基于改进的堆叠降噪自动编码器深度模型的转子-转轴系统故障诊断方法

旋转机械转子-转轴系统故障诊断方法中大多采用传统浅层模型,对于数量较大的样本其处理能力有限。为解决此问题,提出一种利用改进的堆叠降噪自动编码器(SDAE)深度模型的故障诊断方法,并对转子-转轴系统的典型故障进行诊断。利用某机械故障综合模拟实验台,结合基于LabVIEW开发的信号采集系统模拟并采集转子-转轴系统的10类单一故障和7类复合故障振动信号。在训练SDAE模型时引入Dropout机制对模型进行改进,并结合Softmax分类器进行网络训练与诊断。与传统BP网络、自动编码器(AE)、无Dropout机制的SDAE和卷积神经网络(CNN)进行对比,结果表明：改进的SDAE方法对于转子-转轴系统故障的正确识别率最高,特别是对复合故障的诊断效果比其他模型更理想,充分验证了改进的SDAE深度模型的优越性     

基于滑动窗口-KL散度和改进堆叠自编码的轴承故障诊断

针对风力发电机组的发电机轴承故障诊断问题,提出基于滑动窗口-KL散度和改进堆叠自编码的深度学习网络故障诊断模型。采用改进的变学习速率的堆叠自编码器进行发电机轴承温度状态重构。利用滑动窗口-KL散度算法进行发电机轴承的故障诊断,诊断结果与欧氏距离和3σ准则故障诊断结果进行对比。结果表明:采用滑动窗口-KL散度算法进行故障诊断准确率高、误报率低。     

深度学习在故障诊断中的应用综述

阐述了深度学习在故障诊断和图像分析、语音识别和文本理解等领域的应用;介绍卷积神经网络、深度置信网络、堆叠自动编码网络、递归神经网络4种典型的深度学习模型;综述近几年深度学习在故障诊断中的模型选择、学习算法和实际应用等方面的研究新进;探讨深度学习在故障诊断中的理论分析、特征提取、优化训练和研究拓展等。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于比例损失去噪自编码器的冷连轧轧制力预测分析

为了更加精确地预测冷连轧轧制力,设计了一种通过分层提取和目标相关特征来实现的比例损失堆叠去噪自编码器.首先,通过堆叠去噪自编码器(SDAE)构建深度网络并在SDAE顶层中加入输出层;然后,通过部分有标签样本实现网络权重变量的调节;最后,按照设定目标参数调节深度网络变量,从而降低网络预测值和目标值的偏差.本方法通过在训练...     

多深度学习模型决策融合的滚动轴承故障诊断

针对滚动轴承故障诊断中单一传感器信息的不全面性、单一网络模型的不确定性,提出了基于多深度学习模型决策融合的滚动轴承故障诊断方法。首先,利用深度卷积网络(CNN)和层叠降噪自动编码器(SDAE)分别对两个振动传感器信号进行自适应特征提取,经softmax初步分类。接着将两个网络的输出结果利用D-S证据理论进行融合,得到最终诊断结果。实验结果表明,利用该方法对滚动轴承进行故障诊断正确率达到95.63%,相比CNN正确率提高了5.49%,相比SDAE正确率提高了10.42%,验证了该方法的有效性。     

基于多源数据融合的半导体晶片CMP抛光材料去除率预测

目的 对半导体晶片抛光过程中的工艺参数、耗材使用量、抛光垫状态参数等多源数据预处理后进行数据融合,建立材料去除率(MRR)预测模型,为实现半导体晶片抛光加工工艺的决策和处理奠定基础。方法 研究晶片抛光加工中的数据特点及数据融合需求,提取数据集中每个晶片加工过程中的统计特征并生成新数据集,同时引入邻域特征以应对晶片加工过程中动态因素对材料去除率的影响。提出基于深度自动编码器的多源数据融合及材料去除率预测方法。设计深度自动编码器参数,优化深度自动编码器的损失函数从而增强深度自动编码器对强相关性特征变量的重建。基于深度自动编码器进行多源传感器信号融合,降低数据维度。使用超参数搜索算法优化BP神经网络超参数,利用BP神经网络方法将融合后的数据进行半导体晶片抛光过程中的材料去除率预测。结果 采用PHM2016数据集对模型进行验证,均方误差MSE达到7.862,相关性R²达到91.2%。结论 基于多源数据的融合模型能有效预测MRR,可以对半导体晶片CMP工艺过程的智能决策与控制起到良好的辅助作用。     

基于深度学习与电子听诊器的轴承故障诊断

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确率达到99%。     

基于栈式稀疏自编码器的抽油机故障诊断研究

为了及时发现抽油机故障,减少生产成本,提高生产效率,通过分析不同形状的抽油机示功图来及时准确地判断抽油机工作状况很有必要。传统人工识别方法不能实现抽油机工况实时诊断,而传统智能算法识别准确度低,故提出一种基于栈式稀疏自编码器的抽油机示功图识别方法,用于抽油机故障诊断。该方法通过栈式稀疏自编码器自动提取示功图数据深层可分性特征,然后利用学习到的特征结合对应的样本标签通过支持向量机进行有监督训练与分类。将采集的中原油田实测示功图对该方法进行实验,结果表明该方法具有较高的示功图识别速度和识别准确度。该方法为快速准确地进行抽油机故障诊断提供了参考。     

基于堆栈稀疏自编码器的滚动轴承故障诊断

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。     

旋转编码器在JDF40—PC自动压力机上的应用

介绍了光电式绝对值编码器在 JDF40— PC自动压力机上的应用 ;分析了编程及有关技术问题并提出了解决办法 ;得出了旋转编码器可在压力机自动控制方面推广使用的结论。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于注意力机制的数控机床进给轴深度学习故障诊断

针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题，提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据，针对采集的进给轴数据中蕴含大量的时空特征信息，为了提取数据中的时空信息以提高故障诊断准确性，设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性，利用FANUC数控提供的FOCAS数据开发包编写数控机床实时监测与数据采集软件，并在G460L数控车床上进行数据的采集，利用采集的数据训练故障诊断模型。把所提故障诊断方法与相关方法进行对比，准确性达到98.75%,所提方法具有一定的有效性和实用性。     

基于深度信念网络和多信息融合的复杂机电装备故障诊断方法

针对复杂机电装备故障诊断中存在的数据量大、提取故障特征困难等问题,结合深度学习理论强大的感知与自我学习能力,提出一种基于深度信念网络和多信息融合的复杂机电装备故障诊断方法。将多个传感器的原始时域信号数据输入深度信念网络进行训练,通过反向微调学习对深度信念网络进行整体微调,提高分类准确性,同时在训练过程采用ReLu激活函数和加入Batch Normalization,减少过拟合出现概率的同时提高了网络收敛的速度。将此方法运用到复杂数控加工中心刀具的故障诊断中,结果表明该方法相比传统BPNN算法和采用Sigmoid激活函数的深度神经网络算法准确率更高。     

基于局部特征和深度神经网络的人脸性别判别模型研究

深度学习方法可以自动发现更佳数据以改善分类器性能。然而,在计算机视觉任务中,比如性别识别问题,有时候很难直接从整个图像进行学习。因此,提出一种新的基于局部特征和深度神经网络的人脸性别识别模型。首先,该模型从输入图像中提取数个局部特征,并将这些特征反馈给判别图像的深度神经网络,然后根据图像所属标签将每个局部特征分类。最后,使用简单的投票方案对整体图像进行判决。在FERET和CAS-PEAL-R1两个人脸图像资料库上进行了人脸性别分类实验,结果显示提出的方法优于其他深度学习方法,具有较好的准确性和稳定性。     

基于序列深度学习的数控机床热误差建模与预测方法

为提高数控机床热误差预测的准确性和适应性,提出一种基于序列深度学习网络的数控机床热误差建模和预测方法。提出一种基于LSTM的序列深度学习预测网络,构建包含历史序列数据的动态数据矩阵为模型输入;通过截断式训练方法降低深度预测网络中每项参数更新的复杂度,利用序列深度学习网络自动提取温度时间序列的时空特征,准确表征温度序列信号与热误差之间复杂的映射关系,采用Softmax输出层对热误差进行准确预测。实验结果表明：该方法解决了传统浅层方法因未考虑历史序列数据对当前输出的影响而存在的预测精度不高、鲁棒性差等问题,将热误差预测的均方根误差降低到2.5 μm以内,优于传统的SVM和BP等浅层神经网络预测方法,为数控机床热误差补偿提供了参考。     

旋转编码器在过程控制系统中的应用

简介了旋转编码器在Φ１００ｍ ｍ 自动轧管机组中的应用情况。实践证明, 旋转编码器应用于旋转角度－ 数字过程控制系统, 能够达到定位准确、调整方便、安全可靠的目的。     

基于Bi-GRU模型的航空发动机外部液压管路故障诊断研究

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题，提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取，基于同一含噪声的液压管路振动实测数据，输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后，为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力，利用t-SNE降维算法进行液压管路特征可视化。结果表明：基于Bi-GRU航空故障诊断方法能达到9960%的准确性，明显优于GRU等其他4种神经网络模型，Bi-GRU模型在含有噪声的液压管路数据上具备更出色的特征提取能力，可有效地提取出液压管路故障数据特征，从而实现了液压管路故障的智能化识别。     

基于编码器的伺服主轴误差产生机理研究与实验分析

编码器是数控机床主轴系统中用来测量主轴位置、速度和进行主轴电机伺服控制的核心部件。阐述光电编码器及旋转变压器的工作原理,介绍影响主轴编码器测量精度的常见误差。通过实验分析编码器信号分辨率和周期性误差对控制环的影响,为伺服主轴的故障诊断提供理论依据。