基于卷积神经网络的机械故障诊断技术综述

针对传统机械故障诊断方法难以解决人工提取不确定性的问题,提出了大量深度学习的特征提取方法,极大地推动了机械故障诊断的发展。作为深度学习的典型代表,卷积神经网络（CNN）在图像分类、目标检测、图像语义分割等领域都取得了重大的发展,在机械故障诊断领域也有大量文献发表。为了进一步了解利用CNN的方法进行机械故障诊断的问题,首先简单介绍了CNN的相关理论,然后从数据输入类型、迁移学习、预测等方面对CNN在机械故障诊断中的应用进行了归纳总结,最后展望了CNN及其在机械故障诊断应用中的发展方向。     

基于SVM的旋转机械故障诊断方法

提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断。通过对振动信号特征进行训练与测试,并与BP神经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络。     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

应用空洞卷积的神经网络轻量化方法#br#

为了深度卷积神经网络能够更好地应用于边缘设备,减少深度神经网络的模型参数量,降低网络复杂度,对于轻量化卷积神经网络的研究日益增多。将常用于多尺度融合的卷积——空洞卷积首次应用于神经网络轻量化领域研究。利用空洞卷积采样与扩大感受野的结构特性,实现了模型参数量的减少与计算复杂度的降低。将空洞卷积单纯作用于残差网络结构,达到轻量化目的,并进一步与逐点卷积结合,提高轻量化效果,形成改进型空洞卷积轻量化方法。为减少准确率衰减,将改进型空洞卷积与普通卷积相融合,提出一种融合型空洞卷积轻量化方法。实验结果表明,改进型空洞卷积轻量化方法具有最显著的轻量化效果,融合型空洞卷积轻量化方法使模型参数量减少同时具有最佳速度与精度的权衡。     

基于卷积神经网络的耐久测试台振动故障诊断方法

为了保证高速旋转设备的稳定运行,准确快速地诊断出振动故障类型是其关键。目前常见的振动故障诊断方式主要是信号特征提取进行故障诊断,但这类方法有其局限性。提出一种基于信号处理和图像识别的振动故障诊断方法,首先对采集的振动信号进行降噪,去除噪声信号,其次通过小波变换得到其小波变换图谱,将得到的不同类型故障变换图谱进行神经网络训练,输出故障诊断模型文件。实验结果表明,该训练模型在振动故障诊断准确率和识别速度等多个参数上表现较好,识别准确率达到98%,相较于传统的故障诊断方法具有一定的优势,该研究可实现耐久测试台振动故障的快速诊断。     

基于注意力机制的互特征融合旋转机械故障检测技术

旋转机制在生产生活中的应用愈加广泛;但旋转机械存在应用环境较为复杂,生产环境恶劣,各部件相互影响,单一信号无法完整表现故障特征等问题;针对此问题,研究根据注意力机制构建卷积神经网络,在网络结构中引入自注意力模块,采用多信号源进行数据提取,将不同信号特征互补融合并构建旋转机械故障检测模型,同时使用傅里叶变化进行数据优化;实验结果表明,构建模型的故障分类准确率为99.92％,比第二优的算法高出1.89％,故障检测精度达到了 99.64％,数据进行傅里叶变换后的检测精度平均提升了 17.32％;由此可得,构建的故障检测模型能够有效提取并融合不同数据采集的故障特征,大幅提升旋转机械的故障检测精度,且将数据特征融合模块加入模型中能够有效减少单独计算的运行成本,提高运算速度,减少因机械故障产生的生产安全事故.     

基于Labview的便携式大型旋转机械故障诊断系统的数据管理

阐述了常用的利用文件系统和利用Access数据库管理系统管理便携式大型旋转机械数据的方法,提出了一种新型的综合Labiview和Access两者特点的实现便携式大型旋转机械故障诊断系统数据管理的方案。     

面向自动化试验产线的旋转机械故障诊断方法

近年来,随着半导体行业的不断发展,自动化试验产线随之出现,以应对测试任务骤增的现象。旋转机械作为自动化试验产线的核心设备,不可避免地会遇到各种故障,在生产运行中可能导致较大的损失。为保障自动化试验产线的正常运行,开发可行的旋转机械故障诊断方法具有重要意义。针对航天科工防御技术研究试验中心自行建立的微电子器件自动化试验产线中常见的旋转机械,提出了一种基于双通道卷积神经网络和双向长短期记忆网络(Dual-Channel Convolutional Neural Network and Bidirectional Long Short-Term Memory Network, DCCNN-BiLSTM)的旋转机械故障诊断方法,该方法不仅克服了传统算法中对信号数据信息利用不充分的问题,而且可以对原始信号进行特征自动提取和故障诊断,即无须对输入的原始信号进行任何人工处理便可直接完成故障诊断,更加简单高效。     

基于模糊神经网络的机械故障诊断方法的研究

本文针对机械传动系统典型零部件的故障,应用振动谱分析方法,给出故障诊断的模糊规则,并采用模糊神经网络实现诊断推理,文中举例说明了该诊断方法。     

基于组件的旋转机械故障诊断系统开发模型

针对当前软件开发中存在的需求变化大和可重用性差等问题,提出了一种基于COM技术的旋转机械状态监测与故障诊断系统软件开发方法。从领域分析的角度抽象出了系统的体系结构,提出了系统的组件化模型,并给出了组件的实现方法。     

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.     

二维隐Markov模型的故障诊断方法

二维隐Markov模型(2D-HMM)具有强大的时序模式分类能力,特别适合于分析非平稳、重复再现性不佳的信号。鉴于旋转机械工作过程中存在大量的非平稳信号,将2D-HMM引入到旋转机械故障诊断中,提出了一种基于2D-HMM的故障诊断方法,并通过Bently-Nevada转子试验系统验证该方法的有效性。     

基于深度学习的旋转机械故障诊断研究综述

在现代化生产中,旋转机械的精密性和重要性越来越高,朝着大型、高速和自动化方向发展,以至传统故障诊断方法不足以处理海量、多源、高维的测量数据,不能满足安全性和可靠性的要求;因此,首先简要介绍几种典型的深度学习模型,并结合深度学习强大的特征提取能力和聚类分析的优势,对其近些年来在转子系统、齿轮箱和滚动轴承故障诊断的应用情况进行了对比分析;最后总结深度学习模型的优缺点,并从工程实际出发对旋转机械的故障诊断方法进行总结与展望。     

小波分析在旋转机械故障诊断中的应用

通过对相关理论的分析证实了旋转机械的故障振动信号基本上是一个复合信号。该复合信号包含多个信号分量，每个信号分量都具有一个单一的频率，每个单一频率都是由旋转机械的旋转频率决定的。如果知道旋转机械的旋转频率，就可以知道这些单一频率。通过对小波理论的分析，证明了在一定的情况下小波分解的频率范围由离散信号的采样频率决定。结合以上理论，提出了一种新的信号检测和分析方法。     

基于全信息模式的旋转机械信息融合方法研究

旋转机械转子运动状态的截面信息包括静态信息和动态信息,仅从静态信息或动态信息分析对转子故障进行诊断可能发生误诊。提出的基于全信息模式的旋转机械信息融合方法,融合了转子的动态信息和静态信息,能真实全面地反映转子运动状态。工程应用实践表明,基于全信息模式的旋转机械信息融合对于旋转机械故障诊断是一种新的、较为实用的信息融合方法。     

旋转机械的混合智能故障诊断技术

首先在介绍旋转机械故障振动信号的时域、频域和时频域分析的基础上,简单介绍了单一智能故障诊断技术,其次详细介绍了混合智能故障诊断技术的一些典型应用,最后指出了智能故障诊断领域中有待进一步研究的若干问题和发展趋势.     

基于Infogram的重复瞬态特征提取与旋转机械故障诊断

针对旋转机械常见故障类型与检测问题,考虑到旋转机械故障振动信号的重复瞬态、冲击和循环平稳特性,提出基于Inogram的重复瞬态特征提取与旋转机械故障诊断方法.不同于谱峭度、快速谱峭度图以及包络谱,Infogram不仅能够同时在时域和频域捕获重复瞬态特征,而且以热力学的平衡态分离思想为基础能够测量信号平方包络和平方包络谱的负熵,因此它对冲击和循环平稳较为敏感,有助于实现旋转机械故障诊断.通过对仿真和电机轴承实验数据分别用提出方法和集总经验模式分解提取故障征兆特征,结果表明提出方法优于集总经验模式分解方法,能够实现旋转机械关键零部件的故障诊断.     

基于支持向量机的旋转机械故障诊断

为了解决旋转机械故障的在线诊断识别问题，用小波包从旋转机械的震动信号中提取特征向量，给出了一种基于支持向量机的故障诊断分类方法。该方法通过有限的学习样本，建立旋转机械故障特征与其运行状态之间的关系。利用获得的矿井提升机减速箱齿轮数据建立了多级故障分类器，通过对样本的分类输出检验，验证了该故障诊断方法的可行性。     

多传感器数据融合技术在故障诊断中的应用

利用多传感器数据融合的方法进行故障诊断,建立融合故障诊断系统.将故障诊断系统按数据融合的方法分为数据级融合模块、特征级融合模块和决策级融合模块.数据级融合模块主要对多传感器的测量信号进行处理,提取出故障诊断的特征信息.特征级融合模块采用3个结构相同的并行神经网络,一是进行局部诊断;二是获得决策级D-S证据理论的基本概率赋值.决策级采用D-S证据理论的方法对特征级局部诊断的结果加以融合,得到最终的诊断结果.利用此系统在汽轮机转子试验台架上进行了故障诊断,得到了令人满意的结果.