基于SincNet网络结合注意力机制齿轮箱故障诊断

针对传统卷积神经网络(CNN)在齿轮箱中故障诊断准确率不高、特征提取方面表现欠佳的问题,提出了SincNet网络结合注意力机制齿轮箱故障诊断方法。首先,采用参数化的Sinc函数设计滤波器作为卷积层来代替传统CNN的第1个卷积层,得到SincNet网络结构,提取输入数据的特征信息;其次,结合具有Softmax的注意力机制(Att)增强特征信息。最后,采用齿轮箱故障数据集对所提出的方法进行实验验证,结果表明,所提方法平均诊断准确率达到99.68%,均高于对比方法。此外,通过特征图可视化分析,该方法能够准确定位输入数据中的识别信息,能更好地理解神经网络的特征提取过程,为机械振动信号的特征提取过程提供了参考。     

基于MCSA和Fisher-SAE的RV减速器故障特征提取研究

针对RV减速器实际监测中振动传感器的安装空间和信号采集容易受到限制和干扰等问题,提出了一种基于电机电流信号分析,稀疏自编码和Fisher准则相结合的RV减速器故障特征提取方法。首先,将采集的驱动电机电流数据转换到频域,研究了不同超参数对稀疏自编码的特征提取能力的影响,利用优化参数后的稀疏自编码对频域信号自动提取故障特征;然后,利用Fisher准则对提取的特征的判别能力进行了降序排名,取排名前n个特征,得到了最优故障特征集;最后,结合SoftMax分类层,实现了对RV减速器的故障诊断;搭建了RV减速器故障实验台,采集了电机电流数据,对基于Fisher-SAE的方法进行了验证,并将其与其他典型机器学习故障诊断方法进行了对比。研究结果表明：该方法能够从RV减速器电机电流信号中提取出故障特征,并选择最有效的故障特征集,解决了振动信号的局限性以及运用电流信号进行故障诊断难以提取有效特征的问题;相比于其他典型机器学习故障诊断方法,该方法的诊断准确率提高了10%～20%,具有更好的诊断效率和准确性。