基于多参数融合的风电机组齿轮箱油温预警方法

针对风电机组齿轮箱状态监测问题,提出一种基于多参数融合的齿轮箱油温预警方法。首先,通过相关性分析法提取与齿轮箱油温相关性高的参数作为模型的输入。采用改进的粒子群优化BP神经网络(imPSOBP),建立齿轮箱油温预测模型。然后,通过计算齿轮箱油温预测值与实际值的残差绝对值,并结合加权移动平均法、核密度估计法建立齿轮箱油温故障预警模型。基于某风场的数据进行了实验验证,对比分析了imPSO-BP模型和PSO-BP模型的预警效果。结果表明：提出的方法预测精度高,可提前齿轮箱油温异常预警时间,预警时间提前约27小时。     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于多源信息融合技术的动车故障诊断

介绍多源信息融合故障诊断方法,以及动车故障诊断特点和常见故障类型。以制动系统为例,分析该方法的可行性和实现步骤。建立基于多源信息融合和神经网络的故障诊断系统,通过多种信号的融合诊断,减小系统的不确定性,从而提高故障诊断的可靠性。     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

基于信息融合的滚动轴承故障诊断

滚动轴承故障诊断中同一征兆域很难区分多种故障，单一传感器对故障分类识别有不确定性。提出了利用加速度传感器和声音传感器，基于BP神经网络及D-S证据理论，对所采集的振动信号和声音信号的多种特征信号进行信息融合，实现故障诊断。并对该方法进行仿真试验验证。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

基于CBAM-CNN的滚动轴承故障诊断方法

针对传统轴承故障诊断需要依靠先验知识和专业技术的问题,提出一种端到端的流程架构和基于卷积神经注意力模块-卷积神经网络(Convolutional Block Attention Module-Convolution Neural Network, CBAM-CNN)的滚动轴承故障诊断模型,该方法能够自适应提取故障特征,摆脱了对人工处理复杂信号的依赖。首先,将一维故障振动信号转换为二维图像,并用伪彩色将其变为RGB三通道图像;其次,通过注意力机制CBAM模型,注重其重要的特征信息,调整权重参数,之后将其输入卷积神经网络,并添加Dropout层来增强模型的鲁棒性,添加L2正则化来防止过拟合且提升模型的泛化能力;最后,对不同类型的滚动轴承故障进行分类,完成滚动轴承故障诊断。为了验证CBAM-CNN模型的性能,使用了美国凯斯西储大学轴承实验台数据集进行验证,并将该网络模型应用于轴承实验台。结果表明,与其他诊断方法相比,该方法不仅结构简单,而且诊断高效,故障诊断效果良好。     

基于多传感器信息融合的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,引入了一种多传感器信息融合的诊断方法。将多传感器所采集的振动信号处理后,由粒子群神经网络进行故障局部诊断,以获得彼此独立的证据,再采用证据理论对各证据进行融合。试验结果表明,该方法可有效地提高诊断可信度,降低诊断的不确定性。     

基于多尺度特征融合网络的多聚焦图像融合技术

多聚焦图像融合技术是为了突破传统相机景深的限制,将焦点不同的多幅图像合成一幅全聚焦图像,以获得更加全面的信息。以往基于空间域和基于变换域的方法,需要手动进行活动水平的测量和融合规则的设计,较为复杂。所提出的方法与传统的神经网络相比增加了提取浅层特征信息的部分,提高了分类准确率。将源图像输入训练好的多尺度特征网络中获得初始焦点图,然后对焦点图进行后处理,最后使用逐像素加权平均规则获得全聚焦融合图像。实验结果表明,本文方法融合而成的全聚焦图像清晰度高,保有细节丰富且失真度小,主、客观评价结果均优于其他方法。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

火电机组信息融合故障诊断方法及其发展

简要叙述了火力发电机组信息融合故障诊断技术的发展情况,介绍了信息融合的基本概念,总结了在火电机组融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,重点提到了一种新的信息融合定量诊断方法——信息熵,并预测了火电机组融合诊断今后的发展方向     

基于多方法融合的铁路轴承故障诊断

由于铁路轴承的易损性和故障信号提取的复杂性,文中应用了多方法融合的诊断法对铁路轴承进行故障诊断,并对基于多方法融合的BP和RBF两种网络进行了比较。首先,对采集到得信号进行FIR降噪,再对降噪后的信号进行小波包分解,构造特征向量,以此为故障样本对BP和RBF网络进行训练,实现智能化故障诊断,实验结果表明文中提出的方法能很好地诊断出轴承故障类型,但多方法融合的RBF的泛化能力优于BP网络,同时,在训练时间上,RBF网络也要优于BP网络,这为机械故障诊断提供理论依据。     

加权多尺度形态滤波在轴承故障诊断中的应用

滚动轴承故障信号中通常包含了周期性出现的冲击衰减成分,冲击频率反映了轴承发生故障的位置信息。多尺度形态滤波可以提取分布在不同尺度下的冲击特征,为了更准确的反映不同尺度分析结果的贡献,提出了一种评价冲击特征提取效果的指标,并以此计算权值对多尺度分析结果进行加权综合。仿真信号和轴承外圈故障信号的分析结果表明,加权多尺度形态滤波方法可以有效提取强背景噪声下的冲击特征,为滚动轴承故障诊断提供了一种有效的手段。     

基于支持向量机的风电机组主轴轴承故障诊断

主轴轴承是风电机组的重要部件之一。通常主轴轴承故障诊断方法主要是基于振动信号和温度信号以及润滑油成分分析等。这里利用支持向量机建立了风电机组发电机输出功率模型,输入量为风速、变桨角度、风向角与机舱角偏差;输出量为发电机输出有功功率。在相同输入条件下,当主轴轴承存在磨损等故障时,发电机输出有功功率将随故障的逐步加重而逐渐减小,发电机输出有功功率实际值与预测值之间的残差将超出正常的阈值。这里以某风电场风机主轴轴承实际故障进行了仿真验证。     

多卷积神经网络融合的滚动轴承故障识别方法

针对滚动轴承故障,提出了一种多卷积神经网络融合的滚动轴承故障识别方法.采集滚动轴承在不同状态下的振动信号,利用短时傅里叶变换得到二维时频谱图.基于二维时频谱图的数据结构设计得到二维卷积神经网络、一维时域卷积神经网络、一维频域卷积神经网络,利用这三个卷积神经网络的输出结果构建全连接神经网络进行融合.利用引导聚集集成学习方...     

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点,提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型（MS1D-CNN-MSIF）对液压泵与蓄能器进行故障诊断。在提出方法中,采用不同大小的卷积核对故障信号进行多尺度特征提取;然后使用多传感器信息融合策略将多个传感器的特征信号进行融合,最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明,与支持向量机、堆栈自编码、深度置信网络比较,提出模型具有更好的故障诊断性能,蓄能器识别精度可达99.50%,液压泵识别精度可达99.73%。     

基于优化CNN与信息融合的地铁牵引电机轴承故障诊断

针对在单一传感器下轴承故障识别率低的问题,提出一种基于优化CNN与信息融合的地铁牵引电机轴承故障智能检测方法。首先,选取NU216轴承为研究对象,预制故障缺陷;然后,采用正交试验法设计试验方案,采集NU216轴承的振动信号和声发射信号;其次,将原始数据通过连续小波变换,分别提取轴承的振动和声发射信号的时频域特征,并将2类单通道数据进行融合,得到双通道融合数据集;最后,将得到的3类数据集分别划分为训练集和测试集,输入优化后的卷积神经网络模型进行训练、测试。试验结果表明,基于振动信号的故障诊断准确率为95.76%,基于声发射信号的故障诊断准确率为92.33%,基于融合信号的故障诊断准确率为98.59%。     

基于SK‑MOMEDA的风电机组轴承复合故障特征分

针对在实际工况中风电机组滚动轴承发生复合故障时,多个故障间相互作用,彼此干扰,造成复合故障特征难以分离问题,提出了基于谱峭度（spectral kurtosis,简称SK）与多点最优调整的最小熵解卷积（multipoint optimal minimum entropy deconvolution adjusted,简称MOMEDA）的风电机组滚动轴承复合故障特征分离提取方法。首先,对复合故障信号进行谱峭度分析,选出能量较大的共振频带,并通过构建带通滤波器对相应的共振频带进行滤波,对滤波信号进行包络谱分析,对单一故障特征进行分离提取;其次,对未能实现单一故障特征提取的滤波信号进行多点峭度谱分析并确定故障周期,应用MOMEDA完成后续分离提取过程。仿真信号和工程应用分析结果表明,该方法能够准确且有效地实现轴承复合故障特征的分离提取。