基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...     

基于抗蛇行减振器动态模型的高速列车曲线通过性能研究

为解决传统油压减振器模型不能反映其动态特性对高速列车动力学性能影响的问题,运用Simulink仿真软件建立了一种包含压力缸、常通孔、储油缸、回油阀、卸荷阀的抗蛇行减振器动态模型。结合动力学仿真软件SIMPACK,分析了时速350 km/h动车组曲线通过性能。结果表明:相比传统分段线性模型,采用抗蛇行减振器动态模型计算的阻尼力涵盖了黏性阻尼力和油液被压缩产生的回复力,仿真计算的示功图与试验结果吻合良好,能够准确描述抗蛇行减振器动态行为过程。动力学联合仿真结果表明:增大曲线外轨超高度和曲线半径均能有效提高列车在曲线上的蛇行失稳临界速度;列车运行速度一旦超过曲线路段所对应的临界速度,其脱轨系数、倾覆系数和磨耗指数均会急剧增大,严重影响行车安全;时速350 km/h动车组的蛇行失稳临界速度在半径分别为3 000、5 000、7 000 m的曲线上分别为220～260 km/h、280～340 km/h、335～400 km/h。     

高速动车组抗蛇行减振器的故障分析与识别

高速动车组在运行时,其运行平稳性与抗蛇行减振器工作状态息息相关。分析了不同程度的抗蛇行减振器故障和多组抗蛇行减振器故障组合影响下,运用车辆系统动力学和广义共振理论,仿真车辆运行状态。基于抗蛇行减振器故障后的剩余阻尼力大小,分析了故障情况下车辆、车体及构架的振动性能和动力学指标,找到容易引发车辆共振的故障状态及危机车辆平稳性的抗蛇行减振器故障程度。给出了可以判别抗蛇行减振器故障及组合故障情况的故障识别方法,以便尽早甄别并排除抗蛇行减振器故障。分析表明:该识别方法是可行的。     

抗蛇行减振器功率特性研究

为了研究活塞运行速度、温度、低(常)温持续动作减振器温升对抗蛇行减振器的功率及动态特性的影响,对国内现役抗蛇行减振器进行试验分析。试验结果表明:低温时(低于-10℃),抗蛇行减振器功率随温度的变化较大,高温时,抗蛇行减振器功率随温度的变化不大;减振器活塞低速运行时,温度变化对动态阻尼影响较大;减振器活塞高速运行时,温度变化对相位角影响较大;减振器持续温升对低温时的减振器性能影响较大,温升对常温时的减振器性能影响不显著。     

抗蛇行旋转减振器在地铁车辆上的应用研究

为了进一步提高现有中速地铁车辆的稳定性和节省低地板车辆的空间,解决由于结构剩余空间不足及车辆限界限制导致无法加装抗蛇行减振器的问题,提出一种适用于铁道车辆的抗蛇行旋转减振器。将传统旋转减振器隔板上的滑阀式阻尼阀系更改为成本低廉的阀片式阻尼阀系,便于通过增加或减少阀片数量调节阻尼阀以适用于铁道车辆的节流特性。相比于传统的铁道车辆筒式液压减振器,旋转减振器具有结构可靠、散热性能更好、安装空间小、安装灵活等优势。建立旋转减振器的数学模型,并与传统抗蛇行减振器的试验结果进行对比,验证旋转减振器模型的准确性;建立旋转减振器与地铁车辆动力学联合仿真模型,分析旋转减振器对车辆系统动力学性能的影响。仿真结果表明：旋转减振器能够代替抗蛇行减振器提供回转阻尼,使中速地铁车辆具有更好的稳定性和平稳性,同时满足曲线通过的要求。     

抗蛇行减振器油液温度对其动态特性以及对车辆平稳性影响

以我国某两种高速列车所用抗蛇行减振器为例,分析了油液温度对抗蛇行减振器本身的动态特性影响,并进一步研究了抗蛇行减振器对车辆平稳性影响。从试验角度对抗蛇行减振器不同温度下动态特性进行了研究,研究表明,在油液正常工作温度范围内,随着油液温度的降低,减振器吸收的能量越多,动态阻尼和动态刚度也越大,当温度超过了抗蛇行减振器油液正常工作范围,温度越低,减振器吸收的能量、动态刚度、动态阻尼反而会减小。建立了我国某高速列车SIMPACK模型,研究了油液温度对车辆平稳性的影响,结果表明:当速度低于200 km/h时,其平稳性几乎没什么区别,当速度大于200 km/h,平稳性有所变差,但总体来说,油液温度对平稳性影响不是很大。     

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。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于BP神经网络的SCARA机器人故障诊断

以SCARA机器人为研究对象,在ADAMS软件中建立SCARA机器人模型,进行仿真。采集SCARA机器人大臂前后端、小臂前后端及底座等容易出现裂纹部位的加速度数据;在MATLAB中运用BP神经网络建立SCARA机器人故障诊断模型,实现利用BP神经网络对SCARA机器人故障进行智能识别与分类。结果表明：BP神经网络的计算结果与期望输出基本一致,验证了其准确性及可靠性。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

一种改进的BP神经网络在故障诊断中的应用研究

人工神经网络作为一个具有高度非线性映射能力的计算模型,在工程中具有广泛的应用前景.它不需要预选确定样本的数学模型,仅通过学习样本数据即可以进行故障诊断.本文结合计算机综合业务的一些实际问题,探讨了利用改进的BP神经网络进行故障诊断的方法和应该注意的问题,在分析神经网络的基础上提出了基于改进的BP模型神经网络的故障诊断推理方法.结果表明,基于BP神经网络的故障诊断方法是行之有效的.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法,先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号,通过卷积神经网络的学习与训练,使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法,文中方法克服了在非线性液压系统中建模难点,只需要采集压力信号,且简单可行,具有很高的可靠性;将该方法与传统的BP神经网络作对比,证明该神经网络的优越性     

基于卷积神经网络的液压缸内泄漏检测

由密封损坏引起的液压缸内泄漏会导致液压系统工作的不稳定。本文作者提出一种基于卷积神经网络的检测方法,先经过仿真得到在无泄漏、小泄漏、中等泄漏和大泄漏4种工况下的液压缸一个腔的压力信号,通过卷积神经网络的学习与训练,使其在不确定工况下通过输入压力信号自动地检测液压缸的泄漏程度。相比于传统的建模方法,文中方法克服了在非线性液压系统中建模难点,只需要采集压力信号,且简单可行,具有很高的可靠性;将该方法与传统的BP神经网络作对比,证明该神经网络的优越性     

基于BP神经网络的三电平逆变器开路故障诊断研究

分析了三电平变频器发生故障的原因,并将2只IGBT开路故障进行分类,为各类故障进行编码。选择逆变电路3个桥臂的相电压信号作为研究对象,利用d-q变换将三相电压信号转换为两相以减少故障信息的维数,通过傅立叶变换提取不同故障下的特征向量;建立一个4层的BP神经网络并进行故障诊断,将特征向量作为输入,对应故障的编码作为输出,对网络进行训练仿真,实现并验证了采用BP神经网络对三电平变频器故障诊断的可行性和准确性。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。