基于深度置信网络的工业机器人故障诊断

由于工业机器人结构复杂、系统智能化程度高,工业机器人的故障诊断难以实现,采用深度置信网络(DBN)和小波能量熵相结合的方法,对工业机器人故障诊断展开研究.首先,对工业机器人的关节振动信号进行小波包分解,建立重构信号的能量熵归一化特征向量;然后,将能量熵归一化特征向量作为输入训练和测试深度置信网络(DBN)故障诊断模型;...     

轧机液压系统故障攻关及国产化改造

为解决万能轧机液压伺服系统设计缺陷及故障频发的问题,对液压系统伺服液压缸进行改造和国产化试制,提高了该系统的使用性能。     

基于神经网络的电液伺服阀故障诊断

电液伺服阀是轧机厚度自动控制系统中最容易发生故障的设备部件,通过对其历史故障特征信息的收集和分析,设计出一个适用于伺服阀故障诊断的三层BP神经网络.结果表明,该神经网络能够满足对伺服阀故障诊断的要求,实现了伺服阀故障诊断的智能化.     

基于DBN模型的航空液压管路故障诊断方法

为了解决航空发动机液压管路系统中管路故障诊断困难的问题,提出了一种基于深度置信网络(Deep Belief Networks,DBN)的航空液压管路智能故障诊断方法.首先,将采集的液压管路振动数据进行处理,提取出时频域特征参数,其次,将时频域特征参数作为输入样本,输入到深度置信网络模型中,利用深度置信网络模型进行液压管路故障的识别;最后,将本方法应用于航空液压管路模拟故障实验数据中,同时将本文方法与BPNN和SVM等方法进行对比分析,结果表明:本方法对液压管路故障的总体准确率达到99.27％,平均AUC值达到0.993 7,同时表明本文建立的分类模型不仅能够实现航空液压管路状态的准确分类,而且对于管路单一故障和多故障并发情况也能精准识别.     

电液伺服系统故障机理分析

电液伺服系统故障机理分析是开展故障诊断方法研究的重要前提。通过分析系统的结构原理可知:电液伺服阀、液压缸、传感器是构成系统的三大重要环节。故从这三个方面入手,深入分析系统的故障类型、故障原因、故障现象以及故障特点,为研究系统的故障诊断技术奠定基础。     

轧机压下大型伺服液压缸测试系统加载机架有限元模态分析

轧机压下大型伺服液压缸性能测试系统中,加载机架是重要设备之一,起到加载和安装伺服液压缸及其它辅件的作用.轧机伺服液压缸动态性能测试过程中机架不能对测试结果造成影响.采用有限元的方法对加载机架进行分析,先建立闭式机架的有限元模型,然后通过ANSYS软件对其进行模态分析,得到机架前8阶模态的振型和固有频率,从理论上验证了机架在系统动态频率测试中不会发生共振.     

改进的深度置信网络在电主轴故障诊断中的应用

针对加工中心电主轴中滚动轴承等零部件容易出现故障或者失效等问题,即提出一种改进的DBN(深度置信网络)电主轴故障诊断方法.该方法对电主轴中滚动轴承运行故障状态下的振动信号进行特征提取,然后通过DBN映射出信号与故障特征的复杂关系来进行故障诊断.其中为提高训练DBN的效率以及解决在反向传播过程中梯度消失的问题,提出一种新型激活函数.研究结果表明,采用新型激活函数的DBN不仅降低了时间成本,同时也具有较高的故障识别的能力.     

基于参数优化VMD和改进DBN的滚动轴承故障诊断方法研究

针对滚动轴承早期微弱故障难以检测和故障诊断率不高的问题,提出了一种基于参数优化的变分模态分解(VMD)和改进的深度置信网络(DBN)的故障诊断方法。首先,为了消除人为选择VMD参数的影响,采用了鲸群算法(WOA)寻优VMD算法的最佳模态分解个数和惩罚因子的参数组合;然后,利用参数优化后的VMD算法分解了滚动轴承振动信号,分解后的本征模态分量(IMF)求频谱后组成了高维数据集;最后,直接输入麻雀搜索算法(SSA)优化的深度置信网络进行了模式识别。研究结果表明:针对滚动轴承的故障,相同模式识别方法VMD算法故障识别率为97.4%,相比于EMD算法96.5%的故障识别率更高;相同信号处理方法下,DBN网络故障诊断率为98.7%,相比于SVM算法97.4%故障诊断率更高;WOA-VMD-SSA-DBN算法的故障诊断率达到了100%,故障诊断的效果得到了进一步提升。     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

液压伺服液压缸静动态性能测试系统开发

针对轧机液压伺服液压缸轧制力大、行程短、频率响应高、测试难度大等特点,开发了一套高度自动化的计算机辅助测试的液压伺服液压缸测试系统,采用比例阀控制背压来模拟实际工况,能够完成轧机AGC伺服液压缸和普通伺服液压缸的静动态性能测试。实际测试结果看出了该测试系统设计可行可靠。     

基于BP神经网络的液压缸内泄漏诊断

液压缸是工程机械中常用的执行元件,内泄漏是其常见的故障模式,将严重影响机械系统的工作效率和安全性,及时识别液压缸内泄漏能够保证液压缸的安全正常工作。通过小波分解提取液压缸进口压力信号特征,利用BP神经网络建立分类器,实现了对液压缸内泄漏的智能识别,分类准确率高,提高了液压缸内泄漏故障诊断的效率,为实现液压缸智能状态监控提供了基础。     

采用“GA+LM”优化BP神经网络的电液伺服阀故障诊断

针对标准BP神经网络用于故障诊断时学习效率低、收敛速度慢、易陷入局部极小点及对初始参数较为敏感等不足,提出了一种组合优化的方法,即采用遗传算法（GA）确定BP神经网络的最佳初始权值矩阵,以规避BP神经网络对初始参数较为敏感的不足;应用LM（Levenberg-Marquardt）算法在局部解空间里对BP神经网络进行精确训练,搜索全局最优解。该方法在保留BP神经网络的广泛映射能力的前提下,提升了网络的学习速度和精确搜索能力,进而大幅提高了基于BP神经网络的电液伺服阀故障诊断的效率和精度。通过对MOOG D761-2716A机械反馈伺服阀进行故障诊断,进一步说明了该方法的实用性和高效性。     

基于神经网络的液压缸内泄漏在线测量研究

内泄漏是液压缸最常见故障，严重影响液压缸的正常工作，因此对其在线测量显得尤为重要。提出内泄漏在线测量的工作原理，包括在线测量系统、应变片的固定方式和流量-应变信号转换的数学模型，并搭建实验系统采集内泄漏和应变数据并进行数据处理。分别采用BP神经网络和卷积神经网络对液压缸内泄漏进行预测，结果表明，卷积神经网络准确度高、效率高，为其他液压元件微小流量的在线测量提供一种新的思路。     

基于SAE-DBN的联合收割机液压系统运行状态监测

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深...     

基于S变换的热连轧机耦合振动特征提取

提出一种基于短时傅里叶变换的自适应频域滤波方法,将噪声信号与振动特征成功地分离。根据短时傅里叶变换和功率法设定的阀值,自动捕捉了振动信号在不同时间段的优势频率。对振动信号、压下液压缸压力信号和伺服阀给定信号做短时傅里叶变换后,热连轧机振动被诊断为液机耦合振动。利用离散小波变换和S变换相结合的方法对轧机振动信号进行分析,确定轧机起振的时间为液压压下系统的投入时间,证明了热连轧机存在液机耦合振动现象。     

基于蚁群神经网络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,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

基于小波变换预处理的一种神经网络故障诊断方法的研究

针对无法区分干扰信号与有用信号一类系统提出了一种先用小波变换让信号在不同频段上进行分解,提出各分量故障信号的特征,然后应用ＢＰ神经网络进行故障诊断的一种方法。并将这种方法应用于液压系统的泄漏故障诊断,取得了比较满意的效果。     

基于BP神经网络的液压马达故障诊断

以液压系统中液压马达为研究对象,提出了一种基于故障表征的诊断模型,该模型无需建立被诊断对象的精确数学模型,只需以显性的故障表征作为诊断模型的输入,并为其建立BP神经网络模型,运用MATLAB给出该网络的训练过程及结果,并提供应用于液压马达的故障诊断实例.     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...