改进小波阈值去噪和胶囊直连网络的轴承故障诊断

作为轴承故障诊断依据,振动传感器采集的信号易受工作环境噪声干扰。为更加准确提取特征信息,采用改进传统小波阈值去噪方法,利用中间比例系数过渡方法,将传统硬阈值和软阈值结合,信号去噪更加平滑有效。去噪后的信号进行二维短时傅里叶变换,得到二维时频域数据结构。通过胶囊注意力方式改进ResNet网络直连结构,从而得到更好的分类模型Capsut-ResNet。通过对比去噪前后和不同注意力模型结构,证明了方法的有效性,能够实现更高的准确率。     

基于GRA-PLS的滚动轴承故障诊断北大核心

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于隐马尔科夫模型的刀具磨损连续监测

与离散的刀具磨损状态的分类识别相比,人们更希望得到连续的刀具磨损值,从而为最终的控制过程提供更准确的信息。为了监测连续的刀具磨损值,采用易于采集的振动和声发射信号作为监测信号,提取信号的时域特征、频域特征和时频域特征,从中筛选出对刀具磨损敏感的特征,并采用隐马尔科夫模型建模,最后通过概率计算得到连续的磨损值。通过比较采用切削力、加速度和声发射信号的监测模型和仅采用加速度和声发射两种信号的监测模型,发现在没有切削力信号的情况下,仍能够准确地预测刀具磨损值。     

基于改进LSTM-AdaBoost的铣刀磨损量预测

针对铣刀磨损量预测时精度低的问题,提出一种基于黑寡妇算法（BWO）优化的长短期记忆神经网络（LSTM）与AdaBoost集成学习算法相结合的铣刀磨损量预测方法。在铣刀磨损振动信号中提取时域、频域以及时频域多域特征。通过BWO算法优化LSTM的核心参数,并将优化后的LSTM网络与AdaBoost算法进行结合,构建铣刀磨损量预测模型。最后用PHM Society 2010铣刀全寿命周期的振动数据进行实验。研究结果表明：所提方法能够有效地预测出铣刀磨损量变化值,优化后模型的平均绝对误差百分比为3.436%、均方根误差为6.471、决定系数 R2 为0.935。该方法能够获得准确率更高的铣刀磨损量预测值,预测效率更高。     

基于堆叠GRU的伺服电机滚动轴承剩余寿命预测北大核心

针对基于浅层学习的轴承寿命预测模型非线性学习能力差、预测精度低的问题,提出一种基于堆叠门控循环神经网络(SGRU)的伺服电机滚动轴承剩余寿命预测方法。首先对轴承振动信号进行时域和时频域特征提取,将常用的时域特征参数和经过集合经验模态分解得到的时频域特征参数作为原始特征集,然后采用相似度度量方法选取最能反映轴承退化性能的特征。之后通过堆叠两层GRU隐层来构建一种深层的寿命预测网络,并以训练集的退化特征参数为输入对网络进行训练,不断优化网络参数。最后在FEMTO数据集上与单层长短期记忆网络(LSTM)方法进行对比。结果表明,该方法相比于单层LSTM方法具有更高的预测精度。     

基于卷积残差共享权值LSTM的旋转机械故障诊断

为有效提取振动信号中隐含的故障特征，以准确判别机械故障类型，提出一种基于卷积残差权值共享长短时记忆神经网络(Conv-Res-SWLSTM)的故障诊断模型。利用卷积网络来捕获振动信号的局部空间特征；通过融合门结构构建共享权值长短时记忆神经网络(SWLSTM),减少网络需要优化的参数及训练时间，进而更高效地发掘上层网络输出信号中隐含的时间特征。同时，引入缩放指数线性单元函数以提升网络自归一化性能，并嵌入残差模块以增强网络对故障特征的感知及提取能力。最后，基于机械故障实测数据集开展对比实验，结果表明所提模型在4种转速下的平均诊断精度达到99.30%,相对于其他模型具有更优的诊断精度和稳定性。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障状态的识别.理论和试验证明了该方法的有效性和实用性.     

滚动轴承和齿轮故障的时频域识别

本文描述了振动信号分析的时频域方法,证明了时频域方法是识别滚动轴承和齿轮故障的有效方法。研究表明短时Ｆｏｕｒｉｅｒ谱和Ｗｉｇｎｅｒ分布都能用于将时域信号变换到时频域,但是对于时变信号,应用Ｗｉｇｎｅｒ分布更为适宜。     

基于Pearson-KPCA和LSTM的伺服电机滚动轴承剩余寿命预测

针对伺服电机滚动轴承的寿命预测，提出一种基于皮尔逊相关系数及核主成分分析的长短时记忆网络预测方法。提取滚动轴承的时、频域信号，通过移动平均法进一步获取相关特征，并采用皮尔逊相关系数筛选高度相关特征指标，利用KPCA提取高度相关特征指标中的若干主成分；将第一主成分作为长短时记忆网络模型的输入对滚动轴承进行剩余寿命预测。采用IMS轴承数据集进行验证，得到的轴承寿命预测RMSE值和可决策系数值分别为0.054 3和0.989。将其与长短期记忆网络模型和BP神经网络的预测结果进行对比，证明所提方法具有较高的精度。     

船用柴油机非稳态振动信号分析系统

船舶柴油机作为一个多变复杂、多层次的动力系统,其表面振动信号直接受内部零部件工作状态的影响。非稳态振动信号可以用来反映系统内部的运行状况,从而可实时监测柴油机运行状况,因而,准确、多元的提取出振动信号特征是关键步骤。本文主要使用数据分析软件MATLAB对非稳态振动信号进行时域、频域特征参数提取,分析气阀磨损对振动信号的影响规律,并基于此构建船舶柴油机非稳态振动信号分析系统。     

基于多域空间状态矩阵奇异值与局部保持投影的滚动轴承故障特征提取方法

针对滚动轴承振动信号复杂且难以从中提取有效故障特征的问题,提出了一种总体经验模态分解(EEMD)、奇异值分解(SVD)和局部保持投影(LPP)相结合的故障特征提取方法。首先,对振动信号进行EEMD分解,利用EEMD分解后的固有模态分量(IMF)分别构造时域、频域和时频域空间状态矩阵;其次,利用SVD提炼时域、频域和时频域空间状态矩阵中的故障信息,筛选其中累加百分比大于90%的奇异值组成多域有效奇异值数组,构造多域奇异值特征矩阵;然后,利用LPP约简多域奇异值特征矩阵,提取低维、高区分度的故障特征;最后,利用支持向量机(SVM)对提出的故障特征提取方法进行评估。实验结果证明了该方法提取的故障特征可有效反映滚动轴承的故障状态。     

频域特征量的故障敏感性实验研究

有效地提取故障特征向量,找到故障敏感因子是进行液压泵故障诊断的关键.采集轴向柱塞泵松靴、滑靴磨损、斜盘磨损以及中心弹簧失效等故障情况下的端盖振动信号,采用合适的信号预处理方法得到有价值的低频信号,从低频信号中提取出频域特征参量,分析频域特征量对每种故障的敏感性,找到各故障的频域敏感因子.为液压泵的故障诊断提供了可靠的敏感特征信息,增加了故障特征信息的完备性,对提高故障诊断系统的故障确诊率具有重要的意义.     

齿轮传动系统齿根裂纹早期故障识别

建立齿轮系统动力学模型,分析不同深度的齿根裂纹齿轮系统的振动响应和裂纹的故障特征,采用经验模式分解EMD(Empirical Mode Decomposition)方法与频域分析对齿轮早期裂纹故障实验中振动加速度传感器获取的齿轮箱振动信号进行分析。用EMD方法分别将0 mm、2 mm、4 mm的齿轮齿根裂纹故障信号分解为本征模式IMF(intrinsic mode function),对各IMF分量进行频域分析并与仿真信号对比。结果表明:仿真结果可清晰得到齿轮早期裂纹故障的特征频率,通过频谱分析,齿轮裂纹故障其对啮合频率的幅值影响不大,但随裂纹深度增加,啮合频率及其倍频附近的边频带幅值增加;与实验信号进行对比,现象均符合裂纹故障特征。由此可以看出EMD方法可以有效的实现齿轮裂纹早期故障的识别。     

基于KPCA和SVM的滚珠丝杠副润滑失效故障诊断

为了能够更加充分地表征振动信号在时域、频域、时频域等多特征参数与滚珠丝杠副润滑失效状态的线性关系,提高滚珠丝杠副润滑失效故障诊断的准确率,提出了基于KPCA和SVM的滚珠丝杠副润滑失效故障诊断模型。提取了滚珠丝杠副在3种润滑状态和5种转速下的振动信号特征,构建了润滑特征混合域特征集,并按照累计贡献率大于90%的标准对特征集进行核主元分析,将筛选出的能够反映滚珠丝杠副润滑失效故障特性的主元作为主要特征量,最后将筛选出的主要特征量输入支持向量机(SVM)内进行训练测试,并在同一转速的条件下作对比试验。结果显示:利用核主元分析法进行主元提取能够有效降低原始数据的维度,并提高模型诊断的准确率;当电机转速为100 rpm时,所建立的基于KPCA和SVM的滚珠丝杠副润滑失效故障诊断模型的诊断准确率高于其他转速下的诊断准确率,准确率为93.33%;这说明该方法在对滚珠丝杠副润滑状态进行诊断时,通过控制电机转速可有效提高诊断的准确率。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势，融合传感器信号特征来提高预测精度，是一个关键问题。为解决上述问题，提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号，在时域、频域上对不同传感器信号分别进行特征提取，时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化，经优化后构成的多域特征矩阵作为模型的输入，通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后，在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明：所提出的方法比对比模型的预测准确率更高，泛化能力更好。     

基于信息融合的稀疏自编码故障诊断

针对目前大多数机械故障诊断中单一振动加速度信号特征提取对先验知识要求高和对时域、频域信息利用不充分等问题，提出了一种基于信息融合的稀疏自编码故障诊断方法。首先，对振动加速度信号进行频域积分得到速度和位移信号，同时计算加速度信号的频谱；其次，将频谱、速度、位移三种信号融合成一个复合信号；最后，将复合信号作为稀疏自编码网络的输入进行深度特征提取，利用SoftMax分类器进行状态识别。通过调整不同比例的输入信息来调整模型，并与传统的稀疏自编码故障诊断模型相比，结果表明，所提方法能有效识别滚动轴承故障和RV行星轮故障，且在减少网络层数的同时能够提高识别准确率。     

挤压机液压缸的振动机理及特性研究

针对挤压机液压缸的振动诊断过程中故障原因复杂、噪声干扰大的特点,深入分析了液压缸的故障原因和振动机制,建立了液压缸振动信息模型。通过对小波降噪后的振动信号本身特性进行分析研究,刻画了液压缸振动信号的时域和频域特征,揭示了故障与振动响应信号之间的联系及规律。并以现场工作的挤压机液压缸振动诊断为例,分析结果为实现基于振动的液压缸故障诊断打下了基础。