基于IRN网络的旋转件融合诊断方法与应用

提出了一种基于小波神经网络的故障诊断方法，该方法采用小波变换作为特征提取器，IRN神经网络作为分类器实现特征级的融合诊断，实验结果证明该方法具有很好的容错性和抗干扰特性，是一种比较实用的故障诊断方法。     

旋转机械故障诊断方法的研究与应用

旨在探究旋转机械故障诊断系统的设计与应用,针对工业中常见的旋转机械故障问题进行研究。分析了旋转机械故障的特点、常见类型。通过实际案例的应用,介绍了振动分析技术在水泵叶片和航空发动机等旋转机械中的应用案例。本研究的成果对工业生产中旋转机械的维护和故障预防具有重要意义。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于矢谱-HMM的旋转机械故障诊断方法研究

针对传统旋转机械单通道故障诊断的不足,结合隐马尔可夫模型(HMM)的特点,提出矢谱-HMM故障诊断方法.利用矢谱技术融合截面双通道的信息,然后提取主振矢特征训练HMM模型,利用训练好的HMM模型进行故障诊断.实验表明,该方法是比较有效的.     

基于图像矩的旋转机械故障特征提取方法

为充分利用旋转机械振动信号的多维图形信息,以提高故障诊断准确率,介绍了希尔伯特包络和双谱概念,由此引入振动信号的包络双谱图,提出了利用双谱图矩来表征轴承运行状态。对比分析了其他图像特征提取技术,实验验证了基于振动谱图矩特征识别故障诊断方法的可行性。     

基于矩阵乘积态的机械故障诊断方法研究

在机械故障诊断中,针对传统神经网络处理高阶数据难度大、网络参数多、耗费大量计算资源的不足,提出了一种基于矩阵乘积态的张量网络故障诊断方法。通过输入高阶张量故障数据到矩阵乘积态故障诊断模型中,将高阶张量表示为多个低阶张量,从而简化数据结构和参数量。为了验证该方法的有效性,将其应用在齿轮的故障诊断中,并与传统的卷积神经网络故障诊断模型进行对比。同时,验证了键维度对模型准确率的影响。结果表明：所提模型的键维度会影响模型准确率,键维度为16的模型准确率高于键维度为8的模型准确率;该模型在减小数据复杂度的同时,还可以识别不同故障类型,准确率达到90%,比传统的卷积神经网络故障诊断模型性能更好。     

数字孪生驱动的数控车床主传动系统故障诊断研究

数控车床主传动系统是机床的核心部件,其一旦发生故障会造成加工质量甚至作业安全问题。数字孪生技术能降低故障诊断的难度,但目前研究仍存在物理实体到虚拟实体转换效率低和神经网络过拟合问题。为了解决上述问题,提出一种基于数字孪生和正则化BP神经网络的故障诊断方法。建立数控车床主传动系统数字孪生模型,通过OPC UA通信完成了物理实体和虚拟实体间孪生数据的交换,对比分析正则化改善过拟合问题的4种方法,构建了丢弃法正则化BP神经网络故障诊断模型。通过对比不同信噪比下BP神经网络、丢弃法正则化BP神经网络和卷积神经网络的损失函数和预测准确度,验证了诊断模型的可行性和算法的适用性。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

机械故障诊断技术现状及趋势

对机械故障诊断方法进行了分类阐述,并介绍机械故障诊断的现状及发展趋势.     

基于矢谱和支持向量数据描述的旋转机械故障诊断方法研究

传统旋转机械故障诊断用单通道信号进行诊断,信息量不完整,容易导致误诊;而矢谱融合了多通道的信息,反映的信息更全面.支持向量数据描述是一种单值分类方法,该方法有望解决机械故障诊断中缺少故障样本的问题.基于此,提出矢谱和支持向量数据描述的故障诊断方法,用矢谱作为特征向量,支持向量数据描述方法为分类器,并应用到旋转机械故障诊断中.实验结果表明,该方法是有效的.     

旋转压合成形数字孪生系统构建及应用

针对口罩生产这种新型旋转压合成形技术生产过程中的数字孪生技术进行了研究。研究阐述了数字孪生在旋转压合生产中的框架和系统组成，利用西门子的NXMCD软件构建了数字孪生模型，并建立了其中的运动关系，在运动关系上利用传感器和模型之间的映射来实现模型的驱动，实现了虚实同步。此外，通过接口将深度学习的神经网络和数字孪生系统结合，实现以虚预实，对传感器的数据源进行不断地迭代，实现了产线的实时优化。这种融合了数字孪生与旋转压合技术的方法，为制造业的智能制造提供了宝贵的数据和参考，推动了生产过程的高效化和智能化。     

焊接缺陷识别中的多模态注意力方法

提出了一种多模态焊接缺陷识别方法,构建了包含3个分支的卷积神经网络,以分别对焊接熔池图片、电弧声、焊接电流和电弧电压进行处理。并在图像分支网络中加入了通道注意力模块和空间注意力模块,以聚焦焊接熔池图片的重要区域。为了验证文中模型的稳定性和可靠性,在自构建的包含10种焊接缺陷的数据集上进行了试验。试验结果表明,双通道注意力机制嵌入到卷积神经网络的浅层效果优于深层。同时,相比于不加注意力机制,双通道注意力机制识别结果的F值得到了明显的提升,为焊接实时分类识别提供参考,有助于焊接质量评定。创新点： (1)提出了多模态卷积神经网络自动提取焊接熔池图像、焊接电流、电弧电压、电弧声的显著特征。(2)在图像网络分支加入了注意力机制,帮助模型捕获缺陷显著区域,并验证了在卷积浅层引入注意力效果优于深层。     

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。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法北大核心

针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。     

基于小波包样本熵及GA-BP网络的旋转机械故障识别

针对旋转机械故障信号具有非线性、非平稳性特点,提出一种基于小波包样本熵及GA-BP网络的故障识别方法。首先对故障信号进行小波包分解,计算重构节点信号能量较大的前4个子频带振动信号的样本熵作为特征向量;然后将特征向量输入GA-BP网络模型进行故障类型识别,并且与传统BP网络作对比。实验结果表明:转子实验台不同故障信号的小波包样本熵不同,该方法对转子故障区别度更有效果,故障识别率明显提高。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于AE技术的旋转机械故障监测与诊断系统

论述了声发射技术应用于旋转机械故障监测与诊断是一种高效实用的方法。针对旋转机械结构特征及其声发射信号特点，开发了以声发射技术为核心的旋转机械故障监测与诊断专用系统，介绍了该系统的组成模块及其功能实现。在模拟工况条件下，利用该系统的时频分析功能和包络分析功能对一批故障滚动轴承进行了实时诊断，证明了该系统的科学性、有效性和实用性。     

基于边缘图注意力网络的轴承智能故障诊断

基于欧几里德空间的数据包含着节点和边的关系信息,比传统的欧几里得空间的数据具有更多信息。然而,传统的图卷积以及图注意力网路注重于节点信息的提取,对于边的信息利用不够充分。对此,通过结合可视图算法和边缘图注意力网络（EGAT）,将基于非欧几里德空间的不规则数据应用到轴承故障诊断领域。诊断过程分为两步：利用可视图算法将原始信号转化为图数据;利用EGAT对故障特征进行学习,然后即可进行故障诊断。实验结果表明：图卷积网络在单一轴承故障分类任务上能够达到 100%的准确率,表明所提出的方法对于轴承故障诊断具有明显的作用。     

基于蚁群算法与神经网络的机械故障诊断方法

为解决柴油机故障诊断这一复杂问题,提出了一种基于智能互补融合的智能诊断方法.采用蚁群算法(ACA)对反映运行工况的特征参数进行属性约简,剔除不必要的属性.根据约简结果,建立了基于径向基函数(RBF)神经网络的故障诊断系统.网络的训练对比结果表明,基于蚁群算法的约简处理简化了输入神经网络的数据维数,提高了网络的训练效率和故障分类准确性.