共查询到20条相似文献,搜索用时 421 毫秒
1.
针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。 相似文献
2.
3.
4.
《机电工程》2021,38(1)
针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。 相似文献
5.
对于风电机组齿轮箱(WTG)智能故障诊断算法,孤立的故障分类结果常常面临置信度不足的问题。为了在故障分类的同时提供除了诊断结论之外的更多信息,基于振动时频信息,提出了一种用于风电机组齿轮箱振动时频分析和故障诊断的两阶段框架。首先,在第一阶段中,使用U-net模型自动分割了时频图中与故障有关的特征区域,而无需手动设置分割参数;然后,使用基于形状特征的方法提取了被分割图像中的特征信息;最后,在第二阶段中,利用随机森林算法根据形状特征完成对风电齿轮箱的故障诊断任务,并使用采集自华北某风电场的在役风电机组齿轮箱振动数据验证了上述框架的有效性。实验结果表明:分析算法的F1分数和诊断算法的诊断精度分别达到了0.942和97.4%,U-net方法与现有方法相比具有更高的综合诊断性能和计算效率。研究结果表明:该框架能够精准地标记时频图中的故障特征区域,并快速有效地诊断齿轮箱故障。 相似文献
6.
基于多通道加权卷积神经网络的齿轮箱振动信号特征提取 总被引:3,自引:0,他引:3
为了解决单通道振动信号输入不能全面表达故障特征信息及齿轮箱故障早期诊断问题,提出了一种新的深度神经网络(Deep neural network,DNN)模型—多通道加权卷积神经网络(Multi-channels weighted convolutional neural network,MCW-CNN),并应用于齿轮箱振动信号特征学习和故障诊断.首先,采用经验模态分解(Empirical mode decomposition,EMD)对振动信号进行处理,得到多通道一维信号突出振动信号的故障特征,并将其转化为多通道图像输入,从而充分发挥CNN在图像特征提取上的优良性能,将齿轮箱故障诊断问题进一步转化为CNN更为擅长的多通道图像识别问题;其次,针对各通道图像频率和带宽的不同,在卷积层采用动态感受野进行图像特征提取,全面提取多通道图像特征细节;针对各通道图像携带冲击特征的强弱不同,提出了基于峭度加权的多通道融合方法,增强了冲击特征强的通道故障特征.最后,通过故障诊断仿真试验和齿轮箱故障诊断试验验证所提方法的有效性.试验结果表明,MCW-CNN可有效提取振动信号的故障特征,识别正确率明显高于典型的深度学习方法和传统的分类器. 相似文献
7.
《制造技术与机床》2018,(12)
针对经验模态分解(empirical mode decomposition,EMD)由于模态混叠现象难以有效提取轴承故障特征的问题,提出了一种基于时变滤波经验模态分解(time varying filtering based empiricalmode decomposition,TVF-EMD)的轴承故障诊断方法。首先利用TVF-EMD方法对轴承故障信号进行自适应分解,得到一组内禀模态函数(intrinsic mode functions,IMFs),然后根据峭度最大准则选取包含主要故障特征信息的IMF分量,最后对选取的敏感分量进行进一步的包络解调分析,提取出故障特征信息,从而进行故障诊断。轴承故障诊断实例证实了所提方法能准确提取轴承故障的特征信息,实现轴承故障的有效诊断;通过与总体经验模态分解(ensemble empirical modedecomposition,EEMD)方法的对比研究,表明了所提方法的优越性。 相似文献
8.
9.
针对带式输送机托辊故障诊断方法存在准确率低、易受环境影响、监测成本高等问题,提出了一种基于红外热成像技术的托辊故障诊断方法。将红外热成像仪搭载到轨道式巡检机器人上,就能对带式输送机托辊组温度进行实时监测。在MATLAB中对采集到的红外图像进行维纳滤波、灰度处理、中值滤波、边缘提取等图像处理操作;在LabVIEW中设计人机交互界面,以实时显示故障托辊的原始红外图像、边缘图像、最高温度、故障位置等一系列信息。联合仿真结果表明:该方法能够及时地发现故障托辊,并准确地报告位置,提高了煤矿的智能化程度。 相似文献
10.
11.
针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。 相似文献
12.
13.
14.
研究基于单片机的充填机机电一体化系统故障诊断方法,提升充填机机电一体化系统的故障诊断精度。选取TMS320C54X单片机作为充填机机电一体化系统的核心处理器,TMS320C54X单片机利用内置的智能处理模型预处理传感器采集的充填机机电一体化系统运行信号,滤波处理所采集的信号;选取EMD分解方法处理完成滤波处理后信号,提取充填机机电一体化系统的故障信号特征向量;选取GRNN神经网络依据所提取的故障特征向量实现故障诊断,利用CAN总线通信方式传送故障诊断结果至充填机机电一体化系统的远程控制中心,实现充填机机电一体化系统故障诊断。实验结果表明,该方法可以有效诊断充填机机电一体化系统不同类型故障,故障诊断精度高于98%,故障平均诊断时间均低于220 ms。 相似文献
15.
随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。 相似文献
16.
基于支持向量机的机械故障特征选择方法研究 总被引:3,自引:0,他引:3
在机械故障诊断中,对机器状态信号进行处理可得到故障特征集。但是此特征集中通常含有冗余特征而影响诊断效果。特征选择可以去除原始特征中的冗余特征,提高诊断精度和诊断效率。本文提出采用支持向量机(SVM)作为决策分类器,研究了使用SVM的错误上界如半径-间距上界代替学习错误率作为特征性能评价,并且使用遗传算法对特征集进行寻优的特征选择方法。此方法由于只需要训练一次SVM,相比常用的分组轮换方法有较高的计算效率。数值仿真和减速器的轴承故障特征选择试验中,采用此方法对生成特征集进行选择,并与常用的分组轮换法进行了对比。结果显示此方法有较好的选择性能和选择效率。 相似文献
17.
随着航天器数量的不断增加,快速而准确地对航天器测控系统进行故障诊断尤为重要。 针对航天器所处空间环境变化
较大、遥测数据成分复杂和故障诊断准确率不高的问题,提出了一种基于注意力残差网络(AM-ResNet)的航天器测控系统故障
诊断方法。 首先,将原始遥测数据转换成灰度图像;其次,将图像依次通过残差网络和注意力模块,获取具有全局依赖关系的特
征图;最后经过卷积、池化操作后利用 Softmax 分类器进行分类,实现航天器测控系统的故障诊断。 实验结果表明,所提出的基
于注意力残差网络的航天器测控系统故障诊断方法可将诊断准确率提升至 95. 68% ,与 ResNet-18、AlexNet 和 LeNet-5 故障诊断
模型相比,诊断准确率分别提高了 3. 53% 、5. 62% 和 16. 43% ,验证了该方法可以有效提高航天器测控系统故障诊断性能。
关键词: 深度学习;故障诊断;残差网络;航天器;注意力机制 相似文献
18.
19.