汽水循环系统泄漏故障分层次智能定位及诊断

提出一种基于二级神经网络的超临界机组汽水循环系统泄漏故障分层次定位及诊断方法。其中,第一级神经网络通过构建与泄漏密切相关的比参数作为神经网络输入,对故障发生的子系统进行初步定位;第二级神经网络则采用BP网络对汽水循环系统各子系统内("四管"、高加、低加)故障的具体类型进行诊断,并结合故障征兆缩放方法来完成不同负荷工况、不同严重程度故障的准确判别。以某超临界600MW机组为对象,借助电站全工况仿真机对汽水循环泄漏故障诊断进行详细的仿真实验,结果表明:该方法可以较好地实现不同负荷工况、不同严重程度的汽水循环系统的泄漏故障定位及诊断。     

基于改进堆叠降噪自编码的滚动轴承故障分类

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用。其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加"损伤噪声",然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类。然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN)。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

一种1D-CNN与多传感器信息融合的液压系统故障诊断方法

针对液压信号复杂且难以诊断的难点，提出一种多尺度一维卷积神经网络与多传感器信息融合的深度神经网络模型（MS1D-CNN-MSIF）对液压泵与蓄能器进行故障诊断。在提出方法中，采用不同大小的卷积核对故障信号进行多尺度特征提取；然后使用多传感器信息融合策略将多个传感器的特征信号进行融合，最后使用Softmax进行分类识别。诊断蓄能器压力状态与液压泵泄漏状态的实验结果表明，与支持向量机、堆栈自编码、深度置信网络比较，提出模型具有更好的故障诊断性能，蓄能器识别精度可达99.50%，液压泵识别精度可达99.73%。     

基于深度Q学习策略的旋转机械故障诊断方法研究

传统的旋转机械故障诊断方法需要人工提取故障特征,且该方法受环境噪声的影响较大,针对这一问题,提出了一种基于深度Q网络强化学习的旋转机械故障诊断模型。首先,以一维故障信号作为模型的输入,以各故障的故障类型作为当前输入的可选动作;然后,采用基于统计的随机置零方法以提高模型的抗噪能力,再通过深度学习网络,有效提取了各故障的故障特征,拟合了当前状态动作对的Q值,并采用深度Q学习模型完成了对各个故障类型的识别;最后,通过故障模拟试验台及美国西储大学轴承故障数据进行了模拟实验,并将该方法与传统机器学习方法,以及一维卷积神经网络模型进行了比较,以证明该方法在噪声环境下的优良表现。研究结果表明:在信噪比为-4 dB时,采用该故障诊断模型对旋转机械故障的识别准确率可以达到78%;采用该方法可以准确、稳定地对旋转机械进行故障诊断。     

基于深度自编码网络的航空发动机故障诊断

为有效解决航空发动机的故障诊断难题,提出了基于深度自编码网络的航空发动机故障诊断方法,对发动机进行故障诊断技术研究。首先,对监测数据进行预处理,根据数据特征构建深度自编码网络的基本结构,采用无标签数据样本集对深度自编码网络进行预先训练,得到网络参数的初始值;其次,利用有标签的数据样本集对该网络进行训练,对网络参数进行微量调整,创建基于深度自编码神经网络的航空发动机故障诊断模型;最后,采用含有标签的测试样本集对创建的故障诊断模型进行诊断测试。为了表明所提出方法的优越性,将本研究方法与其他几种常用故障诊断方法的故障诊断结果进行了对比。结果表明,与反向传播神经网络、径向基神经网络等常用的故障诊断方法相比,所提出方法的诊断正确率更高,诊断效果更好。     

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题，提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder，简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization，简称IGWO)以及支持向量机(support vector machine，简称SVM)的混合智能故障诊断模型。首先，利用栈式自编码网络强大的特征自提取能力，实现故障信号深层频谱特征的自适应学习，通过引入稀疏项约束提高特征学习的泛化性能；其次，利用改进的灰狼算法实现支持向量机的参数优化；最后，基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能，避免了手工特征提取的弊端，可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明，相比传统方法，笔者所提出的模型具有更优秀的故障识别能力，诊断准确率可达98%以上。     

基于大量故障实例的故障诊断系统设计

一些具有组分结构的系统（如机载火力控制系统）相当复杂,要想获得全套系统精确的故障诊断数学模型是非常困难的。利用维修人员在基层级和中继级获得的大量故障实例,采用神经网络和专家系统技术,则可以设计出一种基于症状知识的故障诊断系统。该故障诊断系统主要由知识库、专家规则诊断单元和神经网络诊断单元组成,其神经网络诊断单元随着故障实例训练的增加而不断成熟,专家规则诊断单元则可以通过神经网络对故障实例的训练与仿真来完善和扩充,具有很强的自学习功能和专家规则不能包容的新故障诊断能力。     

以输入电流谐波为特征量的SOM网络整流电路故障诊断方法

针对故障诊断系统中最重要的故障特征提取和故障识别环节,提出了基于输入电流谐波变化,利用人工神经网络对整流电路进行故障诊断的方法。以三相桥式全控整流器为模型电路,以各类故障状态下的三相交流侧输入电流谐波数据为故障特征,选取自组织特征映射神经网络(SOM)为故障识别算法,对得到的谐波数据进行编程分析识别,通过多次学习和训练,对各类元器件故障进行精确分类,从而建立起故障诊断数据库和查询途径,完成对各类故障的检测。该算法训练速度快、诊断精度高,通过仿真和相关实验验证了理论分析的可行性和有效性。     

基于稀疏自动编码深度神经网络的感应电动机故障诊断

针对目前感应电动机故障诊断大多采用监督学习提取故障特征的现状,提出一种将去噪编码融入稀疏自动编码器的深度神经网络,实现非监督学习的特征提取并用于感应电动机的故障诊断。稀疏自动编码器通过自动学习复杂数据的内在特征来提取简明的数据特征表达。为提高特征表达的鲁棒性,在稀疏编码器的基础上融入去噪编码,提取更有效的特征表达用来训练神经网络分类器进而完成整个深度神经网络的构建,并结合反向传播算法对深度神经网络进行整体微调,提升故障分类的准确度。整个训练过程引入"dropout"训练技巧,减少因过拟合带来的预测误差。试验结果表明,相比传统反向传播(Back propagation,BP)神经网络,提出的深度神经网络能更有效地实现感应电动机故障诊断。     

A sparse auto-encoder-based deep neural network approach for induction motor faults classification

This paper presents a deep neural network (DNN) approach for induction motor fault diagnosis. The approach utilizes sparse auto-encoder (SAE) to learn features, which belongs to unsupervised feature learning that only requires unlabeled measurement data. With the help of the denoising coding, partial corruption is added into the input of the SAE to improve robustness of feature representation. Features learned from the SAE are then used to train a neural network classifier for identifying induction motor faults. In addition, to prevent overfitting during the training process, a recently developed regularization method called “dropout” which has been proved to be very effective in neural network was employed. An experiment performed on a machine fault simulator indicates that compared with traditional neural network, the SAE-based DNN can achieve superior performance for feature learning and classification in the field of induction motor fault diagnosis.     

高速列车牵引变流器故障诊断研究

针对高速列车牵引变流器冷却滤网状态异常引发的牵引变流器故障问题，通过综合分析牵引变流器故障分类和滤网堵塞程度之间的相关性，提出一种基于多任务深度学习的故障诊断方法。首先，构建了包含牵引变流器故障诊断主任务及滤网堵塞程度子任务的多任务深度神经网络（multi-task deep neural networks,简称MT-DNN）；然后，为了准确预测牵引变流器失效退化趋势，将多任务深度神经网络预测结果与自组织映射（self organizing map,简称SOM）方法结合，构建了多任务深度神经网络自组织映射模型（multi-task deep neural networks self-organizing map,简称MTDNN-SOM），该方法根据历史故障数据特征变量演化规律定义退化状态曲线，直接反映故障特征量和退化状态之间的关系，最终实现了牵引变流器滤网脏堵故障诊断和维修预测。试验结果表明，该方法在精度和效率上都明显优于单任务或传统故障诊断方法，得到了较好的效果。     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于量子遗传算法的轴向柱塞泵故障特征选择

为了进一步减少特征维数、缩短运算时间、提高分类正确率等,提出了一种基于量子遗传算法的轴向柱塞泵故障特征选择方法,该方法采用量子位进行染色体编码,利用量子门更新种群。首先,对轴向柱塞泵振动信号进行小波包变换,提取出原始信号和各个小波包系数的统计特征;然后,利用量子遗传算法从原始特征集中选择出最优特征集;最后,以神经网络为分类器(其输入为最优特征集),对故障进行诊断与识别。利用该方法对轴向柱塞泵正常、缸体与配流盘磨损和柱塞滑履松动三种状态的特征集进行选择,试验结果表明,与普通遗传算法相比,量子遗传算法可以更有效地减少特征维数,提高分类正确率。     

基于SAE-DBN的联合收割机液压系统运行状态监测

液压系统是联合收割机重要的组成系统之一,针对收割机液压系统故障特征提取困难以及多种故障场景下的预警准确率低等问题,提出了一种基于堆叠自编码器和深度信念神经网络融合(SAE-DBN)的联合收割机液压系统运行状态监测方法。在SAE-DBN模型训练过程中,依次训练AE层和RBM层并堆叠,分别得到SAE和DBN,再将SAE和DBN进行连接并微调模型参数。将液压系统中关键部位的参数作为SAE-DBN的输入,进行二次特征提取,然后对液压系统的运行状态进行分类。雷沃GM80型联合收割机的作业运行试验表明:基于SAE-DBN联合收割机液压系统运行状态监测的准确率达到了91.88%,与SAE和BP神经网络等方法相比分别提高了3.82%和8.09%,为液压系统故障诊断提供了一种新的思路。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。