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GAF-CapsNet的电机轴承故障诊断方法

针对一维机械振动信号在输入卷积神经网络时无法充分提取相对位置关系的问题,提出一种基于格拉姆角场（GAF）和小尺寸卷积的胶囊网络的轴承故障诊断分类方法。利用GAF对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并产生相应特征图。胶囊网络对小尺寸图像相对位置比较敏感,特征提取具有优势,同时考虑到VGG网络优秀的特征提取能力,在结合胶囊网络和VGG网络的基础上,加入深度小尺寸卷积层。将GAF编码的振动图像输入到改进的CapsNet网络进行训练,组成GAF-CapsNet模型对轴承故障进行诊断。该模型在凯斯西储大学轴承数据集上进行试验,结果表明,格拉姆角和场（GADF）编码方式相比格拉姆角差场（GASF）编码效果差,效果较好的GADF-CapsNet有99.27%准确率,较差的GASF-CapsNet也有98.83%准确率,相较其他编码方式和卷积神经网络,该模型性能表现普遍比其他模型具有更高准确率。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态，实现对电机故障模式的自动识别和准确诊断，将数据融合技术与神经网络相结合，建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理，然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断，获得彼此独立的证据，再运用D-S（Dempser sha-fer）证据理论融合算法对各证据进行融合，最终实现对电机故障的准确诊断。诊断测试试验证明，该诊断系统提高了电机故障诊断的精度，能够满足诊断的实时性要求。     

改进GAN结合SDAE的传动系统主轴承故障诊断

针对传动系统主轴承故障诊断准确率低的问题,结合辅助分类器生成对抗网络(ACGAN)与堆叠降噪自编码器(SDAE),提出一种ACGAN-SDAE的故障诊断方法。通过ACGAN生成高质量的新样本,以扩充传动系统主轴承故障样本量的大小,并利用SDAE从含噪样本中提取鲁棒性特征,提高了故障诊断的准确率。仿真结果表明,ACGAN-SDAE故障诊断方法可有效诊断不同故障样本量下的传动系统主轴承故障,具有良好的域自适应性和抗噪性能,平均故障诊断准确率达到90%以上,相较于SDAE、SVM、MLP常用故障诊断方法,具有一定的优越性。     

基于信息融合技术的电机故障诊断

为了从多方面反映电机系统状态,实现对电机故障模式的自动识别和准确诊断,将数据融合技术与神经网络相结合,建立电机故障诊断系统。首先在数据融合级上对故障特征量进行分类处理,然后采用多层神经网络进行故障特征级融合和电机故障的局部诊断,获得彼此独立的证据,再运用DS(DempserShafer)证据理论融合算法对各证据进行融合,最终实现对电机故障的准确诊断。诊断测试试验证明,该诊断系统提高了电机故障诊断的精度,能够满足诊断的实时性要求。     

基于多数据融合的电机故障诊断方法研究

电机作为各类电驱设备的主要动力装置,具有结构简单、控制方便、能效高、无污染等优点.在电机运行过程中,受载荷多变、零部件老化、散热条件差等影响,故障频发,进而降低电驱装置的工作效率和稳定性.此外,电机故障种类繁多,各故障的征兆与表现又极其相似,不同故障产生的原因也错综复杂,这极大地提高了电机故障诊断的难度.传统的电机故障...     

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。     

电机故障诊断的多传感器数据融合方法

电机及其运行环境的复杂性决定了电机故障诊断也非常复杂。尽管随着检测技术、信号处理技术、智能技术的进步,故障诊断技术得到了很大的发展,但是目前的故障诊断技术仍因为各种原因存在着很大的不确定性。目前诊断技术依然是基于单个参数,如电流、振动、温度、润滑油成分所能携带的故障特征来进行诊断．但是因为模型或者环境的不确定性导致这些诊断结果模糊不清甚至错误。分析了传统故障诊断方法中存在的不确定性．并介绍多传感器数据融合的方法来处理由于单个参数带来的诊断的不确定性,同时介绍一个数据融合故障诊断系统(fusion diagnosis system．FDS)的结构模型．并分析这个结构在应用中的关键问题。     

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。     

基于改进辅助分类生成对抗网络的风机主轴承故障诊断

基于振动信号的风电机组故障诊断方法是风电安全运维领域研究的重点之一.风电机组主轴承较少发生故障,给运用数据挖掘方法判断故障类型带来很大困难.针对该问题,文中提出了一种用于风电机组主轴承故障诊断的数据增强方法.通过对辅助分类生成对抗网络(ACGAN)的适应性进行改进,引入梯度惩罚,构建了改进ACGAN框架,以提高其学习稳...     

异步电动机信息融合故障诊断模型

结合信息融合的一般模型和层次结构,构建了电动机故障的信息融合诊断模型。该模型涵盖了数据融合的数据层、特征层和决策层三个层次,充分利用电动机三相电流、电压和绕组温度等多种故障信息,基于Park矢量,进行了多层次的融合;采用了基于人工神经网络、小波分析和证据理论等的两级诊断策略,以进一步提高转子断条、气隙偏心、绕组匝间短路等电动机常见故障的诊断准确性和灵敏性。     

感应电动机轴承故障检测的相关分析方法

根据感应电机轴承发生故障时的振动信号特性以及定子电流特性,提出了一种基于相关分析的感应电动机轴承故障检测方法.该方法先求三相电流的Park矢量模信号,然后将其与电机滚动轴承振动信号进行相关分析,从振动信号与电流信号的相关谱图中有效地提取轴承故障特征信息,并将其作为轴承故障识别的依据.实验结果表明,该检测方法具有较高的信噪比,可提高故障识别的精度,实际应用也是可行的.     

基于MCS和AlexNet的水润滑推力轴承故障检测

水润滑推力轴承作为潜水电机的重要组成部件常由于工作环境恶劣、过载和冷热交替,轴承结构磨损而进入异物。针对在潜水电机内拆装加速度传感器困难,水阻尼污染振动信号采集等问题,提出故障状态下潜水电机的数学模型,对仿真得到电流信号进行时移降噪,升维预处理,基于AlexNet模型训练不同状态下电机电流信号（MCS）。经验证,模型能以较高的准确率快速识别故障信号,具有较强的鲁棒性,满足故障诊断预见性和实时性要求。     

电机轴承故障的数字信号处理器在线诊断方法

为了实现感应电动机早期轴承故障的在线检测,文中提出了应用数字信号处理器来实现故障在线诊断的方法.该方法通过数字信号处理器DSP在线采集感应电动机的定子电流,并对它们进行快速傅里叶变换(FFT)和适用于快速运算的数据分块处理,然后利用改进的聚类算法进行数据挖掘和聚类,从而提取早期电动机轴承故障特征信息,做出在线故障诊断.实验结果表明,所提方法在检测感应电动机早期轴承故障方面是可行的和有效的.     

电动机滚动轴承的故障诊断

本文根据滚动轴承发生损伤故障时振动信号的特点，利用带通数字滤波和希尔伯特变换，对电动机轴承振动信号进行处理，然后对包络信号作谱分析，再从包络谱中提取故障特征频率分量，以诊断电动机轴承故障。实验结果表明，这种诊断方法是很有效的。