数据不完备下基于Informer的离心鼓风机故障趋势预测方法

离心鼓风机在运行过程中，监测数据缺失会导致故障趋势预测滞后和预测精度下降。针对该问题，提出一种考虑数据不完备的离心鼓风机故障趋势预测方法。首先，基于张量分解对缺失监测数据进行填补，获得离心鼓风机的完备监测数据；其次，基于填补后的完备监测数据利用深度置信网络(DBN)构建能表征离心鼓风机健康状态的健康指标；最后使用Informer方法预测健康指标的未来走势，实现离心鼓风机的故障趋势预测。案例分析结果表明，相比缺失数据，利用填补后的数据所建立的预测模型能更早预测故障的发生，同时所提出的预测方法较Transformer、长短时记忆(LSTM)和门控循环单元(GRU)等常用传统方法预测精度更高。     

自适应带宽核密度估计在旋转机械劣质监测数据识别中的应用

运行环境异常、人为因素干扰及采集设备故障等问题可能导致旋转机械监测数据中出现与设备健康状态无关的异常值或缺失数据，造成机械健康状态误判及维护策略制定不当等问题，为此，提出了一种基于自适应带宽核密度估计的劣质监测数据识别方法。通过对采集数据进行频域积分从而将零点漂移与局部噪声“冲击化”，计算积分后的峭度指标；采用局部均值误差进行高斯核带宽自适应选择，获得峭度指标的概率密度函数，并将95%置信区间的边界作为劣质数据识别阈值。通过车桥耐久监测全寿命数据对提取方法进行验证，结果表明，相比于固定带宽以及基于四叉树分割算法的核密度估计方法，所提方法对劣质监测数据具有较好的识别效果。     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。     

桥梁健康监测系统的异常数据特征库构建

针对实际桥梁健康监测系统的数据异常识别和诊断问题,提出了一种异常数据特征库的构建方法.首先,对监测数据进行去噪处理,选取统计信号的时域、频域以及AR模型系数特征;然后,利用核主元分析的方法进行特征提取,建立包括传感器短路、拍波和船撞等异常数据的特征库;最后,通过BP神经网络方法识别桥梁监测系统的异常状态,以验证特征库构建的有效性.江阴长江大桥主梁振动监测数据的分析表明,桥梁异常数据特征库构建方法能够用于诊断桥梁振动.     

一种融合多传感器数据的数模联动机械剩余寿命预测方法

随着传感和信息技术的发展,各式各样的传感器获取了机械装备海量的监测数据,让剩余寿命预测有"据"可依,推动机械剩余寿命预测进入了大数据时代。但由于数据类型多样、量大面广,如何利用丰富的多传感器数据,从中快速挖掘健康状态退化信息,指导寿命预测,成为大数据时代下机械寿命预测的全新挑战。基于模型的寿命预测方法大多仅针对单一监测数据进行建模分析,无法有效利用丰富的大数据资源。数据驱动的方法则过分依赖训练数据,缺乏必要的经验指引,方法的可解释性差。为了有效利用多传感器数据指导寿命预测,从数模联动的思路出发,建立了一种融合多传感器数据的数模联动寿命预测方法。采用一种通用的Wiener过程模型对健康状态退化过程进行描述,分别建立多源观测函数和多源映射函数对状态与数据之间的因果关系和关联关系进行描述,采用粒子滤波算法将多传感器数据与模型进行动态匹配,预测剩余寿命。在提出方法的统一框架指导下,选取三种特定模型对铣刀剩余寿命进行预测,验证了提出方法的有效性。     

基于变分模态分解的齿轮箱状态监测

针对传动系统振动信号可能存在的故障特征不明显造成的故障识别困难问题,提出了一种基于变分模态分解和奇异值分解的特征提取方法,并采用模糊C均值聚类进行状态识别与监测。首先将齿轮箱各状态数据进行变分模态分解,并将各模态奇异值作为特征值,通过模糊聚类进行状态识别,最后应用于齿轮箱状态监测。结果表明,对于人工无法识别的齿轮箱故障,该方法故障识别率在86%以上,基于该方法的状态监测可为齿轮故障预警及严重程度提供参考。     

机电设备振动数据转换平台的设计与实现

针对振动监测数据采集仪器种类繁多，且数据格式不统一，造成监测数据无法互通的问题，设计了机电设备振动数据转换平台。该平台的建立实现了在不同平台下监测数据的共享，使机电设备状态监测、故障诊断工作的规范化成为可能。     

基于SVD-KDR算法的工业监测数据插补技术

监测数据的完整性和可用性是工业大数据时代信息提取与知识发掘的前提和基础.然而由于采集中断、传输干扰、存储不当等诸多原因,监测数据的缺失问题在工业场景中频繁发生,严重影响数据价值密度.提出一种基于SVD-KDR的高精度、高鲁棒性缺失数据插补算法.该方法将一维工业数据转换为高维矩阵,弥补了传统方法直接从低维空间插补工业监测...     

基于缺失数据填补的风电齿轮箱状态监测研究

风电机组监控和数据采集系统的现场数据普遍存在缺失问题,会对下游状态监测任务产生一定负面影响。 为此,提出 一种结合注意力机制的掩膜自编码网络,用于填补面板数据样本中的缺失值,增加可用样本数量,提升状态监测结果的准确性 与连续性。 该方法以降噪自编码网络为整体框架,在编码阶段通过注意力机制对缺失值进行掩膜处理,赋予缺失值更高的权重 以强化网络对其关注程度,在解码阶段将缺失值填补后输出完备数据样本。 随后,利用长短时记忆网络提取的样本特征对目标 变量参数进行预测,依据预测残差实现状态监测。 使用某风电齿轮箱运行数据验证,结果表明:提出方法的数据填补偏差相较 对比方法至少改善 17. 2% ;与数据填补前相比,数据填补后样本数量显著增加,使状态监测网络对正常数据的预测残差平均下 降 37. 4% ,对故障数据的检测率提升 6. 8% 。     

保证数据隐私的装备协同智能故障诊断联邦迁移学习方法

大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的实际应用仍存在巨大困难。在工业界,多个用户往往拥有相似的机械装备与各自收集的监测数据,因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而,数据隐私性至关重要,不同用户往往不愿将私有数据与其他用户共享,给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法 FedTL,各用户私有数据不出本地完成模型训练,多用户间传输共享数据高级表征;提出软标签信息传输方法,通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递;考虑多用户装备工况不同等场景,提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证,结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。