基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断

特高压直流输电工程中，及时发现并排除换流阀冷却系统的主循环泵的故障，对保障换流阀的稳定运行具有重要意义，为此针对主循环泵在故障时产生的振动信号，提出一种基于二维图像和卷积神经网络的阀冷系统主循环泵故障诊断方法。首先，通过变分模态分解(variational mode decomposition, VMD)联合奇异值分解(singular value decomposition, SVD)对振动信号进行去噪处理：使用VMD分解轴向、竖直径向和水平径向的振动信号，基于相关系数法获取最优本征模态分量；使用SVD对分量信号滤波后，通过分量空间重构获取去噪后的振动信号。然后，通过格拉姆矩阵将时序振动信号转换为振动图像，提取振动信号的时空特征。最后，将轴向、竖直径向和水平径向振动图像多通道并行输入AlexNet深度卷积神经网络，通过卷积层和池化层实现多层次特征融合，提高故障诊断准确率。分析结果表明，该模型故障诊断精度为91%,优于多层感知机算法、一维卷积神经网络和浅层卷积神经网络，可以为阀冷系统主循环泵的故障诊断提供方法基础，为现场人员安排计划检修提供理论依据。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

多通道卷积神经网络和迁移学习的燃气轮机转子故障诊断方法

燃气轮机结构复杂,工况严苛,实际针对运行过程中转子系统故障样本难以获取,样本量少导致故障诊断精度低的问题,提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入,将数据重新排列组合模拟转换二维图像,有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断,取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域,燃气轮机转子故障数据集为目标域,利用迁移学习将从源域训练得到的模型参数保留,输入目标域数据集进行训练,并对燃气轮机故障数据进行分类,分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要,可以在转子系统故障样本量少的情况下解决问题。     

不同型号滚动轴承故障诊断方法

滚动轴承多数时间处于正常运行状态,且其型号多样,存在某种型号滚动轴承带有标签的故障数据稀缺甚至无法获取,导致故障诊断准确率不高甚至无法诊断。针对该问题,提出一种不同型号滚动轴承深层特征迁移的故障诊断方法。该方法首先对不同型号滚动轴承振动信号进行短时傅里叶变换,并构建二维图像数据集,选择某种型号数据作为源域,其他型号数据作为目标域;其次构建领域共享的改进AlexNet深度卷积网络,并引入条件对抗机制,将特征与标签联合分布的优化方法改进为随机线性组合,提取深层特征,实现源域和目标域特征及标签的同时自适应,达到迁移的目的;最后,在训练过程中采用涅斯捷罗夫加速梯度下降优化算法加快梯度收敛,建立不同型号滚动轴承的故障诊断模型。经实验验证,所提方法可实现不同型号滚动轴承正常、不同损伤位置及程度的多状态分类,并获得较高的准确率。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

基于小波分解和SVM的滚动轴承故障程度研究

提出一种采用小波分解和支持向量机(Support Vector Machine,简称SVM)提取故障特征的滚动轴承故障诊断方法。首先对原始振动信号进行小波降噪处理,以减小误差,然后进行小波分解,并利用分解得到的小波重构系数计算其能量特征,归一化后作为特征向量,输入SVM中进行故障诊断。实验结果表明,所提出的方法能有效地提取出故障特征,并且具有较高的故障诊断准确率,能准确地区分出滚动轴承不同故障的严重程度。     

基于CNN-ViT的滚动轴承故障类型识别方法

针对在滚动轴承的故障诊断中,一维信息无法充分挖掘数据特征的问题,提出一种基于卷积神经网络–视觉Transformer(Convolutional neural networks-vision transformer,CNN-ViT)的滚动轴承故障类型识别模型。首先将一维时域振动信号转化为二维灰度图以更好地表现数据特征,并在ViT模型基础上增加CNN对二维灰度图进行上采样,解决了挖掘数据特征不足以及ViT模型训练时的稳定性问题。通过所提模型对轴承不同故障类型及不同损伤程度进行识别。为了验证所提方法的有效性,采用某数据集进行实验验证,同时将所提方法与其他深度学习模型的诊断结果进行了对比。验证结果表明,该方法的准确率为99.4%,具有较高的精度。     

基于张量重构融合诊断的电动汽车直流充电桩开路故障诊断方法

电动汽车充电桩的开路故障影响电网电能质量、威胁充电安全,研究开路故障诊断对保障电网安全稳定运行、降低充电桩维护成本具有重要意义。针对充电桩开路故障信号多维度特点,该文提出一种张量重构融合诊断方法。该方法分别利用残差网络(residual network,ResNet)的多维特征并行提取能力和门控循环单元(gated recurrent unit,GRU)的时序特征提取能力,提取充电桩充电模块电路中前、后级故障特征,并对前、后级特征进行融合诊断,实现了充电桩中充电模块前、后级故障的较高精度诊断。提出的基于张量重构的前级三相故障数据预处理方法,避免了传统深度学习算法使用的图像化输入或一维输入,充分发挥了深度神经网络的并行诊断性能。与传统的故障诊断方法相比较,所提方法使用深度学习技术,无需人为选定故障特征参数。仿真证明所提方法对不同强度噪声影响下的故障数据平均诊断准确率可达96%以上,特别是在信噪比(signal-noise ratio,SNR)10dB的高噪声情况下,依然具有90%以上准确率,在实验测试中该方法准确率达94.54%,进一步验证了该方法的有效性。     

基于多传感器融合卷积神经网络的航空发动机轴承故障诊断

航空发动机作为航空飞行器关键的动力组成部分,在内外多激励干扰情况下产生的机械故障采取传统的基于物理机理和信号分析的方法难以准确识别且耗时耗力。为此,该文提出基于多传感器信息融合的轴承故障诊断模型,对航空发动机轴承进行故障诊断。该模型采用一维卷积神经网络(one dimensional convolutional neural network,1D-CNN)对实验获取的某航空发动机的轴承故障振动数据进行特征提取与分类,直接将不同传感器采集的波形信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,舍弃传统的基于信号分析故障诊断的繁琐步骤。实验验证表明,采用4个加速度传感器输入该模型对轴承故障进行分类与识别,其准确率可达100%,相较于采用支持向量机(support vector machine,SVM)和前馈神经网络对故障进行分类识别相比,该方法准确率分别提高了36.92%和18.9%,为航空发动机轴承故障诊断提供一种可行方法。     

基于改进贝叶斯网络的电机轴承故障诊断

针对电机轴承振动信号受噪声干扰影响特征提取和传统贝叶斯网络故障诊断准确率低的问题,提出一种基于改进贝叶斯网络的电机轴承故障诊断方法。采用自适应噪声集合模态分解的方法对数据进行降噪处理,增加了模型的鲁棒性;采用差分进化和模拟退火算法对蝗虫算法进行优化,增强蝗虫算法的全局和局部搜索能力;将优化后的蝗虫算法应用于贝叶斯网络结构学习构建轴承故障诊断模型;通过实验对比证明,该方法对轴承的多故障分类具有更强的学习能力和更高的准确率,实验对部分样本的故障诊断率达到97.15%,平均准确率达到98.73%。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

基于Inception-DLSTM双通道的滚动轴承故障诊断方法

卷积神经网络(CNN)对空间特征具有敏感性，而Inception相比CNN具备多尺度提取特征优势；长短时记忆网络(LSTM)对时间特征具有敏感性，而深层长短时记忆网络(DLSTM)比LSTM具备更深层次提取特征优势。为了多尺度充分提取滚动轴承振动信号在空间和时间上的特征，实现滚动轴承故障诊断，提出了一种Inception通道和DLSTM通道结合的Inception DLSTM双通道滚动轴承故障诊断模型。对于Inception通道，把轴承振动信号经过小波变换生成的时频图作为输入，利用Inception网络多尺度提取时频图的空间特征信息；对于DLSTM通道，直接把轴承振动信号作为输入，利用DLSTM网络充分提取信号的时间特征信息。然后把两个通道输出的特征信息连接成一个时空特征向量，最后利用分类器进行轴承故障诊断识别。对轴承故障数据进行对比实验可得，Inception DLSTM双通道的故障识别准确率可达100%，具备良好的故障诊断和特征提取能力。     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于 SVD-VMD 和 SVM 滚动轴承故障诊断方法

针对故障滚动轴承振动信号中含有干扰信号,难以准确提取出故障信息,提出了一种基于奇异值分解(SVD)、变分模态分解(VMD)、和支持向量机(SVM)的滚动轴承故障诊断方法。首先利用奇异值分解对信号进行处理,根据奇异值峰度差分谱来确定分解后重构矩阵的有效阶数,然后根据该有效阶数重构信号,对重构后的信号进行VMD分解,根据上述有效阶数确定分解的本征模态函数(IMF)分量的个数,从分解后的IMF分量中提取故障特征参数,将其作为支持向量机的输入参数进行故障诊断。最后采用合肥工业大学轴承试验机进行验证,并与直接进VMD分解及基于带通滤波器信号去噪的故障诊断方法进行对比,结果表明该方法能有效识别滚动轴承的故障类型,可用于滚动轴承故障诊断。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。