基于证据推理的旋转机械故障诊断模型

针对实际工况运行下的旋转机械各故障对应的量纲一的指标的范围难以严格区分的问题,提出了一种基于量纲一的指标和证据推理（Evidence Reasoning,ER）的旋转机械融合故障诊断模型。该模型利用ER算法在处理概率不确定性、模糊不确定性及非线性融合等方面的优势,通过信息变换技术将输入信号变换成信度分布结构,应用解析ER算法对输入数据进行融合,最后通过一种简单的决策规则得到诊断结果。实证分析结果表明：该方法可以有效地提高旋转机械设备故障诊断的识别率。     

基于一维CNN与BiLSTM结合的轴承故障诊断

针对传统故障诊断方法没有充分利用故障数据的时序特点,提出了一种一维CNN与双向LSTM网络相结合的智能轴承故障诊断方法。构建的深度模型以原始采样数据作为输入,减少了人工提取特征的偏见,充分利用了卷积神经网络在特征提取上的优势,在浅层使用卷积神经网络,并加入BiLSTM挖掘一维振动信号中的时间序列信息,实现了更为准确的轴承故障诊断。使用BiLSTM-CNN模型,分析了不同的优化器和激活函数的诊断结构,通过不同参数的结合确定了效果最好的参数组合。实验结果表明,以混淆矩阵、准确率为评价依据,该方法与传统机器学习模型、CNN、LSTM模型进行对比有更好的性能,在变负载情况下实现了准确,稳定的轴承故障诊断性能,具有良好的泛化能力。     

模拟退火算法在旋转机械故障诊断中的应用

用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中七个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,证明该方法在旋转机械故障诊断中是有效的。     

基于SO-LSTM的立柱液压系统故障诊断方法研究

针对目前无法快速、准确地诊断矿用立柱液压系统故障等问题,在建立仿真模型分析单一故障机制的基础上,基于优化算法提出多种故障诊断方法。将立柱物理模块与立柱液压系统模块相结合,建立立柱液压系统仿真模型;基于Simulink分析单一故障的影响,基于蛇优化LSTM神经网络建立诊断模型;最后,根据实际数据进行模型的实例验证。结果表明：蛇优化LSTM模型对液压立柱故障仿真数据识别率达到99.5%,对液压立柱故障真实数据识别率达到97%,与模型仿真数据的预测精度仅相差2.5%,预测精度较高,达到了预期目标。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

基于改进邻域粗糙集与S_Kohonen神经网络的滚动轴承故障诊断研究

针对现有滚动轴承故障诊断技术中,存在输入属性冗余过多、故障识别率不高等缺点,提出了基于改进邻域粗糙集与S_Kohonen神经网络的故障诊断方法。由于传感器采集的故障信息大多为数值型数据且数据维数较大,文中引入邻域粗糙集理论并对基于邻域粗糙集的经典前向贪心算法进行改进,利用改进算法约简故障数据,大大减小了算法复杂度;对Kohonen神经网络进行改进,在其原有结构基础上添加输出层构成S_Kohonen神经网络,使其输出类别满足给定分类要求;分别采用前向贪心算法、改进算法约简故障数据,将约简前、后的故障数据分别输入S_Kohonen神经网络、BP神经网络识别滚动轴承故障状态,试验结果证明邻域粗糙集可有效消除属性之间的重复信息,改进算法提取故障属性信息更能反映故障状态的本质,S_Kohonen神经网络具有良好的故障识别能力,两者配合使用,改进邻域粗糙集——S_Kohonen神经网络模型具有很好的故障诊断能力。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于深度LSTM残差网络的旋转机械故障诊断研究

伴随制造加工业对可靠度与精准度的需求不断提升,及时而有效地获取旋转机械的故障信息能够保证设备的正常运行。采用深度LSTM残差网络完成旋转机械的故障诊断,主要包含3个模块：初始数据处理层、SP-LSTM残差网络信号诊断层与GAP-ELM网络下的故障分类层。该方法能够完成初始数据的深层特征发掘,利用LSTM元中的记忆与遗忘门获取故障数据的细微变化。所采用的GAP-ELM网络可规避传统Softmax方法分类准确度不高的问题,从而有效完成故障诊断。通过CWRU集完成该方法与文献方法的实验对比,结果表明该方法的鲁棒性较好,诊断正常信号、滚动体与内外圈的故障信号准确率均优于文献方法,此外,所提方法可在较少的epoch中实现稳定,并随着epoch的增加,损失值会逐渐减小。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于改进DenseNet模型的滚动轴承变工况故障诊断北大核心

针对旋转机械传统故障诊断中浅层特征对振动信号故障信息表征能力不足以及在变工况条件下传统的网络模型诊断能力差的问题,提出了一种结合风格再校准模块(style-based recalibration module,SRM)和密集连接卷积神经网络(densely connected convolutional networks,DenseNet)智能故障诊断神经网络模型。将预处理得到的时频图输入到引入SRM的DenseNet网络模型中,通过对特征图进行重新加权以及特征复用,避免有效信息缺失,降低了无关信息的干扰,增强模型对故障特征的提取能力。分别进行单一工况和变工况实验验证,结果表明所提方法在变工况条件下的故障识别率均优于目前主流的SVM、WDCNN和ECACNN诊断方法。     

基于小波一阶灰度矩向量和神经网络的旋转机械故障诊断的研究

在旋转机械轴系振动故障模拟试验的基础上,对大量故障模拟试验数据进行计算,建立了典型故障的小波一阶灰度矩向量样本,将其作为概率神经网络的输入进行故障诊断研究。结果表明,基于一阶灰度矩向量的概率神经网络可实现对训练样本100%的正确识别率,对陌生样本的正确识别率也超过75%。可见,概率神经网络综合了Bayes分类器和神经网络的优势,利用概率神经网络融合信号的一阶灰度矩向量特征实现旋转机械轴系故障模式识别是一种可行有效的方法。     

LM算法BP神经网络的数控机床主轴系统故障诊断

针对目前数控机床故障复杂、诊断困难的问题,提出基于人工神经网络的故障诊断方法。在研究传统BP神经网络故障诊断模型基础上,引入改进的BP算法-LM算法,建立机床主轴系统LM-BP神经网络故障诊断模型,对机床主轴系统故障进行分析与诊断,再通过Matlab仿真与传统BP神经网络相对比,仿真结果表明:传统BP神经网络存在较难实现快速、准确的故障定位问题,而BP神经网络LM算法作为故障诊断的核心算法收敛速度快、识别准确。该方案设计合理可行,有较好的应用前景,并给出应用了实例。     

基于矩阵乘积态的机械故障诊断方法研究

在机械故障诊断中,针对传统神经网络处理高阶数据难度大、网络参数多、耗费大量计算资源的不足,提出了一种基于矩阵乘积态的张量网络故障诊断方法。通过输入高阶张量故障数据到矩阵乘积态故障诊断模型中,将高阶张量表示为多个低阶张量,从而简化数据结构和参数量。为了验证该方法的有效性,将其应用在齿轮的故障诊断中,并与传统的卷积神经网络故障诊断模型进行对比。同时,验证了键维度对模型准确率的影响。结果表明：所提模型的键维度会影响模型准确率,键维度为16的模型准确率高于键维度为8的模型准确率;该模型在减小数据复杂度的同时,还可以识别不同故障类型,准确率达到90%,比传统的卷积神经网络故障诊断模型性能更好。     

基于孪生网络的旋转机械故障诊断方法

针对实际工况下旋转机械故障样本稀缺，传统深度学习方法在小样本情况下出现欠拟合的问题，提出一种基于孪生网络(siamese network)的旋转机械故障诊断方法。首先，对有限的故障样本进行交叉配对，构造相同类别与不同类别的故障输入样本，实现对数据样本量的大幅扩容；然后，针对小样本问题构造了包含两个子模型的孪生网络，其中子模型由卷积神经网络与自注意力机制构建而成，通过计算样本之间的欧式距离得到相似度参数；最后，将相似度参数输入自建损失函数和故障分类器实现故障识别。实验证明，所以提出的网络能够依靠少量样本完成故障诊断，在样本数量相同的情况下，故障识别准确率显著高于其他深度学习模型。     

基于BP神经网络的圆锥滚子轴承故障诊断

圆锥滚子轴承在旋转机械中应用较为广泛,其故障对整机的运行状态将造成极大的影响,因此对其进行故障诊断十分必要。文中提出了基于神经网络的圆锥滚子轴承故障诊断方法。利用小波包分解对轴承的振动信号进行分析,将分解后得到的小波包能量矩归一化处理后作为特征向量,用标准数据的特征向量构成的训练样本对BP神经网络进行训练和测试,达到误差要求后,用该网络对圆锥滚子轴承的故障仿真实验数据进行故障诊断,诊断结果在误差范围内,达到故障诊断目的,验证了该方法在圆锥滚子轴承故障诊断中的有效性。     

基于遗传算法优化BP神经网络的液压系统故障诊断

液压系统作为控制和动力传输设备的核心部件,在现代工业生产机械中被广泛应用,准确诊断其故障具有提高生产效率和保障工作安全性等重要的工程意义。液压系统一旦发生故障往往是多故障同时出现,传统BP神经网络故障诊断算法往往不能满足多故障诊断准确率,提出一种基于遗传算法改进BP神经网络（GA-BP）的液压系统故障诊断方法,针对不同采样频率下多传感器信息融合的液压系统3种典型的故障模式进行对比分析。结果表明：GA-BP故障诊断算法相对于传统的BP神经网络具有更好的诊断性能。     

YJ900运架一体机行走液压系统泄漏故障仿真与诊断

针对YJ900运架一体机行走液压系统容易发生的内泄漏故障问题,运用AMESim软件建立其液压仿真模型。模型中引入泵泄漏、马达泄漏以及泵和马达同时存在泄漏3种典型故障模式,并采集液压马达进出口数据作为样本。将数据样本分为训练样本和测试样本,将训练样本输入MATLAB搭建BP神经网络故障诊断模型,并用测试样本完成故障模型的测试。主要研究神经元个数以及训练样本数对故障诊断成功率的影响。利用粒子群优化算法(PSO)对BP神经网络进行初始权重和偏置的优化,从而显著提高了少训练样本下的故障诊断成功率。     

基于WP-LSTM的偏心转子马达故障诊断方法

为解决智能设备中的偏心转子马达故障检测准确性与效率低下等问题,提出一种基于小波包与长短时记忆网络(Wavelet Packet-Long Short Term Memory,WP-LSTM)的故障诊断方法。首先,将偏心转子马达的电压信号进行小波包分解,对高频信号进行重构。其次,将重构信号作为特征向量输入到3层LSTM网络中,依靠LSTM网络的记忆特性充分学习非稳态信号中具有时序性的故障特征信息,再利用模型诊断出马达断线、卷线、电刷不良和接触不良故障。最后,通过实验验证了所提方法的可行性,且准确率高达98.91%。与现有的马达故障诊断方法相比,基于WP-LSTM的诊断方法具有更好的诊断效果,对提高故障诊断的准确率有一定的作用。     

运架一体机行走液压系统泄漏故障仿真与诊断

针对YJ900运架一体机行走液压系统容易发生的内泄漏故障问题,运用AMESim软件建立其液压仿真模型。模型中引入泵泄漏、马达泄漏以及泵和马达同时存在泄漏3种典型故障模式,并采集液压马达进出口数据作为样本。将数据样本分为训练样本和测试样本,将训练样本输入MATLAB搭建BP神经网络故障诊断模型,并用测试样本完成故障模型的测试。主要研究神经元个数以及训练样本数对故障诊断成功率的影响。利用粒子群优化算法(PSO)对BP神经网络进行初始权重和偏置的优化,从而显著提高了少训练样本下的故障诊断成功率     

基于EMD与SSA-SVM的轴承故障诊断

为提高轴承早期故障诊断的准确率,使用经验模态分解(EMD)与麻雀算法(SSA)改进的支持向量机(SVM)结合的方式对故障进行诊断。首先,使用ADAMS软件采集6203轴承外圈、滚子及内圈故障的振动仿真信号;其次,将仿真信号及实际信号作为输入信号进行EMD分解,同时对分解的IMF分量选择自相关性最大的进行Hilbert包络处理;最后,对包络处理得到的故障频率选取前3个峰值采用SSA-SVM对故障进行诊断。不同的输入样本及不同的算法模型的诊断结果表明选取故障频率作为输入特征向量,在SSA-SVM中能够准确的诊断出故障类别,证明ADAMS能很好的解决轴承故障数据的采集问题,所用的诊断方法为轴承故障诊断提供了一种高准确率的方法。