基于滑移信息熵与最优滤波器构建的故障诊断方法

以故障信号局部包含信息的差异性为基础,结合相空间重构和信息熵理论,提出滑移信息熵序列对故障信息进行局部冲击特征识别。在此基础上,引入最小熵反卷积、最优滤波器构建等理论,成功实现了滚动轴承的微弱故障诊断。仿真数据和实验数据分析论证结果表明,提出的故障特征提取技术对于滚动轴承微弱冲击故障特征具有优越的识别和提取能力,对于实现滚动轴承强噪声背景下故障智能诊断具有重要的意义。     

基于改进的CNN-SVM的机载燃油泵故障诊断

针对机载燃油泵故障诊断过程中存在需要先验知识、专家经验、特征解释及信号特征提取困难等问题,提出基于模拟退火遗传优化CNN-SVM的诊断方法。该方法利用CNN具有自动提取故障特征的特性实现特征快速提取。并针对传统CNN诊断方法所存在网络结构不确定、计算效率低等问题,采用模拟退火遗传算法对其模型结构和参数进行优化,使用SVM取代全连接层的Softmax分类器优化CNN分类效果,最后应用t分布随机近邻嵌入使其故障特征学习过程可视化,评估其特征提取能力。试验结果表明：与SA-GA-CNN、1DCNN、ANN、GA-SVM及GA-BP诊断方法相比,基于改进CNN-SVM的方法能更有效实现机载燃油泵的故障诊断。     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于PMS的输变电设备故障诊断系统设计

为提高输变电设备故障诊断能力,研究了基于PMS的输变电设备故障诊断系统设计方法.首先,构建系统总体设计构架,采用便携式设备,对故障信息进行采集;再利用传感器技术进行故障信息采集和热成像处理,进而构建输变电设备故障信息PMS特征提取模型,根据振动波形分析和红外图谱分析,实现故障特征的提取和诊断,并构建输变电设备故障诊断的PMS数据信息融合模型,实现输变电设备的多参量自诊断智能巡视方法设计;最后,利用高集成传感信息处理和实时在线检测方法,对输变电设备的健康状态评估及运行趋势进行预测,实现故障实时诊断.仿真结果表明,采用该方法进行输变电设备故障诊断的效率较高,最短可在3 s时间内检测完毕,故障诊断的精准度水平最高可达到89%,具有一定的应用价值.     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难,从而导致故障诊断效率和精度较低的问题,提出一种基于浅层Inception-MobileNet的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像,然后采用多尺度卷积核提取不同分辨率的特征图,并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类,分类精度为99.5%和95.78%。与传统的网络进行比较,该网络可提高特征提取能力,并且在相同数据集上该网络实现的故障识别精度最高。     

基于小波分析的齿轮传动系统故障诊断研究

本文研究了小波分析在齿轮传动系统故障诊断中的应用.通过实例成功地对齿轮传动系统故障模拟实验中获得的振动信号进行基于小波分析的数据预处理及故障特征提取,结果表明,在齿轮传动系统振动信号时频分析中,基于小波分析的数据预处理及故障特征提取是一种行之有效的方法.     

基于互信息的滚动轴承故障特征选择方法

信号特征提取与优化选择是实现滚动轴承故障模式快速有效分类的关键.针对滚动轴承故障信号特征提取,采用小波分解和奇异值分解得到信号的能谱和奇异谱,并计算Shannon熵和Renyi熵两种测度下的能谱熵和奇异熵;针对特征参数集的优化选择,提出利用基于互信息的最大相关最小冗余准则(mRMR)对特征参数集进行评价,通过贪婪搜索得到特征子集序列,利用LS-SVM交叉验证各特征子集的性能,提出确定最优特征子集所包含特征数目的准则.从信号处理、特征提取、特征选择和故障分类等方面构建了滚动轴承故障诊断的完整体系,实际故障诊断表明所提出方法的有效性和优越性.     

KPCA和耦合隐马尔科夫模型在轴承故障诊断中的应用

针对多通道数据的有效融合能够更加准确地诊断轴承的故障,提出了一种基于KPCA和耦合隐马尔可夫模型(CHMM)的轴承故障诊断方法。首先,分别对轴承各通道的振动信号进行特征提取,获得特征向量。然后采用KPCA对各通道的特征向量分别进行特征约减,获取主要的信息成分。最后,利用CHMM对多通道信息进行融合和故障诊断。通过对滚动轴承在正常、内圈故障、外圈故障和滚动体故障状态下实验数据的分析表明,该方法能够更加有效地诊断轴承的故障。     

一种基于双向长短期记忆结构与多尺度卷积结构融合的轴承智能故障诊断方法

轴承作为旋转机械中最易损耗的核心基础部件之一,是机械装备的重点监测对象。针对现有轴承智能故障诊断模型存在的对数据信息挖掘片面性及利用率低等问题,构建了一种基于双向长短期记忆(Bidirectional Long Short-term Memory, BLSTM)结构与多尺度卷积结构融合的深度学习网络模型。为了增强模型的分类性能以及提高模型对实际工程环境的贴合度,数据集中各类故障数据的数据量为非等量;然后将数据集通过BLSTM结构来获取具有对称性的数据特征,从而减少模型对前后故障信息记忆的紊乱、增强信息利用率,接着通过多尺度卷积结构对数据特征进行多角度理解与交流,防止特征提取片面化,同时还能增强模型的抗噪性能;最后通过全连接网络实现智能分类。将所提模型分别对深沟球轴承与圆柱滚子轴承故障数据进行处理分析,结果表明该智能模型具有较高的准确度与实用性。     

基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断

为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于"端到端"识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。     

基于信息熵的转子动力特征分析与诊断方法研究

针对转子系统运行过程中的非线性、耦合性、非平稳突变性等复杂特征,提出基于信息熵特征提取方法,将转子系统动力分析与参数识别方法有机结合,分析转子典型故障——裂纹、碰摩及裂纹碰摩耦合等不同状态下响应参量的信息熵特征及变化规律,并构建小波神经网络模型实现转子系统故障状态诊断。通过对转子系统实测信号的分析诊断,验证理论方法的有效性。     

基于自适应MPCA的翻车机液压系统状态监测与故障诊断

由于翻车机液压系统故障频发,严重影响生产,对其进行状态监测与故障诊断具有重要的实际意义。根据翻车机工作过程具有间歇性和时变性的特点,采用自适应多向主成分分析(MPCA)对其进行状态监测与故障诊断。应用加权递归算法自适应更新协方差矩阵,并通过权值调整新数据对最终模型参数的影响。针对Q贡献率不能反映各过程变量偏离正常范围的程度,导致故障定位不准。采用主成分t贡献率进行故障定位,其直接揭示了过程变量的变化程度。根据翻车机在线监测系统的运行情况证明自适应MPCA方法可以准确及时的发现故障,基于t贡献率的故障定位方法准确率可以达到90%。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法.通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类.为了避免因人为选择DB...     

基于多维曲线拟合算法的空调制冷剂不足故障诊断模型

中央空调多联机机组在各类建筑的空调系统中有着广泛运用,其中制冷剂不足将极大影响多联机机组的正常运转。为有效实现制冷剂不足的在线故障诊断,提出多维拟合算法。首先,基于建立的故障诊断模型开展模拟实验,再对实验数据采取预处理;最后,利用模型和处理后的数据进行故障诊断。结果显示,多联机制冷剂不足故障可通过所建立模型实现诊断,且具有较高的正确率,对空调系统的检修维护工作具有重要的指导意义。     

基于深度学习特征提取和WOA-SVM状态识别的轴承故障诊断

针对滚动轴承故障诊断问题,利用深度学习神经网络、鲸鱼优化算法(WOA)和支持向量机(SVM)等技术,提出了一种基于深度学习特征提取和WOA-SVM状态识别相结合的故障诊断模型。先通过深度学习自适应提取故障频谱特征,并将其与数理统计方法提取的时域特征相融合,再通过WOA-SVM对融合后的联合特征进行故障诊断。该模型在对滚动轴承试验台的故障诊断中实现了不同工况下多种故障类型的可靠识别,并且在一定程度上提高了故障分类的准确性。为了验证WOA-SVM在深度学习提取特征的轴承故障识别中的可行性和有效性,对比了粒子群支持向量机和遗传支持向量机,结果表明WOA-SVM具有较高的收敛精度和收敛速度。     

基于流形学习和K-最近邻分类器的旋转机械故障诊断方法

针对旋转机械故障诊断需人工干预、精度低、故障样本难以获取等问题,提出基于流形学习和K-最近邻分类器（KNNC）的故障诊断模型。提取振动信号多域信息熵以全面反映设备运行状态并构造高维特征集;利用正交邻域保持嵌入(ONPE)非线性流形学习算法的二次特征提取特性进行维数约简使特征具有更好的聚类特性;基于改进的更适用于小样本分类KNNC进行模式识别,用轴承故障诊断案例证明该模型的有效性。     

暖通与空调设备安装故障预测与维护的方法探究

随着经济的快速发展,建筑能耗越来越大,而暖通空调能耗叉在建筑能耗中占了50％以上,因此暖通空调系统的节能研究对降低建筑能耗,乃至对国民经济的可持续发展都具有十分重要的意义。本文阐述了暖通空调系统故障维护的基本方法和技术,简要地介绍了其故障维护的研究现状及应用情况,对系统故障进行了分类,对故障特征进行了归纳,提出了系统故障维护方案及维护模型,并结合工程实例进行了分析。     

基于MOMEDA与Teager能量算子的滚动轴承故障诊断

滚动轴承早期故障信号中原始冲击成分容易被强噪声淹没,故障特征提取难度较大。针对这一问题,提出了多点最优调整的最小熵解卷积(MOMEDA)与Teager能量算子相结合的滚动轴承故障诊断方法。利用MOMEDA算法对原始故障信号进行滤波处理,通过Teager能量算子增强解卷积信号中的冲击特征,对信号进行包络分析。通过对比包络谱中的主导频率与滚动轴承的故障特征频率判断故障位置,实现轴承的故障诊断。仿真数据与试验数据分析结果表明,该方法能够有效提取故障信号中的特征信息,具有一定的实用性。     

基于数据挖掘的风电机组叶片结冰故障诊断

针对风电机组叶片结冰故障无法精确预测的问题,提出基于数据挖掘的故障诊断方法。该方法首先采用特征筛选算法从SCADA高维数据种提取故障模式最相关的特征,然后结合类别不平衡学习算法处理高度不平衡的SCADA数据集,最后利用四种分类算法建立风电机组叶片结冰故障诊断模型。结果表明,基于随机森林算法的故障诊断模型具有最好的诊断性能和泛化性能,该方法能够实现风电机组叶片结冰故障的有效诊断,对风电机组的维护具有参考指导意义。