基于降噪–残差神经网络的发动机部分失火故障诊断

针对发动机单缸部分失火故障,提出基于小波阈值降噪和残差神经网络的“降噪–残差神经网络”故障诊断方法。通过降噪与深度学习算法相结合,将小波阈值降噪后的振动信号输入到残差神经网络进行故障诊断;使用短残差块进一步防止网络的退化,并利用大卷积核增大长数据输入的卷积视野,提高信号故障特征的提取能力。测试结果证明该方法不仅实现了未参与训练的运转工况97%以上的故障诊断准确率,而且对于加入高斯噪声后的含噪声信号也能实现较高的诊断准确率。通过与其他故障诊断网络进行对比证明了该方法的优越性。     

基于CCA-DCNN算法和数字孪生的给水回热系统故障诊断研究

针对核电二次回路中给水回热等复杂热工系统故障诊断存在样本稀缺、数据高维耦合以及数据预处理丢失特征信息导致传统诊断模型准确率受限的问题,提出一种基于相关分析进行深度学习的故障诊断方法。首先,构建给水回热数字孪生系统,建立故障诊断数据仓库;然后,利用综合相关分析(CCA)方法建立系统状态矩阵,搭建深度卷积网络,对系统状态特征进行深入挖掘,并通过可视化(VS)方法将网络的内部过程可视化;最后,建立基于深度卷积网络的故障诊断模型,诊断给水回热系统的典型故障,包括管道泄漏、水室短路、传热恶化、阀门卡涩等。结果表明：该数字孪生系统能够实现对给水再热系统正常和故障工况下的精确仿真,并满足后续深度学习模型的数据要求;基于综合相关分析和深度卷积网络算法的故障诊断模型能够实现时变、多维工业数据的故障诊断;采用T分布随机领域嵌入(TSNE)方法对模型可视化发现,模型的不同故障类型有明显的区别,相似的故障数据有明显的聚合性。     

基于改进残差卷积网络的柴油机故障诊断方法

针对基于卷积神经网络（convolutional neural network, CNN）的柴油机故障诊断方法在训练样本匮乏时易过拟合、诊断准确率低的问题,提出一种基于改进残差卷积网络的“端到端”柴油机故障诊断方法。该方法采用连续可微指数线性单元（continuously differentiable exponential linear units, CELU）作为CNN激活函数并采取小批次训练方法,提高模型提取特征能力的同时加速其收敛;在模型中加入残差结构将深层网络提取到的抽象特征与表层特征相融合,避免深层网络导致的特征信息丢失与梯度消失问题。经柴油机故障模拟试验验证,该方法在仅使用20个样本进行训练时,能实现95.5%的故障诊断准确率;与CNN相比,该方法在不同类型及规模的训练集下,故障诊断准确率均有显著提升。     

基于改进的时频自适应胶囊网络轴承故障诊断方法

轴承是保障旋转机械安全运行的关键部件,传统的故障诊断方法在轴承复杂多变的运行环境中故障特征提取难且识别难度大。为此,提出了一种基于改进的时频自适应胶囊网络轴承故障诊断方法。首先,将一维原始振动信号通过EEMD-HHT特征增强方法转化为复合时频结构数据,增强非平稳信号特征的可分性;然后,改进原胶囊网络卷积层,用于自适应深度提取振动信号的时频结构特征;最后,针对卷积神经网络的平移不变性引入胶囊层,采用动态路由算法学习储存特征信息,并实现故障类型智能诊断。试验结果表明,所提方法较现有方法具有更强的故障敏感特征挖掘能力、更高的诊断精度及工况自适应能力。     

基于VMD和卷积深度信念网络的风电机组行星齿轮箱故障检测

针对传统的故障诊断方法面对风力发电机组行星齿轮箱振动信号时处理范围有限的问题,提出了一种基于VMD和卷积深度信念网络相结合的智能诊断方法,首先利用VMD对原始信号进行分解,基于峭度准则提取出冲击含量较大的本征模态函数,将特征信息明显的分量融合在一起组成多通道的输入,然后利用卷积深度信念网络进行特征提取,最后将特征输入到分类器中进行故障识别分类。试验结果表明,该方法可准确地对风电机组行星齿轮箱不同的工作状态和故障种类进行识别与分类。     

基于倒谱–对称点图谱–卷积神经网络的内燃机增压器滚动轴承故障诊断

针对内燃机增压器滚动轴承振动信号易受噪声影响、故障特征微弱的问题,提出了一种基于倒谱（cepstrum）–对称点图谱（symmetrized dot pattern, SDP）–卷积神经网络（convolution neural network, CNN）的智能故障诊断方法。通过倒谱对原始信号进行故障特征提取,获取能够反映滚动轴承故障类型的特征向量。然后应用对称点图谱方法将一维倒谱数据映射到极坐标空间,并进行灰度化处理得到SDP特征灰度图,将特征图导入到卷积神经网络进行特征挖掘和故障识别。最后通过滚动轴承外滚道、内滚道和滚动体出现损伤的故障试验,构建了9类故障状态原始信号,验证了基于倒谱–SDP–CNN的智能故障诊断方法。结果表明：倒谱–SDP–CNN方法具有运算简便、快捷、受噪声影响较小等优点,对试验测试集的故障识别准确率达到97.5%,可以较为准确地诊断增压器滚动轴承的故障状态和严重程度。     

改进VMD融合深度学习在滚动轴承故障诊断中的应用

针对滚动轴承早期振动信号微弱且难以提取的问题,结合灰狼算法与变分模态分解（Variational mode decomposition,VMD）提出改进变分模态分解（Improved variational mode decomposition,IVMD）方法分解轴承故障信号,并基于快速谱峭度图（Fast kurtogram,FK）提取特征分量进行信号重构,采用深度学习与混沌理论对各故障轴承重构信号进行非线性分析,完成故障识别。在保留原故障信息整体几何结构的同时降低了特征数据复杂度,增强了故障状态分类能力。基于损伤轴承实验数据验证所提方法的有效性。结果表明：IVMD较VMD能更好地分解故障信号,快速谱峭度图可有效提取特征分量;采用IVMD FK进行信号前处理后,经卷积神经网络（Convolutional neural network,CNN）进行故障分类,准确率高达99.99%,远高于传统故障诊断方法;在强噪声环境下此方法仍可较好地进行故障分类,在-8dB噪声下准确率达到75.75%,具有良好的鲁棒性;同时,结合混沌相图与Lyapunov指数反映故障信号的混沌特性,随卷积层数增加Lyapunov指数逐渐减小,表明深度学习模型和混沌理论可从混沌序列中提取纯净特征信息,准确进行故障识别。     

基于多模态时频图融合的风电机组齿轮箱故障诊断方法

特征提取是故障诊断问题的关键,风电机组齿轮箱负载多变,振动数据量大、信息密度低,导致多模态融合诊断方法的特征学习性能和计算成本难以兼顾。为此,提出了基于多模态时频图融合的风电机组齿轮箱故障诊断方法。首先,使用小波包分解算法对齿轮箱振动数据集进行故障特征分析;然后,将所得分解子信号和原始信号分别转化为二维时频图像,形成体现小波域和时频域的互补故障特征;最后,利用卷积神经网络(convolutional neural networks, CNN)分别学习图像纹理的深层特征并进行特征融合,训练基于CNN-ViT(vision transformer)的多模态故障诊断模型。以凯斯西储大学齿轮箱轴承数据进行验证,所提模型在变负载和未知故障下,相比其他单模态和多模态方法具有较高的准确率,时频图融合方法能够以较低计算成本实现小波域和时频域双模态的故障特征学习。     

基于注意力机制的燃气轮机故障诊断方法研究

针对目前燃气轮机基于数据驱动的故障诊断技术诊断精度有待提升的问题,建立某型号燃气轮机的热力学模型并植入故障特征构造训练样本,在此基础上训练一种基于注意力机制的卷积神经网络与长短期记忆网络结合的神经网络模型。卷积层和注意力机制模块提取燃气轮机多维度的故障特征,长短期网络层进行时序动态故障参数处理。研究表明：相比于典型卷积神经网络,这种神经网络模型不仅能够识别多种故障的动态特征,对于各类故障的诊断能力均可达到93%以上,且加入注意力机制模块后对于不同的故障类型诊断准确率最高提升约3%。     

基于自适应概率学习的配电网故障辨识技术

为了提升配电网故障辨识准确率,提出了一种基于自适应概率学习的早期故障诊断方法。该方法通过波形分解和最大化特征相似性找到最佳线性映射,将仿真数据和真实数据映射至同一特征空间,且在此空间中两者分布差异最小,之后即可使用仿真数据训练模型并对真实数据进行分类,从而解决配电网故障辨识中样本量不足这一重要问题。基于系统仿真数据和现场实际数据表明：所提方法对于自适应学习条件下早期故障诊断的可靠性和准确率,远优于同等条件下的卷积神经网络、支持向量机和K邻近算法等常用分类模型;为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。     

基于模糊神经网络的故障诊断方法的应用

针对大型机组的状态监测与故障诊断问题,为了克服单一故障诊断方法的局限性,对现有的大型设备故障诊断方法作了分析之后,提出一种基于区间值模糊神经网络的诊断方法。该方法根据设备故障诊断的不同阶段,利用基于规则库、区间值模糊集理论、模糊神经网络和模糊模式识别等方法。该方法在某炼油厂重催化机组故障诊断中得到了具体应用。     

基于注意力模块及1D-CNN的滚动轴承故障诊断

针对传统的卷积神经网络对特征的辨识性差的问题,提出一种将注意力模块与一维卷积神经网络相结合的滚动轴承故障诊断模型.首先以加入噪声的振动信号作为输入,利用"卷积+池化"单元提取信号的多维特征,然后通过注意力模块对特征赋予不同的权重,利用双池化层取代传统卷积神经网络中的全连接层进行特征的再次提取及特征信息整合,最后通过So...     

Fault diagnosis of PEMFC systems based on an auxiliary transfer network

Data-driven fault diagnosis methods require huge amounts of expensive experimental data. Due to the irreversible damage of severe fault embedding experiments to proton exchange membrane fuel cell (PEMFC) systems, rare available data can be obtained. In view of this issue, a fault diagnosis method based on an auxiliary transfer network (ATN) is proposed. This method uses two parallel neural networks (main and auxiliary neural network) and a prediction fusion module to realize fault diagnosis. The auxiliary neural network is a fault diagnosis classifier pretrained based on both slight and severe fault simulative data, and its weights are transmitted into the ATN structure and frozen. After that, the main neural network is trained based on a large number of slight fault experimental data and a small number of severe fault experimental data. Through ATN, the main neural network learns the abstract features of severe faults under the guidance of auxiliary neural network, and realizes the transfer learning from simulation-based fault diagnosis classifier to experiment-based fault diagnosis classifier. Through testing, the accuracy and precision of ATN-based fault diagnosis classifier with LSTM as both main and auxiliary neural network reaches 0.993 and 1.0 respectively, which is higher than the common data-driven methods.     

基于多层深度互信息变分网络的风电机组轴承故障预警方法

针对变工况复杂环境下风电机组轴承的早期故障潜隐性高且故障阈值设置困难的问题,提出一种基于多层深度互信息变分网络的轴承故障超前预警方法。该网络在变分自编码器的架构上进行多层编码拓展,采用解码信号的二次编码增强了变分网络对输入信号中噪声的鲁棒性,通过隐层变量与输入信号间最大化互信息以及与二次编码特征间的最大化互信息,提高了网络对轴承正常状态空间的建模能力。以二次编码特征与隐层变量的重构误差为基础,构建健康指数,结合三次递推指数加权移动平均模型设置与风电机组轴承工况环境相适应的健康基线。在2个风电机组轴承故障检测试验中的应用结果表明,该方法对比传统的基于模型重构的轴承早期故障检测方法,具有更高故障预警准确率和抗干扰能力。     

Data-driven fault diagnosis for PEMFC systems of hybrid tram based on deep learning

The running state of the hybrid tram and the service life of fuel cell stacks are related to the fault diagnosis strategy of the proton exchange membrane fuel cell (PEMFC) system. In order to accurately detect various fault types, a novel method is proposed to classify the different health states, which is composed of simulated annealing genetic algorithm fuzzy c-means clustering (SAGAFCM) and deep belief network (DBN) combined with synthetic minority over-sampling technique (SMOTE). Operation data generated by the tram are clustered by SAGAFCM algorithm, and valid data are selected as fault diagnosis samples which include the training sample and the test sample. However, the fault samples are usually unbalanced data. To reduce the influence of unbalanced data on the fault diagnosis accuracy, SMOTE is employed to form a new training sample by supplementing the data of the small sample. Then DBN is trained by the new training sample to obtain the fault diagnosis model. In this paper, the proposed method can well distinguish the four health states, which are high deionized water inlet temperature fault, hydrogen leakage fault, low air pressure fault and the normal state, with an accuracy of 99.97% for the training sample and 100% for the test sample.     

基于AVMD和WDK的风电齿轮箱轴承复合故障诊断方法研究

针对强背景噪声下轴承微弱复合故障特征提取困难的问题,提出一种基于自适应变分模态分解（AVMD）和优化的Wasserstein距离指标（WDK）的风电齿轮箱轴承复合故障诊断方法。首先,引入自适应学习粒子群优化算法（ALPSO）,以平均包络熵作为ALPSO的适应度函数来搜索变分模态分解的最佳影响参数,从而构造AVMD;其次,结合Wasserstein距离（WD）和峭度优点,提出WDK指标筛选有效模态分量,并对筛选的有效模态分量进行重构;然后,通过对重构信号进行包络谱分析实现轴承复合故障的诊断;最后,将所提AVMD-WDK方法应用于某风场2 MW风电齿轮箱轴承振动信号的故障诊断。结果表明,该方法能有效提取轴承的微弱故障特征,实现轴承复合故障的精确诊断。     

多层传递函数的量子神经网络在汽轮机故障诊断中的应用

针对汽轮机故障分类边界的模糊性和故障模式之间存在交叉数据的诊断不确定问题,将多层传递函数的量子神经网络用于汽轮机发电机组的故障诊断,提出了量子神经网络的学习算法.以某热电厂汽轮机组被确诊的不对中故障为例,证明了这一方法的有效性.     

基于多尺度深度卷积网络特征融合的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型对工程先验知识依赖性强、提取特征不充分、分类器选取困难等问题,提出一种基于多尺度深度卷积网络特征融合的滚动轴承故障诊断模型.首先,建立集特征提取与模式识别于一体的卷积神经网络模型,利用小波变换将滚动轴承振动信号转换为二维图像作为输入样本集.然后,在网络结构中构建多尺度特征融合模块自适应提取故...     

基于深度学习与支持向量机的滚动轴承故障诊断研究

针对滚动轴承运行环境复杂,传统故障诊断方法难以从强非线性信号中提取有效故障特征,且无法充分利用信号自身特征的问题,提出CNN-LSTM-SVM故障诊断方法。以滚动轴承加速度寿命实验数据为研究对象,基于卷积神经网络(Convolutional Neural Network, CNN)与长短期记忆网络(Long Short Term Memory, LSTM)技术提取信号特征并结合支持向量机(Support Vector Machine, SVM)完成故障分类。结果显示：该方法具有良好外推性能,在变演变阶段下的平均准确率达到95.92%,与现有方法相比,至少高出11.34%,且在噪声环境下的诊断准确率均高于现有方法,稳定性更佳,体现良好的鲁棒性与泛化性。