基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

电机滚动轴承故障的会议制随机森林诊断方法

为了提高电机轴承故障的识别准确率,提出了基于自适应多尺度散布熵与会议制随机森林算法的轴承故障诊断方法。分析了电机轴承不同故障信号的特征频率,将局部特征尺度分解和散布熵进行结合,提取了故障信号的自适应多尺度散布熵作为特征向量。在故障模式诊断方面,以随机森林算法为基础融入了决策树的参会权重策略,使专家型决策树具有更大的决策权,从而提高了随机森林算法的故障诊断准确率,将此算法命名为会议制随机森林算法。以美国凯斯西储大学的轴承数据为对象进行实验,在不同故障模式的诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.68个百分点;在不同故障程度的内圈故障诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.28个百分点,比马尔可夫诊断方法高出了7.86个百分点,以上数据验证了故障诊断方法的有效性。     

基于小波神经网络的油泵故障诊断

依据小波神经网络技术的各种优点，提出采用三层BP小波神经网络构造故障诊断模型，对油泵进行故障监测和诊断。该故障诊断方法对神经网络训练、故障特征参数提取和对应神经网络状态输出等均实现了数据库管理，对油泵多种常见故障取得了满意的诊断效果，不仅具有特征自动提取以及较强的自学习和自适应功能，而且操作维护简便。研究结果表明：信号的小波分析和神经网络识别的融合将为油泵状态监测与故障诊断系统的建立提供新的方法和更简便的途径；对油库安全维护与故障诊断具有重要意义。     

基于主元分析和支持向量机的电路故障诊断模型

综合主元分析和支持向量机的优点,提出了一种基于主元分析和支持向量机的故障诊断模型.通过主元分析提取故障特征,然后利用支持向量机进行故障模式的分类,实现对模拟电路不同故障的识别.实验结果表明,该模型能够准确地实现故障的诊断,具有好的识别能力.     

逆向工程特征参数提取技术研究

逆向工程是从已有实物的测量数据点中提取其特征参数进行模型重建的过程,特征参数的提取是逆向工程的关键技术之一。该文提出了一种新的回转面特征参数提取算法,将蚁群算法应用在逆向工程的特征参数优化过程中,首先建立回转面特征参数提取数学模型,然后运用蚁群算法实现过程优化,从而提取出特征参数,实现回转面图形重建,最后通过实例验证了该算法的有效性,该算法提高了特征参数提取精度和效率,适用于空间任意位置回转面的特征参数提取。     

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

DK 2制动机的气动系统故障诊断技术研究

针对DK 2制动机气动系统故障的复杂性和不确定性难题,设计了基于等价空间的故障诊断方法。首先利用空气流体理论对制动机的高速电控阀、机械阀等基本部件建立各部件的功能模型;然后分析制动机的多种工作模式特点,获取系统内部各部件的作用关系,建立DK 2制动机在自动制动功能、单独制动功能和后备空气制动下的制动机系统模型;最后利用等价空间故障诊断方法,对系统功能设计残差生成器和阈值函数,构建系统状态布尔向量与故障信息对应关系的故障特征矩阵表,搜索系统故障候选集,实现系统的故障检测和隔离。仿真分析表明,该方法具有运算速     

采用多信号流图模型的雷达接收机故障诊断方法

介绍了多信号流图模型建模的基本方法。利用多信号流图模型建立了雷达接收机的故障诊断模型,得到了反映故障源和测试结果之间对应关系的故障依赖矩阵。在此基础之上结合故障源先验故障概率信息推导了一种计算故障源贝叶斯最大后验概率的算法。将该算法应用于某型雷达接收机故障诊断中,以故障后验概率最大为判断准则,实现了对雷达接收机系统的在线多故障实时诊断。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

遗传算法优化的SVM模拟电路故障诊断方法

提出了一种利用遗传算法优化的SVM多分类决策树(GADT-SVM)实现模拟电路故障诊断的新方法。介绍了GADT-SVM的设计思想和算法原理;利用传递函数对模拟电路进行建模,并用小波分解提取电路冲激响应的能量分布作为故障特征;使用GADT-SVM对故障特征样本进行分类实现故障诊断。仿真结果表明,与未经优化的DAG-SVM和DT-SVM故障诊断方法相比,该方法可以减小诊断"误差积累"的影响,具有更好的误差控制能力。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于变精度粗糙-模糊集模型的诊断知识获取

提出一种基于变精度粗糙-模糊集模型的诊断知识获取算法,利用相似性聚类方法自动获取模糊隶属函数,将连续属性表示成模糊值,通过定义模糊相似关系和模糊相似类给出了变精度粗糙-模糊模型的近似表示,并引入蚁群算法求取模糊相似关系下的属性约简,进行诊断知识的获取。将其应用于精对苯二甲酸生产过程尾氧浓度故障诊断知识获取中,结果表明:该算法可以从故障数据中提取更客观有效的诊断规则,在实际故障诊断中具有很好的应用价值。     

基于深度学习的DPF故障诊断及应用

针对传统柴油颗粒过滤器(diesel particulate filters, DPF)故障诊断中人工提取特征过程繁杂且特征参数难以表征DPF故障状态的问题,提出基于深度学习的DPF故障诊断方法。通过车载传感器采集发动机转速、DPF压差等5种信号数据,经数据融合后建立压差类、温差类和压差+温差类三类样本数据;利用深度学习特征自提取的优势,提取车辆在不同行驶工况下样本数据中压差或温差表征的DPF故障特征;结合深度学习网络中Softmax多分类器实现端到端的DPF故障诊断。利用GT-Power仿真数据,验证了所提方法的可行性,开发了相应的应用软件。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

基于混沌吸引子特征量的滚动轴承故障诊断

利用混沌吸引子特征量可以刻画滚动轴承在不同故障状态下振动特性的特点,提出一种基于关联维数、最大李雅普诺夫指数和信息熵的故障诊断方法。结合试验数据,应用支持向量机技术分析了3类特征量对滚动轴承的故障识别能力,并对比了特征量两两组合的分类效果。研究表明：3类特征量都包含着不同的故障信息,将其结合可以明显提高故障识别率。通过对实测轴承数据的故障分类研究发现,与单一特征量方法相比,该方法可以有效区分不同故障类型和故障严重程度,为滚动轴承故障的超精密诊断提供了可能性。     

基于复互小波分析的模拟电路故障诊断方法

针对模拟电路故障诊断研究中故障特征提取的难题,提出基于复互小波变换的相对幅度相对相位协同分析的新方法,并根据复互小波变换的特点构建了故障敏感信息提取算法。使用复互小波变换能同时提取模拟电路在不同频率和时间尺度上的故障特征,并且相对幅度和相对相位信息分别从信号"能量"和"时间延迟"两个不同角度表征模拟电路的故障信息。该方法同时使用了蒙特卡洛方法构建正常电路元器件的容差范围,仿真实验结果表明该方法可以有效地解决模拟电路中灾难型和参数型故障诊断问题。