法存在易受强噪声干扰的问题,提出了基于稀疏分类算法的矿物传送设备故障诊断方法。首先,利用计算机测取设备已知故障类型的振动信号,并对其进行傅里叶变换;然后,以傅里叶变换系数构造训练字典,将待测故障类型的振动信号傅里叶变换系数在该训练字典上进行稀疏分解,求取稀疏系数;最后,利用重构信号最小误差判别故障类型。仿真和测试结果表明,该方法能有效诊断出矿物传送设备中轴承的故障类型,为煤矿传送设备的故障监测提供了一种新方法。     

基于粒子群优化的可拓神经网络故障诊断方法研究

基于可拓学的故障诊断方法是智能故障诊断领域中较为新颖的研究方向;首先介绍了可拓故障诊断领域的研究现状;然后重点分析了可拓神经网络模型,包括它的结构和故障诊断原理,由于该模型存在参数设置主观、易早熟等问题,进而提出了基于粒子群优化的可拓神经网络模型,该模型以关联度作为测度工具物理意义明确,通过粒子群算法进行参数优化避免算法早熟;最后采用汽轮发电机组振动信号频谱数据进行算法验证,结果表明该算法能够正确诊断出全部故障,且诊断精度高。     

变速箱振动信号的测点定位与评价方法研究

在变速箱故障诊断实验中,通过振动传感器获取各工况下不同测点位置的箱体振动信号,从振动信号中提取时频域特征值进行分析评价。对于某一固定位置多组采集样本进行了研究,以降低测量误差,在此基础上对不同位置处获取的多组采集样本进行了详细研究。结果表明,不同测点位置获取的振动信号包含的故障特征是不同的,从而选取更能表征各种故障特征的最佳位置,为基于振动信号的变速箱故障诊断奠定了基础,提高了诊断的准确性。     

基于计算统一设备架构的高铁故障诊断方法

为解决传统高铁振动信号故障诊断方法速度慢、难以满足实时处理的要求,提出一种基于计算统一设备架构(CUDA)加速的高铁振动信号故障诊断方法。首先利用CUDA架构对高铁数据进行经验模态分解(EMD),进而计算分解所得到的各个分量的模糊熵,最后利用最近邻分类(KNN)算法对多个模糊熵特征组成的特征空间进行故障分类。实验结果表明,该方法能高效地对高铁振动信号进行故障分类,运行速度较传统方法有明显提高。     

极限学习机在电机故障智能诊断中的应用

针对传统的电机故障诊断方法往往采用单一信号作为诊断依据,以及利用传统的BP神经网络进行故障诊断时存在的训练速度慢、易陷入局部极小值的缺点,提出了一种基于极限学习机和多源信息融合的电机故障诊断方法.首先将定子电流信号做陷波处理,滤除基波分量;然后对电流及振动信号进行小波包分解和重构,以各频带的小波包能量谱作为故障特征向量训练极限学习机模型;最后将训练好的极限学习机模型作为诊断决策分类器来判断电机的运行状态.实验结果表明,此方法能够准确地诊断电机的故障类型,具有运行速度快、故障诊断准确率高的特点,满足了系统在线实时诊断的要求.     

时频特征联合VGG-16的风力发电机齿轮箱故障诊断方法

针对传统风力发电机齿轮箱故障诊断存在效率低、实时性较差、准确率偏低等问题,本文提出了一种时频特征联合深度学习的风力发电机齿轮箱故障诊断方法。通过实时测取的箱体振动信号,利用离散小波转换提取信号的时频特征,并联合改进的VGG-16模型,完成齿轮组不同类型故障的诊断。实验结果表明,所设计诊断方法的Recall和mAP值较高,分别为93.51%、91.85%;断齿、磨损以及根裂故障的诊断准确率均在90%以上,且检测实时性良好,能较好地满足实际应用需求。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于门控神经网络的新能源汽车故障智能诊断

变速箱是汽车发动的主要部件,齿轮作为变速箱中的核心零部件,因其容易受到车况工况的影响而发生故障。因此,针对这一问题,提出了一种基于门控神经网络的混合神经网络训练算法,用于变速箱齿轮的故障诊断。实验结果表明,所提出的模型能够有效降低梯度消失,减少时间序列变化等问题。相比传统神经网络,所提出的模型在强噪音干扰下的准确率始终保持96%以上。当正常样本数量为40时,所提出的模型的准确率相比于其他传统神经网络模型的准确率更高,达到了94.86%。综上所述,此次研究所采用的齿轮故障诊断模型具有较好的性能表现,能够用于实际新能源汽车齿轮故障诊断问题中。     

基于机器学习的英语翻译机器人异常智能诊断模型构建及仿真

针对英语翻译机器人在出现故障时诊断反馈速度慢且准确度不高的问题，基于机器学习的方法提出一种异常智能诊断模型。仿真实验结果表明，加入动态时间步改进方法以及RF-GBDT特征选择算法的LSTM神经网络故障诊断模型在进行异常诊断时反馈速度快且准确度得到了提高。相较于未经特征的故障诊断模型，基于RF-GBDT特征选择算法的故障诊断模型在进行特征选择时准确率均得到了提升，而经过动态时间步改进的LSTM神经网络故障诊断模型相比于未改进前，数据分类准确度提高到了93%,每帧序列数据计算时间步长减少了39%,经过最后的故障诊断系统测试，证明了设计的诊断模型具体有较高的准确性和实用性。     

基于卷积神经网络的层级化智能故障诊断算法

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.     

基于多元时间序列分析的控制系统执行器故障诊断方法研究

为提高控制系统执行器故障实时诊断的准确率,该文提出一种基于多元时间序列分析的控制系统执行器在线故障诊断方法。首先分析了控制系统执行器故障机理,确定了表征执行器故障的关键信号;其次采用执行器历史数据,建立了时间卷积网络(TCN)在线预测模型,对执行器多通道信号进行在线预测;随后通过长短期记忆网络(LSTM)对多通道残差信号建立了故障分类模型;最后以燃气轮机控制系统执行器半物理试验平台中的电液执行器为例进行了多次重复试验验证。结果表明,基于TCN网络的在线预测模型相比传统循环神经网络(RNN)预测误差较小;基于LSTM网络的故障分类模型准确率较高;通过LSTM网络对多通道残差信号进行故障分类,比对原始故障数据分类故障准确率更高。     

基于GAF和DenseNet的滚动轴承故障诊断方法

基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全。针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类。采用凯斯西储大学轴承数据集上的数据进行实验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.75%。为进一步证明该方法的优越性,选取灰度图+DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征。     

基于EEMD-Treelet和高斯过程的起重机齿轮故障诊断

齿轮故障诊断对于起重机安全运行至关重要;提出了一种基于集成经验模态分解(ensemble empirical mode decomposition, EEMD)-Treelet变换和高斯过程(gaussian process, GP)的起重机齿轮振动故障诊断新方法;设计一种细菌觅食算法(bacterial foraging optimization, BFO)优化高斯过程模型超参数;建立基于集成经验模态分解-希尔伯特变换的齿轮振动参数信号特征提取方法,利用Treelet变换实现这些特征的降维学习;建立基于细菌觅食算法优化高斯过程的齿轮故障模型;实验结果表明,EEMD-Treelet-GP诊断方法不仅可以识别最佳特征向量,而且可以识别故障位置。     

云计算中基于相似性图的故障自动诊断方法

故障的自动诊断和修复是云计算提供持续服务的关键,为了提高云环境下故障自动诊断的性能,提出了一种包含相似性替代图和检测图的故障诊断框架;首先,根据相似性将系统的运行指标和事件构成替代图,对替代图中的节点进行分组,使得同一组中的节点可以相互替代;其次,根据事件的时间关系将故障表示为事件的序列,通过排名的方法识别出关键事件并以此构成故障模式;最后,提出了一种基于贝叶斯方法的故障诊断算法;实验表明,文章提出的故障诊断方法与著名的fingerprints方法相比,故障诊断的准确性更高,诊断效率更快。     

基于HMM/SVM的风电设备故障趋势预测方法研究

由于风力发电设备复杂且积累的资料与故障样本少;传统的诊断方法,例如神经网络,忽视了前与后关系,且需要大量故障训练样本,往往都不能有效的进行故障诊断;结合隐马尔可夫模型(Hidden Markov Model,HMM)有利于处理连续动态信号,以及支持向量机(Support Vector Machine,SVM)分类能力强的优点;提出了基于HMM/SVM串联结构的故障诊断模型;首先通过从风电设备振动信号中有效提取非平稳特征,利用HMM计算未知信号与风力发电设备各状态的匹配程度,形成特征向量提供给SVM最后判别,实验结果表明该方法比单纯HMM和SVM识别率分别提高了9.17%和5.84%。