基于一种高精度卷积神经网络的框架结构模型故障诊断研究

框架结构健康检测和故障诊断是机械工程和土木工程等学科中十分重要的科学问题,能够准确诊断出框架结构的故障是保证框架结构健康工作的基本前提.为了提高噪声条件下的框架结构故障诊断精度,对现有的 TICNN(convolution neural networks with training interference)模型进行了...     

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。     

基于CEEMDAN自适应小波降噪与卷积神经网络的齿轮箱故障诊断研究

噪声情况下精确地对齿轮箱进行故障诊断是齿轮箱故障诊断的难题。为了解决该难题，采取自适应小波对自适应噪声完全集合经验模态分解（CEEMDAN）分量进行分解降噪与重组，并提出卷积神经网络(CNN)结合Inception模块的一维卷积神经网络(BICNN)提取重构信号的基本数字特征，同时使用长短期记忆提取BICNN所提取到的特征之间的相关性特征，对齿轮箱进行故障诊断研究。诊断结果表明：所提出的方法具有较高的抗噪声能力，并且齿轮箱在受到-4 dB噪声干扰的情况下，所提出的方法仍然可以获得99.63%的训练精度。     

基于噪声数据驱动CNN和LSTM的罐道故障诊断

刚性罐道是立井采矿中煤炭运输以及设备运输环节的重要组成机械,对罐道做出精确的故障诊断具有保证和提高立井采矿生产效率的重要意义。面对罐道难以实现精确故障诊断的问题,在Improved Convolution Neural Networks with Training Interference(ITICNN)的基础上添加了Inception＿v4与Long Short Term Memory(LSTM),提出了一种高精度卷积神经网络——Improved Convolution Neural Network Based on ITICNN(IBICNN),并采用了一种方向振动传感器收集罐道振动信号,用IBICNN的卷积层提取振动信号数字特征,并用LSTM提取多方向振动信号之间的相关性信息的刚性罐道故障诊断方法。通过搭建实验平台对罐道实验模型进行了故障诊断研究,取得了99.4%的诊断率。为了解决罐道在使用过程中伴有大量噪声从而难以诊断故障的问题,在Adaptive Batch Normalization(AdaBN)算法的基础上进行了改进,并采取自迁移学习的方法,提高了IBICNN的抗噪声能力...