基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点，传统的方法难以较好地实现旋转机械故障诊断。近年来，基于深度学习的故障诊断算法发展迅速，其中，卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注，但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断，在经典卷积神经网络结构的基础上，引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法，构造了一种新型的、高效的空洞卷积神经网络（Atrous Convolution-Convolutional Neural Network,AC-CNN），并基于该模型进行了旋转机械故障诊断实验。实验结果表明，提出的故障诊断模型分类准确率可达99%以上，对比其他神经网络方法具有明显优势。     

一种遗传BP网络及其在故障诊断中的应用

针对旋转机械故障自动诊断问题及传统BP网络和遗传算法在进行故障诊断时所存在的缺点,提出了一种改进的遗传BP网络方法,该方法首先利用改进的遗传算法进行粗精度的学习以达到选取初值的效果,然后采用改进的BP算法完成对给定精度的网络学习,建立的网络学习收敛速度快且易于实现。仿真实验证明了该方法对旋转机械故障诊断问题具有良好的适应性。     

基于混沌动力学的滚动轴承故障诊断研究

为了研究旋转机械非平稳信号的非线性动力学特征,探索旋转机械故障诊断方法,以滚动轴承为研究对象,采用嵌入式传感器获取滚动轴承振动信号,通过计算滚动轴承振动时间序列的关联维数、Kolmogorov熵等混沌特征量,提取设备运动状态特征,并对其进行了详细分析。结果表明：该方法可以实现对滚动轴承的故障诊断,从而为旋转机械的故障诊断提供了一种新的方法。     

基于支持向量机的旋转机械故障诊断研究

为了解决因缺少大量故障数据样本而制约机械故障智能诊断发展的问题,提出了一种基于支持向量机的故障诊断模型。该模型建立在VC维理论和结构风险最小原理基础上,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折衷。在选取诊断模型输入向量时,对故障信号功率谱进行小波分解,简化了故障特征向量的提取。仿真结果表明该模型可以有效地对旋转机械设备故障进行诊断。     

基于粗糙集的Petri网故障诊断模型研究

本文以旋转机械故障诊断为例,通过粗糙集理论对其样本条件属性进行约简,得到简化的样本集,然后在此基础上对传统Petri网进行改进并构造诊断模型,以利用Petri网的矩阵运算能力进行故障诊断,避免了Petri网对于复杂系统建模容易出现组合爆炸的问题.文章通过示例证明了这种方法的可行性与有效性.     

小波包在旋转机械故障振动信号处理中的应用

根据旋转机械故障振动信号的特点,提出了应用小波包分解、重构技术进行消噪处理及频带能量故障特征提取的方法,实验分析结果表明该方法可以有效地提高故障诊断的抗干扰能力和故障诊断的准确性。     

基于模糊神经网络的机械轴承故障诊断方法研究

针对机械轴承智能化故障诊断的需求,提出了一种融合模糊逻辑和神经网络的故障诊断方法。利用EMD-AR谱提取机械故障振动信号特征,将提取的特征向量作为训练样本库和检验样本库,运用模糊神经网络实现故障诊断。最后设计机械轴承故障诊断专家系统,并通过轴承故障诊断实例,验证了智能诊断技术在机械故障诊断领域可以较好地满足诊断需求。     

基于矢谱和模糊Petri网的旋转机械故障诊断研究

讨论了矢谱融合技术和模糊Petri 网的相关理论,提出了基于矢谱和模糊Petri网的旋转机械故障诊断方法,建立了基于矢谱的旋转机械常见故障诊断Petri网模型。模拟实验结果表明：与基于单通道数据的诊断结果对比,矢谱和模糊Petri网应用于旋转机械常见故障进行诊断,可有效提高旋转机械故障诊断的准确率。     

改进的遗传BP网络在旋转机械故障诊断中的应用

针对旋转机械故障的复杂性和相关性,本文采取改进的遗传BP网络算法进行诊断.首先利用遗传算法对BP网络的初始权值和偏置值进行优化,然后采取改变学习速度的方法对BP算法进行了改进,很好地解决了传统BP算法的学习收敛速度慢和产生局部极小的问题.通过样本训练和故障诊断分析,该算法在速度和精度上都有很大的提高.     

遗传程序设计在旋转机械故障分类中的应用

特征提取是旋转机械故障分类中一个很重要的问题。为解决该问题,提出一种利用时域中已有的无量纲指标和遗传程序设计对旋转机械多类故障进行新无量纲指标提取的方法。实验结果表明,新无量纲指标比传统的无量纲指标具有更好的故障分类能力,能够对旋转机械故障进行准确分类。     

基于非线性故障重构的旋转机械故障预测方法

对旋转机械的状态进行在线监测和故障预测是一个具有重要应用价值的工程问题. 采用基于核主元分析的非线性故障重构技术研究了多变量相关条件下旋转机械的故障估计及预测问题. 首先利用核主元分析对旋转机械系统进行离线非线性建模,并进行异常检测. 通过对故障程度进行定量描述,用最优化方法求解故障重构意义下的故障估计;然后 用多层递阶的方法对估计出的故障幅值的发展趋势进行预测. 最后,以中国石化北京燕山分公司的烟气轮机作为实际应用对象,验证了该方法的有效性.     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

故障诊断中振动与温度监控系统的研究

讨论了利用振动信息和温度数据信息融合技术 ,初步建立温度监控系统中高速旋转机械的故障诊断资料的方法。并在此基础上 ,借助于温度变化与材料缺陷产生之间的关系来进一步建立旋转体故障诊断信息库。     

基于小波包与支持向量机的碰摩故障识别方法研究

为了很好地识别旋转机械的转静件碰摩故障,提出了基于小波包和支持向量机(SVM,support vector machine)的碰摩故障识别方法.采用小波包对信号进行特征向量的提取,利用基于"一对多"和"一对一"的改进算法构建多类故障分类器,对多种碰摩故障进行识别.同时,以双盘悬臂转子-轴承系统的碰摩故障为例,应用该方法进行故障识别,试验结果表明,RBF核SVM故障平均识别率达到97.25%.可见,基于小波包与支持向量机分类器诊断方法的识别率明显优于传统的BP神经网络和RBF神经网络分类器,且鲁棒性好,并具有良好的泛化推广能力.     

基于Infogram的重复瞬态特征提取与旋转机械故障诊断

针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断.     

机械故障矢功率谱—支持向量机识别方法研究

与传统功率谱相比,矢功率谱融合了多通道的能量信息,反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此,结合矢功率谱和支持向量机,提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别,并应用到旋转机械故障诊断中。同时,该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较,实验结果表明,该方法是有效的,尤其在小样本情况下,SVM识别效果明显优于径向基函数网络。     

机械故障矢功率谱-支持向量机识别方法研究

与传统功率谱相比．矢功率谱融合了多通道的能量信息，反映的信息更全面。而支持向量机为解决机械故障诊断中有限的故障样本识别问题提供了一种有力的工具。基于此，结合矢功率谱和支持向量机，提出了一种故障诊断的新方法。该方法是以矢功率谱作为特征输入到支持向量机的多故障分类器进行故障识别．并应用到旋转机械故障诊断中。同时，该方法还与基于矢功率谱的径向基函数网络识别结果进行了比较，实验结果表明，该方法是有效的，尤其在小样本情况下，SVM识别效果明显优于径向基函数网络。     

邻域知识图算法在旋转机械设备故障诊断中的应用

旋转机械应用过程中极易出现内环故障、外环故障、滚动体故障的情况,而这也直接影响机械部件的使用寿命。为准确诊断设备元件的故障行为,达到延长旋转机械设备寿命水平的目的,针对邻域知识图算法在旋转机械设备故障诊断中的应用展开研究。求解邻域知识图算法的函数表达式,并以此为基础,完成对故障数据的推荐,再通过预处理的方式,实现对旋转机械设备故障数据的深度挖掘。融合关键故障数据,并对其进行降维处理,根据核特征定义条件,完善具体的故障诊断流程,完成基于邻域知识图算法的旋转机械设备故障诊断算法的设计。实验结果表明,上述方法的应用,可以准确诊断出内环故障、外环故障、滚动体故障三种故障表现行为,通过适当方法对所诊断出故障行为加以处理,可以达到延长旋转机械设备使用寿命的目的。