基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于深度学习与电子听诊器的轴承故障诊断

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确率达到99%。     

深度学习在机械设备故障预测与健康管理中的研究综述

随着机械装备不断朝高速化、大型化、智能化方向发展,为了保障机械设备高效、安全、可靠运行,故障预测与健康管理(PHM)一直是工业领域研究的热点问题。机械装备的工作环境恶劣,工况复杂,多系统相互耦合,在长期服役过程中,其状态监测信息呈现出典型的"体量浩大、多源异构、生成快速、价值稀疏"的大数据4V特征。因此,"大数据"背景下的机械装备健康管理呈现出"三高"特点:(1)需要高容量的大数据存贮能力;(2)需要高效实时的数据处理能力;(3)需要高强的多源异构适应性。针对上述特点,亟需一种能够从海量数据中自适应提取故障特征并进行有效诊断、评估和预测的数据处理方法。深度学习理论作为机器学习的进一步发展,以强大的建模与数据处理能力,在图像处理、语音识别、自然语言处理等领域取得了巨大的成功,国内外诸多学者也将深度学习理论逐步引入到设备PHM当中,做了一些开拓性的工作。从深度学习在机械装备故障预测与健康管理应用中的基本流程入手,分析PHM深度神经网络的输入特征及其主要类型和特点,对比了PHM应用中常见的4类神经网络模型与其对应的模型训练算法,对深度学习在PHM应用的国内外研究进展进行了归纳总结,并展望了深度学习在PHM应用中的发展方向。     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

基于注意力机制的数控机床进给轴深度学习故障诊断

针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题,提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据,针对采集的进给轴数据中蕴含大量的时空特征信息,为了提取数据中的时空信息以提高故障诊断准确性,设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性,利用FANUC数控提供的FOCAS数据开发包编写数控机床实时监测与数据采集软件,并在G460L数控车床上进行数据的采集,利用采集的数据训练故障诊断模型。把所提故障诊断方法与相关方法进行对比,准确性达到98.75%,所提方法具有一定的有效性和实用性。     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

倒频谱法在齿轮箱故障诊断中的应用

基于LABVIEW的虚拟仪器平台建立数据采集系统,实现了对齿轮进行全生命周期实验过程中采集到大量振动信号数据,提出使用时域分析法（时域同步平均）与频域分析法（功率谱）相结合的信号处理方法对振动信号数据按齿轮可能出现的各种运行状态加以分类,从而有重点的应用倒频谱法对已经出现故障的齿轮箱振动信号进行分析,倒频谱的边频带频谱识别能力有助于研究啮合频率及边频特征,进而准确诊断出齿轮故障性质,并定位出故障齿轮。实验结果得到的齿轮各阶段运行状态数据在工程中很实用,具体涉及齿轮状态判断、故障阈值设定、故障识别及定位等用途。     

基于改进多任务学习网络的零样本故障诊断

多任务学习网络结构和参数冗余、网络规模过大,导致网络实时性差的问题;无法获取元件的部分或者全部故障类型样本,导致零样本问题。针对上述问题,提出一种基于元学习优化的轻量化多任务学习网络。为了提高实时性,利用MobileNetV3轻量化网络构建具有多个子任务诊断网络的轻量化多任务学习网络模型;研究了跨元件零样本问题,利用模型无关(MAML)元学习方法,对轻量化多任务学习网络的训练方式进行优化,构建基于元学习优化的轻量化多任务学习网络;最后,从不同微调步数和测试任务数角度,测试了所提网络的诊断性能。通过齿轮和轴承多元件的实测故障分析可知,所提方法可以实时高精度地解决多任务故障诊断问题和跨元件零样本问题。     

��������еĶഫ������Ϣ�ںϼ���

 多传感器信息融合是一个新的研究领域，它应用到故障诊断领域还是近几年的事。文章主要论述了多传感器信息融合技术的基本概念、工作原理及常用方法，同时还介绍了其在故障诊断中的应用实例。     

风翼液压系统故障诊断方法综述

风翼助航是实现船舶绿色化发展的有效途径之一。液压系统作为风翼动力系统的重要组成部分,其运行状态决定风翼助航船运行的可靠性与节能效果。以风翼液压系统为对象,综合分析其故障部位、方式、特点以及故障后果,通过梳理国内外液压系统的故障诊断方法,分析各类诊断方法在风翼液压系统上的适用性,并总结各类诊断方法的特点和不足。结果表明：具有多层次诊断结构的智能诊断方法在提升大型复杂液压系统故障诊断精度及降低诊断模型复杂度方面具有优势,将成为船舶风翼液压故障诊断研究的发展趋势。     

模糊故障树理论在液压系统故障诊断中的应用

以印刷切纸机液压系统为研究对象，通过分析该系统的故障形式，建立了该系统的模糊故障树，进行了量化分析和算法研究，研究表明，这种方法较传统方法实用、有效。