深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

Rolling bearing composite fault diagnosis method based on EEMD fusion feature

Aiming at the problem that the composite fault vibration signal of rolling bearing is complex and it is difficult to effectively extract the impact characteristics of the composite fault, a composite fault diagnosis method of rolling bearing based on multi-scale fuzzy entropy feature fusion is proposed. Compared with traditional fault feature extraction methods that can only extract single fault feature information, this method can increase the discrimination of composite fault features, effectively separate multiple composite fault features, and more comprehensively characterize composite fault feature information. First, the signal is processed by EEMD, getting a series of IMF components. Secondly, the energy and kurtosis index of the IMF component are calculated, the appropriate IMF component is selected through the correlation coefficient to obtain a new time series, the multi-scale fuzzy entropy is calculated, and feature fusion performed. Finally, the least square support vector machine is used to diagnose the fault of the fusion feature. The method is verified by a mechanical failure simulation test bench. The experimental results show that this method can quantitatively characterize the data information of fault signal, improve the anti-interference ability, have good feature extraction ability of composite fault of rolling bearings, and can effectively identify the type of composite fault. Compared with the method using multi-scale fuzzy entropy, energy and kurtosis index alone, the accuracy of fault diagnosis increases by 8.12 % and 11.65 %, respectively.

     

基于信息熵与信息融合的供输弹系统故障诊断研究

针对供输弹系统早期故障微弱特征难以提取等问题,提出了信息熵与信息融合的故障诊断方法。将经过降噪预处理后的信号提取样本熵作为特征参量,经Elman神经网络初步诊断,将其输出值归一化后作为证据体的基本概率分配,采用一种基于证据关联系数加权平均融合模型,最终得到决策级融合的诊断结果。结果表明:该方法能有效对供输弹系统故障进行诊断,诊断正确率高达93.71%。     

多尺度特征自适应融合的气动控制阀故障诊断

气动控制阀作为过程工业典型的终端执行机构,由于故障发生率高、故障类型繁多,导致故障识别难度大,且故障后果 严重,因此对其进行智能的故障检测和诊断具有重要的实际意义。 本文提出了一种多尺度特征自适应融合网络用于气动控制 阀故障诊断。 首先,搭建了融合自注意力机制的多尺度特征提取网络自动提取信号的空间特征和细节特征。 然后,设计了权重 自适应特征融合网络对多尺度特征加权融合,提高模型对故障特征的表征能力。 最后,由长短时记忆神经网络和 SoftMax 函数 实现特征识别和故障分类。 实验结果表明,该模型在 DAMADICS 阀门基准实验平台上的平均检测准确率达到 96. 82% ,均高于 其他对比模型。 与最近发表文献中的检测结果对比发现,本文开发的模型在可检测的故障数量和检测准确率方面也具有一定 的优势,并且通过实验验证了模型的检测性能。     

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。     

一种面向运动解码的 EEG-fNIRS 时频特征融合 与协同分类方法

脑功能成像技术可以反映人体运动时的大脑生理变化,进而解码运动状态,但单模态信号反映的大脑生理信息存在局 限性。 为此,本文提出了一种基于 EEG 和 fNIRS 信号的时频特征融合与协同分类方法,利用脑神经电活动和血氧信息的互补 特性提高运动状态解码精度。 首先,提取 EEG 的小波包能量熵特征,使用双向长短期记忆网络(Bi-LSTM)提取 fNIRS 的时域特 征,将两类特征组合得到包含时频域信息的融合特征,实现 EEG 和 fNIRS 不同层次特征的信息互补。 然后,利用 1DCNN 提取 融合特征深层次信息。 最后,采用全连接神经网络进行任务分类。 将所提方法应用于公开数据集,本文所提的 EEG-fNIRS 信号 协同分类方法准确率为 95. 31% ,较单模态分类高 7. 81% ~ 9. 60% 。 结果表明,该方法充分融合了两互补信号的时频域信息,提 高了对左右手握力运动的分类准确率。     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。     

基于全矢增强深度森林的旋转设备智能故障诊断方法

针对传统智能诊断方法需要专家知识和复杂特征提取，而深度神经网络模型复杂度高、构建难度大，以及单源信号信息不完备等问题，提出了一种新颖的全矢数据融合增强深度森林的旋转设备故障诊断方法。该方法根据旋转设备振动信号的特点，选择全矢谱技术与深度森林多粒度扫描相结合，用于接收同源双通道信号输入，增强了数据的完备性，并通过改善深度森林级联层来减少深层特征消失和特征冗余。为了验证所提出方法的有效性，分别进行了滚动轴承与轴向柱塞泵两例故障诊断实验研究，结果表明，该方法在不同旋转设备上都有很好的诊断效果，并可以实现端到端故障诊断。此外，该方法在小训练数据集上的故障识别准确率也非常高。     

A hybrid fault diagnosis approach based on mixed-domain state features for rotating machinery

To make further improvement in the diagnosis accuracy and efficiency, a mixed-domain state features data based hybrid fault diagnosis approach, which systematically blends both the statistical analysis approach and the artificial intelligence technology, is proposed in this work for rolling element bearings. For simplifying the fault diagnosis problems, the execution of the proposed method is divided into three steps, i.e., fault preliminary detection, fault type recognition and fault degree identification. In the first step, a preliminary judgment about the health status of the equipment can be evaluated by the statistical analysis method based on the permutation entropy theory. If fault exists, the following two processes based on the artificial intelligence approach are performed to further recognize the fault type and then identify the fault degree. For the two subsequent steps, mixed-domain state features containing time-domain, frequency-domain and multi-scale features are extracted to represent the fault peculiarity under different working conditions. As a powerful time-frequency analysis method, the fast EEMD method was employed to obtain multi-scale features. Furthermore, due to the information redundancy and the submergence of original feature space, a novel manifold learning method (modified LGPCA) is introduced to realize the low-dimensional representations for high-dimensional feature space. Finally, two cases with 12 working conditions respectively have been employed to evaluate the performance of the proposed method, where vibration signals were measured from an experimental bench of rolling element bearing. The analysis results showed the effectiveness and the superiority of the proposed method of which the diagnosis thought is more suitable for practical application.     

基于特征融合度量学习的高压断路器机械故障诊断

数据驱动的深度学习方法在高压断路器机械故障诊断中取得了一定的成效,然而这些方法实现优异性能的前提是可获 取海量训练样本,在现场数据匮乏场景下其诊断性能明显下降。 为此,提出了一种新颖的特征融合度量学习模型用于现场小样 本高压断路器机械故障诊断。 首先构建了特征融合卷积神经网络,有效提升了可鉴别特征提取能力。 然后以 K 近邻算法作为 度量学习器实现小样本数据的匹配和分类。 最后通过改进中心损失进一步提升特征表示的分辨能力,并通过情景训练从实验 室构建的大样本集中学习可迁移知识。 实验结果表明,本文方法在每类支持集样本数为 5 时便可达到 94. 58% 的诊断精度,相 对于卷积神经网络提升了 63. 71% 。 同时,得益于情景训练方式本文方法有效避免了非平衡样本的问题。     

一种乳化液泵分级故障诊断方法

针对乳化液泵故障机理复杂、故障诊断难的现状,提出一种乳化液泵分级故障诊断方法。首先,通过深度自编码网络(Deep Auto-Encoder Network,DAEN)实现乳化液泵故障的第一级诊断,以乳化液泵的14个特征参数作为输入,自适应特征学习,识别故障形式;然后,通过专家系统实现乳化液泵故障的第二级诊断,将已识别的故障形式与必要故障信息作为专家系统输入,得到明确的故障定位。实验表明,深度自编码网络平均准确率98.712%,优于深度神经网络和卷积神经网络,可靠性高,可以完成第一级诊断任务,然后通过专家系统完成第二级诊断任务,分析产生原因,操作简单。将该方法编制成后台可运行的程序,嵌入煤矿综采工作面智慧云平台。经过实际测试,该故障分级诊断方法能够快速有效定位故障位置,提高诊断精度。     

基于多尺度分析的逆向工程截面线特征分割

为解决基于截面线特征重构中,初等曲线特征元和次要曲线特征元的分割问题,提出一种将多尺度分析与特征识别相结合的逆向工程特征分割方法.采用曲率尺度空间,实现截面线的多尺度分析和特征检测;利用相对转角法,实现单尺度特征融合;基于多尺度间信息传递和融合的多尺度特征融合算法获得多尺度特征集成.用多尺度曲率分析代替传统单一尺度逆向工程截面线分析,保证了特征分割结果,以及与基于特征设计和建模的特征元的一致性.合成复合曲线和实际扫描截面线的实例表明,提出的方法可以有效地实现逆向工程截面线多尺度特征分割.     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

基于XGBoost特征提取的数据驱动故障诊断方法

针对目前用于故障诊断领域的机器学习方法尚不能够充分挖掘数据中隐含故障特征信息，存在逼近精度不足的问题，提出一种基于XGBoost算法的隐含特征信息提取方法。根据故障数据与故障类型自定义XGBoost算法的损失函数，迭代构建故障分裂树；提取样本在故障树中的叶子节点位置索引向量并进行特征编码重构，得到隐含故障信息的智能化表征；基于该表征矩阵，使用SVM等机器学习算法建立故障诊断模型，实现多故障模式的识别诊断；最后，以某驱动器的故障诊断为例对方法进行了验证，结果表明：与原始特征下的故障诊断模型相比，基于XGBoost算法提取隐含特征下的诊断模型准确度更高，鲁棒性更好，同时能给出特征变量的重要性排序。     

基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法

研究了一种基于LMD多尺度熵和概率神经网络的滚动轴承故障诊断方法。该方法将故障信号自适应地分解为若干乘积函数分量,然后将各分量的多尺度熵作为故障特征向量输入概率神经网络进行模式识别,实现了对损伤位置和损伤程度的诊断。将该方法与基于LMD时域统计量和神经网络的滚动轴承故障诊断方法进行了对比。实验结果表明,基于LMD多尺度熵和概率神经网络的方法能对滚动轴承故障进行有效的识别与诊断。     

A Deep Learning Approach for Fault Diagnosis of Induction Motors in Manufacturing

Extracting features from original signals is a key procedure for traditional fault diagnosis of induction motors, as it directly influences the performance of fault recognition. However, high quality features need expert knowledge and human intervention. In this paper, a deep learning approach based on deep belief networks (DBN) is developed to learn features from frequency distribution of vibration signals with the purpose of characterizing working status of induction motors. It combines feature extraction procedure with classification task together to achieve automated and intelligent fault diagnosis. The DBN model is built by stacking multiple-units of restricted Boltzmann machine (RBM), and is trained using layer-by-layer pre-training algorithm. Compared with traditional diagnostic approaches where feature extraction is needed, the presented approach has the ability of learning hierarchical representations, which are suitable for fault classification, directly from frequency distribution of the measurement data. The structure of the DBN model is investigated as the scale and depth of the DBN architecture directly affect its classification performance. Experimental study conducted on a machine fault simulator verifies the effectiveness of the deep learning approach for fault diagnosis of induction motors. This research proposes an intelligent diagnosis method for induction motor which utilizes deep learning model to automatically learn features from sensor data and realize working status recognition.     

无线传感器网络多级融合的机械故障诊断方法

针对无线传感器网络(wireless sensor networks,简称WSNs)在机械故障诊断应用中大量振动信号不能实时传输的问题,提出基于无线传感器网络多级分层信息融合的机械故障诊断方法。采用簇树网络结构扩大网络监测覆盖范围,将WSNs信息融合分为数据级融合、特征级融合及决策级融合3个级别,终端节点对原始振动信息进行数据级融合以提取特征信息,簇头节点对特征信息进行特征级融合得到模式识别结果,网关节点对识别结果进行决策级融合以评估机械设备运行状态。实验表明,该方法能有效应用于机械故障诊断。     

基于KPCA-SOM网络的列控RBC系统故障诊断方法

无线闭塞中心(RBC)系统是CTCS-3级列控系统的核心设备,在现场其故障分析主要依靠人工完成,诊断结果不精确、效率低。因此,提出了基于one-hot模型、核主元分析(KPCA)和自组织映射(SOM)网络的RBC系统智能故障诊断方法。首先,通过人工选取的故障特征词库和故障追踪记录表构建基于“one-hot”模型的故障文档矩阵;其次,利用核主元分析方法对故障文档矩阵进行降维降噪处理,避免信息冗余;最后将处理后的数据输入至SOM网络,训练生成KPCA-SOM故障分类模型。通过与BP神经网络算法、SOM网络算法比对分析,KPCA-SOM智能诊断方法可有效地对列控RBC系统常见故障类型进行区分,并且在准确率和处理效率上进一步优化提升。