基于DTW-kmedoids算法的时间序列数据异常检测北大核心

针对工业生产中传统聚类算法直接应用于时间序列聚类效果准确性较低的问题,提出一种基于DTW距离度量的K-medoids算法。使用DTW计算时序数据之间的距离取代传统的欧氏距离度量方式,提高了相似性度量算法精度,同时也提高了聚类算法的准确性,并通过构建阈值机制实现了对时间序列数据的监督与异常检测。最后,结合烟叶含水率的时间序列数据进行分析,与传统聚类算法的异常检测模型比较,实验结果表明,DTW-kmedoids算法对时序数据的监督与异常检测具有可靠性、准确性。     

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。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性     

基于模糊规则的数据异常检测系统北大核心

文章设计了一种基于模糊规则的机械故障快速检测模型,可以通过实际运行数据实现异常的快速检测和异常概率计算。异常快速检测是指通过优化循环神经网络(RNN)等深度学习模型,对产线数据进行特征提取和整合,然后结合随机森林及模糊规则,进行异常检测;异常概率计算是对数据进行数据清理后,使用决策树与模糊规则相结合,挖掘数据在真实异常发生前的特征趋势,在此基础上完成异常预警功能;最后在多个模拟数据集及真实运行数据下进行了实验。结果表明,提出的模型在异常数据检测及预警方面具有良好表现。     

基于点云深度学习的散乱堆叠轴承圈位姿检测

为解决工业应用中散乱堆叠轴承圈的难识别、分割与抓取问题,提出一种分层递进随机下采样算法对采集的点云模型进行下采样操作,并结合提出的基于RGB阈值自动标注算法完成数据集的制作,利用PointNet++网络预测并分割出可抓取轴承圈上表面,进而使用RANSAC算法精确分割出待抓取轴承圈上表面,最后采用防干涉的抓取点选取策略完成待抓取轴承圈的位姿检测。实际场景下三组抓取实验得到的成功率均在98%以上,验证了其有效性。     

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YoLov5的轴承端面表面缺陷检测方法

针对工业生产中轴承端面表面缺陷检测采用人工目视检测方法存在检测精度低、可靠性差等问题,提出一种基于YoLov5的轴承端面表面缺陷检测方法.首先,为了克服轴承端面表面缺陷样本数据不足问题,提出一种联合Mosaic与Copy-Pasting策略的数据增强方法对样本进行扩充,然后利用YoLov5具有较好的目标检测性能,基于Y...     

基于深度SVDD-CVAE的轴承自适应阈值故障检测

通过状态监测进行轴承故障报警,能有效避免设备灾难性事故的发生。基于数据时序特征重构的故障检测法由于仅采用正常数据进行训练, 能有效避免故障数据不足而导致的模型检测精度下降。然而,此类方法的故障阈值确定依赖于大量的历史数据,且对检测精度有着极大的影响。为此,提出基于深度SVDD-CVAE的轴承自适应阈值故障检测方法。针对时序信号特征增强提取构建ConvLSTM作为基础单元的CVAE特征压缩提取框架,有效提取轴承故障微弱特征;结合SVDD自适应学习特征空间超球面,实现故障检测阈值的自适应确定;最后,通过全局误差损失反向传播对深度SVDD-CVAE框架进行迭代优化。实验结果表明：所提出的方法能有效提取轴承微弱故障特征、自适应确定阈值,并在IMS轴承数据集上取得97.7%的检测准确率。     

复杂系统的异常检测方法

复杂系统中,异常检测的最终目标是预测系统的涌现形态.传统的故障诊断主要是寻找输出信号中的反常特征.本文在复杂性科学的基础上,探讨了异常检测新的发展趋势.首先,回顾了几种典型的检测算法.然后介绍了一种新的检测理念--通过理解系统特征和捕捉隐含模式来提高异常检测算法.分析结果表明:符号化及其相关分析为达到这一目的提供了新的途径,它可以帮助我们采用更多的智能算法来探索系统潜在的规律;不过,如何评价这些算法,如何估计系统参数,尽管很有意义,但非常困难,这将是未来工作的重点.     

基于分布式系统的轴承检测研究

介绍了CAN现场总线及基于TCP/IP协议的以太网构建的三级分布式测试系统网络框架,基于该框架,开发了分布式微型轴承的自动检测系统,该系统由PLC、IPC、PC机组成.还给出了多机通讯软件的设计处理方法.针对不规则的分布式网络结构,对通讯路径算法作了探讨.     

基于动态时窗的汽车轴承故障在线检测

针对在线检测时汽车轴承故障呈现出的变频特性（由于车辆的变速运动引起的）,且一般故障检测方法无法适应变频特性等问题,提出一种基于动态时间窗的汽车轴承故障在线检测方法。对车辆行驶状态进行分析,给出车速与轮毂轴承转速的关系式;依据特征车速给出动态时间窗的确定规则;构建基于特征车速的维格纳故障检测模型;并采集实车数据对所提及的算法进行测试。结果表明：定时窗检测算法适应于线下轴承故障检测,基于特征车速的动态时窗检测算法适用于故障的在线检测。     

基于GMDH与SVM的信号缺失情景下轴承故障诊断

针对在轴承故障数据采集过程中,由于外界干扰导致部分信号缺失的问题,提出一种基于数据分组处理算法(GMDH)与经粒子群优化的支持向量机(PSO-SVM)算法相结合的轴承故障诊断方法。首先,利用GMDH算法搭建时间序列预测模型,预测出并弥补上缺失的数据并与采集信号整合;其次,经过PSO-SVM模型对完整的数据集进行故障类型诊断;最后,实验采用了凯斯西储大学轴承故障振动数据,并与SVM、PSO-SVM等算法进行比较,验证了在信号缺失情景下,GMDH-SVM混合诊断方法的有效性。     

基于对抗自编码模型的高速泵异常检测北大核心

针对传统大型旋转机械健康状态评估中过分依赖人工经验和对复杂信号的处理通用性较差的问题,基于对抗自编码模型提出一种误差阈值异常检测方法。直接利用设备振动信号进行特征提取与运行状态建模,利用正常状态下设备的振动状态数据建立分布模型;通过深度学习的方式学习振动数据的内在特征,并引入误差阈值作为故障预警的决策准则,实现设备运行状态的高效评估;以一台高转速离心泵为测试对象验证所提方法。结果表明:对抗自编码模型对异常数据的判断准确率能达到100%,该方法能够基于监测数据对旋转设备运行状态进行有效检测;相比于传统自编码神经网络,该方法的诊断准确度和精度大幅提高。     

在轴承磁粉检测中不确定度的探讨

介绍了测量不确定度的概念及管理要求,结合无损检测应用特点,给出了轴承磁粉检测缺陷长度的测量不确定度评定案例。     

基于机器视觉的轴承尺寸检测

本文采用机器视觉和图象处理技术，利用CCD摄象机、图象采集卡、运动控制卡、计算机等组成一针对轴承外形尺寸的视觉检测系统，介绍了系统的组成和图象处理方法，并给出了系统的硬件和软件设计。     

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。     

一种基于免疫识别的滚动轴承故障检测模型

提出了一种基于免疫识别的滚动轴承故障检测模型.该模型根据免疫识别原理来构造神经网络检测器,通过训练将滚动轴承的故障模式信息存储于分布的检测器中,检测器用于捕获被检测轴承的异常模式特征,当检测器与特征样本匹配时则激活该检测器,根据检测器的激活情况来发现轴承的故障,并给出了相应的训练算法.通过滚动轴承损伤检测的仿真实验,表明该方法对由轴承损伤冲击造成的信号突变保持了较高的灵敏度和分辨率,对于滚动轴承的监测具有一定的应用价值.     

基于时间卷积网络的机床齿轮箱轴承剩余寿命预测

基于深度神经网络的RUL预测模型结构比较复杂,不能很好地满足中长期预测任务的要求。为了更好地利用时间信息,设计一种基于时间卷积网络（TCN）的轴承RUL预测模型。以振动信号的频谱特征作为输入,利用因果膨胀卷积结构提取频域特征并捕获长期依赖,从而实现对轴承准确的RUL预测。为了进一步说明所提方法的优越性,将所提方法与卷积神经网络（CNN）、门控循环单元（GRU）进行了对比。结果表明：所提出的TCN模型的RUL预测精度优于其他现有方法,具有较高的精度。     

机床平面度检测机构设计及时空映射算法研究

为了实现机床导轨安装表面平面度误差在线测量,文章设计出了包含检测机构与参考板的检测系统,利用测量过程中检测机构与参考板对应的位置关系开发出了时间-空间映射算法。给出了算法原理,建立了算法的数学模型,并进行了测量试验,得到的三组空间序列测量值趋势线在所有检测位置中的最大误差为1.8μm,约占趋势线极差的1%,对曲线形状影响很小。结果表明:检测机构设计合理且时间-空间映射算法可以正确的将检测机构时间序列的测量值转换为对应检测位置的空间序列测量值。