基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

基于ACGAN和模型融合的电机轴承故障诊断方法

电机轴承疲劳试验成本较高和故障数据不足导致利用机器学习等人工智能算法进行故障诊断时效果不佳。另外,单一模型对电机轴承故障诊断的准确率也较低。为解决这两个问题,提出了一种结合辅助分类器生成对抗网络(ACGAN)和模型融合的电机轴承故障诊断方法。首先将采集到的振动数据转换为二维灰度图,对每个灰度图添加标签后输入ACGAN模型,生成大量与原始数据高度拟合的新样本。然后将新样本与原始样本混合,经数据降维后输入由6个基学习器和1个元学习器融合而成的模型中。最后由融合模型输出诊断结果。试验证明,ACGAN和模型融合能有效提高电机轴承故障诊断的准确率。     

磨煤机电机轴承故障诊断处理

通过对现场磨煤机电机轴承负载情况理论计算，认定该类电机前端两轴承互不匹配，故将原电机轴承改型，并从电机轴承发生的原因及电机的轴承改型的理论计算，现场实践等方面进行有效的论证。     

基于RA-LSTM的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于DMD和改进胶囊网络的变工况轴承故障诊断方法

针对轴承单一传感器所测数据存在不全面性和简单利用多传感器数据造成数据过多的问题，引入动态模态分解(DMD)的信号分解方法，将多传感器信号分解为多个模态，并提出利用能量值最大的模态对原始信号进行重构；针对变工况的问题，首先引入含有矢量神经元的胶囊网络(CN),然后提出在胶囊网络中加入转置卷积，构建改进的胶囊网络模型(ICN)充分提取输入数据的空间信息，对故障特征进行智能识别。基于DMD和ICN的轴承故障诊断方法既可以利用多传感器信号，同时也不会造成数据冗余；此外，ICN可以充分提取不同数据的空间信息，并通过动态路由算法计算胶囊层的相关度，实现在变工况下对轴承故障的精确诊断。实验结果表明，基于DMD和ICN模型的轴承智能故障诊断方法，比传统卷积神经网络(CNN)和未改进的胶囊网络具备更强的变工况故障诊断能力。     

基于Swin Transformer的柔性直流电网单端量故障诊断

针对柔性直流电网现有故障诊断方法存在精度不高、易受过渡电阻影响、需人工整定阈值、不满足速动性等问题，提出了一种基于Swin Transformer的柔性直流电网单端量故障诊断方法。首先，采集故障时暂态电压时域数据，并且经数据处理转化为识别效果更好的二维格拉姆角场图像，用于Swin Transformer离线训练；然后，利用Swin Transformer的移动窗口提取故障特征，根据训练结果实现不同故障诊断，该方法无需人工整定阈值。最后，经过大量仿真证明所提方法的有效性，结果显示，所提方法满足速动性，能准确诊断故障，并且耐受过渡电阻及抗噪声能力强。     

基于SO-PAA-GAF和AdaBoost集成学习的高压断路器故障诊断

针对在小样本和复杂工况下高压断路器故障诊断识别精度不高的问题,提出一种基于振动信号处理和Ada Boost集成学习的高压断路器故障诊断方法。首先,搭建高压断路器实验平台并采集8种工况下的分闸振动信号。其次,对振动信号进行绝对值处理后,使用分段聚合近似(piecewise aggregate approximation, PAA)进行分段平均,将输出的新序列采用格拉姆角场(Gramian angular field, GAF)转换成图片,并使用Relief F方法对提取的高维图片特征进行重要度排序。最后,将保留的重要特征输入到Ada Boost集成学习模型进行故障诊断,并用蛇优化算法确定最优PAA分段步长和输入分类器特征数量,以进一步提高故障诊断精度。通过分析多种信号处理方式及分类模型可知,图片信号和Ada Boost集成学习模型能够有效处理振动信号并准确判断故障类型,为准确、可靠地诊断高压断路器故障提供了新途径。     

基于Park矢量模信号小波分解的感应电机轴承故障诊断方法

在分析小波包分频特性的基础上，总结出小波包分解子频带按频率高低排列的通式；对三相定子电流的Park矢量模信号进行小波包分解，求相应子频带的小波包分解系数的均方根值（RMS），并用其表征轴承的故障特征，以此作为轴承故障诊断的依据。研究表明，该方法降低了基频电流及电流中噪声的影响，克服了由于受负载变化引起故障特征频率波动使得难以准确提取故障特征频率的缺陷；实验结果证明了该方法应用于电机轴承故障诊断的可行性。     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

基于二维灰度图的数据增强方法在电机轴承故障诊断的应用研究

在基于深度学习的电机轴承故障诊断中,一般采用基于生成对抗网络(generative adversarial networks,GANs)的数据增强方法以获取足量故障数据,从而保证模型的性能。一维时序信号下的数据增强会出现生成数据质量差、网络训练速度慢以及训练过程繁琐等问题,该文针对此,提出一种基于二维灰度图及辅助分类生成对抗网络(2D gray pixel images and auxiliary classifier generative adversarial networks,2D-ACGANs)的数据增强方法。首先将原始的一维时序信号转换为二维灰度图,以得到适用于二维卷积神经网络的输入数据;在此基础上结合辅助分类生成对抗网络,将原始数据的标签作为此网络的输入进行数据增强,该方法较一维数据增强方法有效减少网络训练参数量,同时解决传统方法中训练繁琐及标签信息丢失的问题。最后将提出的方法用于电机轴承的故障实验数据中进行对比验证,结果表明改进的2D-ACGANs算法能生成更高质量的数据,有效提高故障识别准确率及网络训练速度,具备良好的工程应用可行性。     

基于一维改进SqueezeNet和WSNs节点计算的轴承故障诊断方法

为充分利用Squeeze Net的轻量、高效以及无线传感器网络（Wireless sensor networks,WSNs）易于安装、成本低的优点,同时为弥补WSNs带宽受限的缺陷,提出了一种基于一维改进SqueezeNet模型和WSNs节点计算的轴承故障诊断方法。通过简化模型结构、改进fire模块、添加BN模块和旁路结构的方法,对经典SqueezeNet模型进行了改进,得到了一维改进SqueezeNet-BN-Bypass模型。实验表明,该模型的参数量和计算量明显低于SqueezeNet模型,适于嵌入资源受限的WSNs节点;其故障诊断准确率的仿真值为99.1%,接近经典SqueezeNet模型的仿真值（99.3%）;该模型嵌入节点后的准确率约为98.8%。此外,与直接传送原始数据相比,该方法可减少99.9%的数据传输量。     

基于电流信号和深度强化学习的电机轴承故障诊断方法

通过机理分析,确定电机电流中存在轴承的故障特征;利用电流信号的统计学指标完成对轴承故障特征的提取,并采用随机森林判断各统计学指标与轴承故障的关联程度;将筛选后的特征指标作为深度强化学习网络的输入,得到电机轴承的故障诊断模型。实例分析结果表明,所提方法具有较高的准确率和泛化能力。     

基于IMHSA-MSCNN-BiLSTM的风机轴承故障诊断

由于风力发电机组的非平稳运行条件和周围恶劣的工作环境,风机轴承故障振动脉冲特征易被随机噪声干扰所淹没,这给准确检测滚动轴承故障造成了挑战。为了降低随机干扰对后续特征提取的影响和算法复杂度,提出了一种改进多头自注意力机制（IMHSA）-多尺度卷积网络（MSCNN）-双向长短期记忆网络（BiLSTM）的风机轴承故障诊断方法。首先,由周期空洞自注意力和局部自注意力组成的IMHSA对特征进行增强,以减少随机干扰影响及特征增强过程中的时间消耗;然后,利用MSCNN-BiLSTM网络提取故障信号中的空间特征与长期依赖特征;最后,经全连接层和Softmax层输出风机轴承故障诊断结果,并采用实验台滚动轴承实际运行数据进行算例分析,通过与领域内其他同类方法的对比,验证了所提方法的有效性和优越性。     

基于改进残差网络的电缆终端缺陷识别方法

针对动车组乙丙橡胶电缆终端缺陷局部放电识别准确率低的问题,提出一种基于改进残差网络的车载电缆终端缺陷识别方法。首先制作了含4种典型绝缘缺陷的电缆终端,搭建局部放电检测平台获取不同缺陷状态的局部放电信号、建立数据集;然后利用特征变换将局部放电一维时序信号转换为二维拓扑特征图像,从而增强缺陷类别的可区分性;最后,在残差网络ResNet101模型中加入注意力机制,同时融合Center和Softmax损失函数进行训练和识别分类,进一步提升准确率。测试结果表明,该诊断方法对电缆终端局部放电的识别准确率高达97.3%,相比于其他传统缺陷诊断方法,模型的识别精度更高、均衡性更好。     

用数理统计方法辅助诊断电机轴承故障

武钢某厂3台转炉风机由3台交流异步电动机（另有1台备品）拖动,型号为JK2－500,P＝500kw,n＝2975r／min。自1977年8月投产后不久,曾连续出现轴承因过热烧毁故障,至1986年11月调查时,这4台电机就因负荷侧轴承烧毁或过热而更换轴承达61次之多。多年来,维护检修人员忙得疲惫不堪,也在使用继护和检修质量上做了不少工作,如提高轴承精度等级甚至选用日本进口轴承,将加油时间缩短至200h一次,长期监视记录轴承运行的振动、温升等等。但是,事故频繁程度非但没有减轻,反而愈趋严重。为此,我们对这4台电机的使用情况进行了详细调查,…     

基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法

绕组松动故障是变压器最主要的机械故障之一，尚缺乏有效的智能化诊断方法。为此提出基于格拉姆角场与迁移学习-AlexNet的变压器绕组松动故障诊断方法。变压器稳态运行时的振动信号存在周期性的特点，导致其构建足量具有时间相关性的图像集十分困难，提出了一种样本构建方法用于生成变压器振动信号的格拉姆角场图像集。将生成的图像集送入AlexNet进行迁移学习，获得微调后的神经网络模型。实验结果表明：利用该样本构建方法生成的图像集作为训练集和验证集，建立的卷积神经网络模型训练准确率与验证准确率均达到99%以上；利用变压器周期性振动信号生成的图像集作为测试集，测试准确率达到99%以上，实现了变压器绕组松动故障的准确诊断，并为周期性信号运用具有时间相关性的图像变换方法构建足量样本集提供了一种新思路。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于多层面压缩深度神经网络的轴承故障诊断

针对在资源有限的工业环境中难以应用基于深度神经网络的故障诊断模型的问题,提出一种压缩深度神经网络的轴承 故障诊断方法,将结构化剪枝、非结构化剪枝、参数量化及矩阵压缩多层面处理相结合,实现了网络多级压缩。 首先用结构化剪 枝剔除卷积层中输出低秩特征图对应的滤波器;再用非结构化剪枝去除全连接层中非重要性连接;最后通过对权重矩阵的参数 量化减少参数表示所需比特数,并结合权值矩阵压缩存储方法进一步减小了网络的参数存储量。 实验表明提出的压缩方法在 保证较高诊断准确率的前提下,极大减少了网络的参数存储量和浮点运算量,缩短了网络训练时间,加快了网络响应速度,为深 度神经网络方法的工业实际应用进行了有益探索。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于三元组孪生网络的窃电检测算法

窃电数据量的缺乏对窃电检测算法的辨识准确度造成了极大影响,因此该文提出在小样本条件下基于三元组孪生网络的窃电检测方法。利用格拉姆角场(gramianangular field,GAF)实现用电序列图像化,再使用三元组孪生网络提取用户用电数据中的特征向量,基于欧氏距离进行特征向量的相似度比对,实现窃电检测。由于三元组孪生网络不仅对训练样本本身的特征进行提取,还对同类样本间的相似性与非同类样本间的差异性进行了学习,提高了特征向量的聚类效果,拥有较高的轮廓系数(silhouette score)。算例结果验证了所提算法在小样本情况下的准确性和优越性。