基于小波分解与深度学习的液压泵泄漏状态识别

针对液压信号高度复杂且难以识别的特点,提出了一种基于堆栈稀疏自编码器(SSAE)与Softmax的深度神经网络(DNN)来对液压泵泄漏状态信号的特征进行优化与识别。对液压泵的压力与流量信号进行5层小波分解,计算5个高频系数与一个低频系数的样本熵值作为小波特征;融合信号的小波特征与时域特征作为低阶特征,输入构建的深度神经网络进行特征优化,学习输出高阶特征,并使用连接的Softmax层完成识别任务。实验结果表明,基于堆栈稀疏自编码器与Softmax构建的深度神经网络能够学习到液压信号的高阶特征,有效完成液压泵不同泄漏状态的识别,识别精度达到99.3%。此外与随机森林与支持向量机相比,该深度神经网络具有更好的识别精度。     

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。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

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CEEMD航空液压管路故障诊断方法研究

航空液压管路是飞机液压系统的重要组成部分,为了对其早期故障进行准确识别及预测,针对航空液压管路中早期微弱故障振动信号进行研究,利用自适应白噪声完备总体经验模态分解方法将信号分解为多个分量,搭建ResNet网络结构,并将获得的分量输入到深度残差网络（ResNet）进行训练测试。实验结果表明：CEEMDAN-ResNet模型故障识别率可达99.78%,故障预测训练迭代到1 200次时,准确率将会达到99.5%左右并持续稳定,验证了所建立的CEEMDAN-ResNet模型对航空液压管路早期故障识别与预测的准确性、可行性。     

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     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

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。     

神经网络在液压系统典型故障诊断中的应用

针对液压系统中的一种典型故障——油缸泄漏的故障诊断,提出通过监测油缸压力信号,提取时域组合特征并利用神经网络作为故障分类器的诊断方法。该诊断方法首先提取了油缸压力信号的时域组合特征作为特征向量,然后输入到神经网络分类器中进行故障的识别和分类。实验结果表明:该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的3种状态,是液压系统故障诊断行之有效的方法。     

基于深度学习的齿轮泵故障诊断方法研究

为降低齿轮泵发生故障后对工作效率的影响,将深度学习技术应用到齿轮泵故障诊断分析中,以BP神经网络为基础搭建多层感知器模型。首先,对齿轮泵的出口压力信号进行特征量提取、归一化处理等一系列处理,构建特征向量;然后,将特征信号输入到BP神经网络模型中进行模型训练,通过调节学习率、误差容限、动量因子等初始值将实验样本进行分类、预测;接着,再次将特征信号输入到多层感知器模型中,实现对齿轮泵的故障状态识别。结果表明,与BP神经网络算法相比,利用深度神经网络构建多层感知模型能够有效地诊断出齿轮泵是否发生故障,准确率可以达到95.56%以上。     

基于ES-MLSTM的液压机故障诊断系统设计

为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统(ES)与多模型长短期记忆(MLSTM)神经网络的融合识别算法。首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响。分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率。设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络(MLSTM)的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模。在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度。系统采用了12个故障类、120个训练样本、1 920个测试样本进行测试,采用ES-MLSTM识别率为100%,而相同样本,采用SVM的识别率是92.9%,采用PSOSVM的识别率是96.3%,采用BP的识别率是73%,证明基于ES-MLSTM识别方法可以满足故障诊断的要求。     

基于小波包分解与K L变换的齿轮泵振动信号故障特征提取方法

针对齿轮泵故障成因复杂、模糊性强的特点,结合小波包分解与K-L变换,提出一种适用于支持向量机故障诊断的特征提取方法。通过小波包对样本故障振动信号进行分解得到特征向量,而后利用K-L变换处理得到新的特征向量集,达到降维去噪的目的。将处理后的特征向量集用于支持向量机的模型训练,分析结果表明:该方法能够有效提高故障模式识别准确率和识别效率。     

SWG310-R1圆木正面吊运机吊具液压系统典型故障诊断与排除

圆木正面吊运机的工作装置主要由抓具和臂架组成,其工作环境十分恶劣,装卸动作变换频繁且负荷较大,在多变载荷和复杂工况的共同作用下,工作装置很容易出现故障。对其液压系统典型故障进行诊断、分析和排除,对保障其使用性能和提升产品质量具有十分重要的意义。针对3例作业现场常见故障,结合液压系统的工作原理,详细分析了故障排查过程,为解决该机种的同类故障提供参考。     

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。     

波浪能装置液压式蓄能系统设计

蓄能系统是漂浮式波浪能装置液压式能量转换系统中的储能环节。以漂浮式波浪能装置液压式能量转换系统为研究对象,介绍了液压式能量系统中的蓄能系统的组成,分析了该系统在大浪下实现稳定发电和小浪时实现0-1发电的原理,建立了预充压力、最低工作压力和最高工作压力、蓄能量几个关键设计参数之间的数学模型,通过计算实例进行数值模拟,获得了大量试验数据。试验结果表明:最高工作压力与最低工作压力在数值上差越大,蓄能系统单个循环释放出的蓄能越多,蓄能系统的成本越低;设计的预充压力安全值为最低工作压力的80%;蓄能量与最高工作压力、最低工作压力、预充压力之间存在耦合关系。     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题，建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图，作为网络模型的输入；将在ImageNet数据集上训练的ResNet50模型作为预训练模型，通过迁移学习的方法，应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%，实现了刀具不同磨损状态下的智能识别，有效提高了刀具磨损状态监测的准确性和稳定性。     

基于优化VMD和BP神经网络液压管路故障诊断研究北大核心

针对航空发动机液压管路故障信号易受噪声干扰、管路故障诊断准确率不高等问题,提出基于优化变分模态分解和BP神经网络的故障诊断方法。利用遗传算法自适应确定变分模态分解K、α的最优参数,然后采用优化后的变分模态分解方法对航空液压管路的振动信号进行分解,最后将故障特征明显的故障分量输入BP神经网络模型中进行训练和分类。结果表明:提出的基于变分模态分解与BP神经网络的航空液压管路故障诊断方法能够精准识别出航空液压管路多种不同的故障状态。     

基于优化CNN的航空液压管路卡箍故障诊断

针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍智能故障诊断方法。基于优化的VMD将液压管路系统-卡箍振动信号分解成一系列固有模态函数;将含有卡箍故障信号明显的IMF输入到卷积神经网络训练模型,采用CNN进行自主特征学习和模式识别。并将该方法应用于实例中,结果表明:该方法不仅能有效地对信号进行分解,同时对不同类型的卡箍故障可达到精准识别和故障诊断。     

焊缝缺陷图像智能分类研究北大核心

为解决V型焊缝内部缺陷超声相控阵图像智能分类时代表性特征提取困难的问题,提出了一种改进的稀疏自编码器网络模型(RSAE),获取显著响应V型焊缝缺陷类型的特征集。首先,预处理缺陷超声图像,进而采用纹理特征与形状特征相结合的方法解析缺陷的明暗复杂程度、纹理粗细、沟纹深浅、灰度分布均匀程度;其次,基于Relief-F算法计算各特征对V型焊缝内部缺陷类型的敏感度,分配其为RSAE的初始权重参数,同时给RSAE三种约束实现对样本数据的重新表达。实验使用原始特征与改进的稀疏自编码器编码的特征分别作为核极限学习机的输入,识别准确率分别为87.2%与96.5%。结果表明,提出的改进的稀疏自编码器获得的高级特征较原始特征在模式识别中有更好的结果。