基于深度信念网络多参数智能融合的滑靴副性能退化状态评估方法

滑靴副磨损过程的性能退化状态受到表面形貌、摩擦特性等多个方面的影响,单独提取其中任何一个表征参数作为指标,评估其性能退化状态都是不准确的,为提高评估精度,提出基于深度信念网络多参数智能融合的滑靴副性能退化状态评估方法。应用分形理论从滑靴表面形貌特征中提取分形维数、尺度系数和特征粗糙度等分形参数作为表面形貌评估指标,应用摩擦因数作为摩擦特性参数评估指标,构建性能退化状态评估指标体系;计算摩擦因数信号与完全平稳的高斯白噪声序列信号之间的灰色关联度,并根据灰色关联度的大小对性能退化状态进行区域划分;应用深度信念网络理论对多指标参数进行智能融合和特征提取,建立性能退化状态评估模型;开展滑靴副磨损过程模拟试验,分析指标参数和灰色关联度对性能退化状态的影响规律,通过构建出的样本数据集,对评估模型进行训练和测试验证,结果表明评估模型对性能退化状态的评估准确率能够达到97%以上,由此证实该方法对滑靴副性能退化状态评估的有效性,且具有较高的评估精度。     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成...     

基于网络的状态监测与诊断技术研究

现代企业中往往安装有许多大型复杂的机械、电气、液压、气动和控制设备与装置,这些设备和装置相互协调共同完成一些特定的生产任务。由于设备的结构和功能不断增加,其维护的难度也相应增大,且一旦出现故障所带来的后果将十分严重,     

基于深度信念网络的铁谱图像智能识别方法与试验验证

为了提高机械设备磨损状态识别精度和效率,利用深度学习中的深度信念网络并结合铁谱分析技术,提出一种磨粒图像智能识别方法.首先,建立受限玻尔兹曼机模型,将其用于深度信念网络的预训练,初始化网络模型参数,完成识别模型构建;然后,利用铁谱分析技术,通过铁谱仪制备铁谱图像,进行图像预处理,得到学习样本;最后,对网络模型参数进行研...     

基于深度信念网络的滚筒采煤机截割载荷预测

为了准确预测采煤机螺旋滚筒截割载荷,提出了一种基于深度信念网络(Deep Belief Network,DBN)的预测模型。DBN模型以2个导向滑靴受力、2个平滑靴受力、摇臂振动、惰轮轴受力、截割电机电流7个特征参数作为可视输入,通过非监督逐层贪婪学习得到更好的高层特征表示,增强识别过程的智能性,避免人工特征提取的繁琐与不精确,最后预测出前滚筒的三向载荷和负载扭矩。对所提出的方法进行了测试,测试结果表明该方法适用于采煤机螺旋滚筒载荷预测,具有强大的特征提取能力且性能优于BP神经网络,可以为滚筒及采煤机的设计、研究、评价提供理论参考。     

基于无线传感器网络的智能状态监测系统研究

针对现有设备状态监测系统中存在的集成度不高、适应性差和状态数据利用率低等缺点,研究并建立了基于无线传感器网络的机械设备智能状态监测系统原型.其核心是设计基于MSP430微控制器的智能传感器网络节点;利用微控制器单元的信号分析能力,进行状态数据的本地化处理和数据融合,实现数据采集与信号处理相结合的分布式状态监测,形成具有初步自我分析诊断能力的状态维护传感器网络.开发并应用于某石化企业大型机组的智能状态监测原型系统,提高了设备状态数据采集与处理的效率,有效地降低了采集点与故障诊断中心之间的通信流量.     

基于深度信念网络的航空发动机气路故障诊断技术研究

针对传统的航空发动机故障诊断方法正确率较低,并且对异常数据不敏感的问题,将智能诊断算法引入航空发动机气路故障诊断领域。以涡轴发动机为例,分析了常见气路部件故障类型的成因和表现,并在Tensorflow上建立基于深度信念网络的故障诊断模型。与传统的故障诊断方法相比,具有更高的故障诊断正确率。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行,而不同型号、不同工况下的滚动轴承,由于时、频特征差异,加之背景噪声的影响,导致识别准确率偏低。为了解决这一问题,笔者以6307和6205两类深沟球轴承为研究对象,建立了以深度信念网络（deep belief network,简称DBN）为核心的迁移诊断模型,构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响,引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution,简称MCKD）方法,并对其关键参数实施了自适应选取。结果表明,由MCKD与DBN联合组成的迁移诊断模型,在3类不同数据源之间的诊断准确率均超过了95%,为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于主成分分析和线性判别的航空发动机状态监视

利用航空发动机传感器数据对发动机状态进行监视,采用主成分分析（PCA）方法和线性判别法（LDA）对发动机传感器数据进行二次特征提取,按照最优近邻思想进行分类。将2008年IEEE PHM数据作为实验数据,将基于PCA和LDA的分类结果与基于PCA的分类方法以及深度信念网（DBN）分类方法的结果进行了对比分析,结果表明,基于PCA和LDA方法的识别率综合最优且结构简单,对于工程应用该方法有效可行。     

基于协整分析的风电机组状态监测方法

针对风力发电机组SCADA系统受到环境及运行等因素影响[1],常常发生故障漏报和误报等问题,提出一种基于协整计算的风力发电机SCADA非平稳数据分析方法。风力发电机SCADA数据经协整计算可以获得附带风力发电机状态信息的残差,通过分析该协整残差可实现风力发电机的状态监测。取内蒙古包头市固阳县某风场1.5 MW双馈风电机组所采集的SCADA数据为研究对象,利用部分非平稳数据建立协整模型,并用一组正常运行数据以及一组已知齿轮箱故障数据对模型进行验证,结果表明,所提方法可有效抑制SCADA数据中由环境和运行引起的响应,准确识别风力发电机的运行状态,简单有效的实现风力发电机的状态监测.     

汽轮发电机组状态监测与故障诊断系统

介绍了所研制的汽轮发电机组状态监测与故障诊断系统的结构、功能和特点,同时给出了监测与诊断子系统软件的设计思想与实现方法。系统采用了网络分布式结构,由多机共同完成数据采集、分析、监测与诊断任务,可以实时地进行数据采集与分析、状态监测、故障诊断。该系统已成功地在某电厂运行。     

风电机组轴承的状态监测和故障诊断与运行维护

对风电机组轴承的故障原因,已实际应用的轴承运行状态监测系统与方法进行了综述,并提出了维护的建议,预测了风电机组轴承故障诊断研究的方向和前景。     

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。     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。     

滚动轴承内部温度状态监测技术

在摩擦学和传热学理论的基础上,建立了滚动轴承温度场数值仿真模型,对轴承内部温度的分布进行了研究,获得了环境温度、工作载荷和润滑脂容积比变化时轴承温度的修正公式。并以轴承的振动和润滑脂温度为监测参数,建立了轴承状态监测系统。运用温度分布规律对测点温度进行了修正,有效地消除了环境温度、工作载荷以及润滑脂容量变化对报警准确性的影响。     

大型风力发电机组状态监测与控制技术研究

实现大型风力发电机组的状态监测与控制是确保大型风力发电场安全、有效运行的手段。文章论述了大型风力发电机组的状态监测、控制技术参数与特点,分析、设计了大型风力发电机组的状态监测与控制系统,包括该系统的功能与实现方法等。     

基于多源数据融合的采煤机截割载荷预测方法

为解决单一传感信息对采煤机截割载荷预测精度低的问题,提高采煤机运行安全状态的感知能力,在应用深度信念网络(DBN)的基础上,引入贝叶斯正则化(BR)方法和粒子群优化(PSO)算法,提出了一种基于多传感器的采煤机滚筒载荷辨识与预测方法.构建BR-PSO-DBN预测模型,以惰轮轴传感器、连接架销轴传感器和摇臂应变传感器监测...