基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

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。     

多传感器信息融合技术在液压系统故障诊断中的应用

针对单参数诊断复杂系统中出现的信息不完整和不确定性问题,提出基于BP神经网络和D-S证据理论的多传感器信息融合故障诊断方法。为了简化BP神经网络结构,首先利用两并行BP神经网络对故障数据进行诊断;之后,D-S通过证据理论融合局部诊断结果,实现对于不准确信息的准确判断,获得准确诊断结果。该方法适用于特定类型火箭发射器液压驱动伺服系统(HDSS)的故障诊断,实现了对于液压伺服驱动系统中主要部件的故障定位和诊断,有效提高了系统可靠性。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于D-S证据理论的液压泵故障诊断

介绍了D-S证据理论的基本概念、基本理论,讨论了基于D-S证据理论信息融合的故障诊断方法,并将其应用于液压泵故障诊断中。结果表明,基于D-S证据理论的信息融合诊断方法可以充分利用多个传感器信息的冗余性与互补性,实现比单一传感器神经网络诊断更为准确和可靠的诊断结果。     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于信息融合的齿轮箱故障诊断技术研究

对齿轮箱的故障诊断和信息融合进行了简要概述,将信息融合技术和D-S证据推理运用于齿轮箱的故障诊断中,提出了一种可行有效的融合方法.     

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%。