深度Laplacian正则化自动编码器的旋转机械故障诊断

为了解决传统深度自动编码器存在的过度拟合以及泛化能力弱等问题,提出一种基于深度Laplacian正则化自动编码器的不平衡旋转机械故障诊断。首先将采集到的振动信号输入到构造的深度Laplacian正则化自动编码器模型中进行逐层特征提取,将Laplacian正则化项引入到深度自动编码器的原始目标函数中,以平滑故障诊断模型中数据的流形结构,从而提高故障诊断框架的泛化性能,然后利用BP分类器对提取的深层判别敏感特征流进行故障诊断。最后通过CWRU故障数据集实验结果证明提出的方法能够实现旋转机械平衡与不平衡数据集的精确故障诊断没并且具有较好的泛化性能。     

深度在线小波极限学习在旋转机械故障诊断中的应用

由于旋转机械故障诊断模型训练时间长,容易过拟合以及传统的极限学习机只能处理批量数据,实效性差等问题。提出一种基于深度在线小波极限学习机的旋转机械故障诊断方法。将自编码器的思想引入小波极限学习机中,堆叠形成WELM-AE,将底层的故障特征向更加抽象的高级特征转换。再采用在线极限学习机作为顶层分类器进行故障识别。实验结果验证：该算法在旋转机械故障诊断上的可行性,继承了极限学习机训练速度快的特点,相较于BP、SVM、SAE、CNN有更高的准确率。     

基于深度置信网络的旋转机械迁移故障诊断

在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法.首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态...     

虚拟现实在旋转机械故障诊断中的应用

提出把虚拟现实（ｖｉｒｔｕａｌｒｅａｌｉｔｙ，ＶＲ）应用于旋转机械的故障机理研究及故障诊断，以更直观和更投入的方式研究故障的机理及其发生，发展过程以及可能导致的后果，还可弥补某些故障不能在转子实验台上模拟之缺陷。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力，可以很好地描述频率特征和诊断结果之间的关系。针对BP神经网络存在局部极小值和收敛速度慢等问题，提出了一种基于Levenberg-Marquardt（LM）的改进的BP网络。经改进算法训练的网络能大大提高诊断的能力，具有广泛的应用前景和应用价值。     

旋转机械的故障诊断

简介了旋转机械故障诊断的意义及其理论基础.以压缩机为例阐述了诊断方法,最后得出了其所具有的优越性等结论.     

全矢深度学习在轴承故障诊断中的应用

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。     

旋转机械故障诊断专家系统

在旋转机械最佳诊断方法理论的指导下,依据基于黑灰白的推理机技术开发了旋转机械故障诊断专家系统。本文着重说明了故障诊断系统中推理机和知识库这两部分的设计及实现,最后根据工厂实际数据进行验证,列出了验证的结果。     

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。     

旋转机械故障诊断专家系统的属性和求解策略的探讨

本文讨论了旋转机械故障诊断专家系统的属性,提出旋转机械故障诊断专家系统是正向求解问题的、模糊的、病态结构系统的观点.并针对其基本属性,提出以频域模糊聚类分析为正向推理求解策略的思想与基本框架.同时,对知识库的容量与提高病态结构系统确定性的关系作一探讨.     

基于递归神经网络的旋转机械故障诊断方法

为实现对旋转机械的在线故障诊断,对10类故障情况下的振动信号进行频谱分析。发现旋转机械振动信号的频谱中含有丰富的故障信息,以此为故障特征向量建立了诊断模型。在现有神经网络故障诊断方法基础上,提出了一种基于带有偏差单元递归神经网络的在线故障诊断方法,设计了相应的故障样本和故障编码。仿真结果表明,该方法在收敛速度、非线性能力及精度方面明显优于一般方法。对故障模式的回想结果及实际运行结果证明,本方法切实可行,适合于旋转机械的在线故障诊断。     

基于解析模态分解的机械故障诊断方法

针对旋转机械故障诊断问题,提出了一种基于解析模态分解(AMD)的旋转机械故障诊断方法。只要知道信号的频率成分,AMD方法就可以将含不同频率成分的信号分解为单频率信号,尤其能够分解有紧密间隔频率成分的信号。对于可预知故障特征频率的旋转机械的故障诊断,可利用AMD方法提取机械振动信号中故障特征频率所在频段的信号,并求该段信号的频谱,若频谱中含有故障特征频率,则说明机械振动信号中存在该故障。通过对滚动轴承故障信号和转子不对中故障信号的分析以及和经验模态分解(EMD)方法的对比,证明了AMD方法的有效性,且AMD方法比EMD方法更快速、准确。     

基于局部平衡判别投影的旋转机械故障诊断方法

针对旋转机械故障数据的多类别、高维复杂特性导致的分类困难问题,提出一种基于局部平衡判别投影(LBDP)的故障数据集降维方法.从时域、频域和时频域多个角度提取转子振动信号的混合特征,构建原始高维故障特征集;通过LBDP选择出其中最能反映故障本质的敏感特征子集;将得到的低维特征子集输入到K近邻分类器(KNN)中进行故障模式...     

基于分形理论的旋转机械故障诊断及其应用

将分形的有关理论与旋转机械故障诊断联系起来,论述了分形维数的基本概念,研究了用相空间重构法求取关联维数的相关算法,并结合实例探讨了分形维数在机械故障诊断中的应用。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念。定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰。阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中。为了对比分析,还通过类似的方法定义了矢Wigner分布。仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布。     

基于矢模糊函数的旋转机械故障诊断方法的研究

结合全矢谱技术与模糊函数,提出了一种矢模糊函数的新概念.定义的矢模糊函数继承了全矢谱技术与模糊函数各自的优点,既能全面地反应机械振动的全面性,又能很好地抑制Wigner分布中的交叉项干扰.阐述了矢模糊函数的定义、算法及其特点,并把矢模糊函数成功地应用到旋转机械故障诊断中.为了对比分析,还通过类似的方法定义了矢Wigner分布.仿真和实验结果表明,提出的矢模糊函数在旋转机械故障诊断中是非常有效的,矢模糊函数优于矢Wigner分布.     

基于神经网络的旋转机械振动故障诊断

介绍了一种通过神经网络算法进行故障诊断的方法,神经网络的输入为通过对转子模拟信号进行傅里叶变换得到的典型频谱特征,将旋转机械不对中、不平衡、碰摩、涡动四种典型的故障作为网络的输出.首先用传统的BP网络算法进行诊断,得到故障诊断的精度,再将模糊理论与神经网络相结合,取长补短,组成模糊神经网络,对故障进行识别,从而得出模糊神经网络在模式识别方面具有更大的优越性的结论.     

基于EMD-SVD和CNN的旋转机械故障诊断

为解决旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种经验模态分解（empirical mode decomposition,简称EMD）、奇异值分解（singular value decomposition,简称SVD）和深度卷积网络（Convolutional Neural Network,简称CNN）相结合的故障诊断方法。首先,通过EMD方法将故障信号分解成若干个固有模态分量（intrinsic mode function,简称IMF）,构造时域与频域空间状态矩阵;其次,利用SVD方法对空间状态矩阵进行分解得到奇异值数组,构造时域与频域奇异值特征矩阵;最后,将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果,正确率优于将原始信号直接输入到CNN中等几种对比方法,验证了该方法的优越性。     

基于LM神经网络的旋转机械故障诊断

BP神经网络具有优良的非线性映射能力,可以很好地描述频率特征和诊断结果之间的关系.针对BP神经网络存在局部极小值和收敛速度慢等问题,提出了一种基于Levenberg-Marquardt(LM)的改进的BP网络.经改进算法训练的网络能大大提高诊断的能力,具有广泛的应用前景和应用价值.