基于注意力时间卷积网络和双向门控循环单元的轴承故障诊断

针对传统特征提取方法依赖人工经验以及传统神经网络未充分利用时间序列信息的问题,首先通过时间卷积网络的空洞因果卷积、随机丢弃层和残差结构跨时间步提取不同振动信号的特征;然后引入注意力机制获取关键信息,实现特征优化选择;再利用双向门控循环单元捕捉长期依赖关系;最后通过归一化指数函数进行故障分类。实验结果表明,在不同训练样本比例下,该方法的识别精度高于一维卷积神经网络、双向长短期记忆网络、双向循环神经网络;用该方法能够有效识别轴承故障类型,且模型的泛化能力较强。     

基于双向门控循环单元网络的滚动轴承故障诊断

滚动轴承作为大多数旋转机械的重要零部件,其工作状态直接影响设备的工作寿命.针对传统故障诊断方法自适应性差、特征提取过于依赖人工经验的问题,提出一种基于双向门控循环单元的轴承故障诊断方法.该方法直接将原始振动信号作为模型输入,自动进行故障特征提取与故障诊断.结合轴承外圈故障、内圈故障及滚动体故障等9种故障状况,对所提方法进行了验证.实验结果表明,其故障诊断准确率可达99.56％,诊断效果优于门控循环单元、长短期记忆网络等算法,且泛化能力好.     

基于改进卷积深度置信网络的轴承故障诊断研究

机械设备故障诊断在工业应用中具有重要的意义。传统的基于振动信号处理与分析的故障诊断方法,依赖于丰富的专业知识和人工经验,难以保证准确的特征提取与故障诊断。利用深度学习方法可以自动学习数据深层次特征的特点,提出一种基于改进卷积深度置信网络的滚动轴承故障定性、定量诊断方法。首先,为了提供较好的浅层输入,将原始振动信号转换至频域信号;其次,在模型训练过程中,引入Adam优化器,加快模型训练,提高模型收敛速度;最后,为了充分发挥模型各层特征表征能力,对模型结构进行优化,提出多层特征融合学习结构,以提高模型的泛化能力。实验结果表明,所提出的改进模型相比于传统的栈式自动编码器、人工神经网络、深度置信网络以及标准卷积深度信念网络,具有更好的诊断精度,有效地实现了轴承故障的定性、定量化诊断。     

基于奇异谱分析和卷积双向门控单元网络的超短期风电功率预测

精确的短期风电功率预测能有效提高电网供电可靠性.为降低风电数据中隐含噪声对预测结果的影响,采用奇异谱分析 (SingularSpectrum Analysis,SSA)将原始数据分解并重构为趋势、周期和高频噪声三个子序列,作为预测模型的输入.针对传统循环网络局限于时间相关性的前向提取,提出卷积双向门控循环单元网络 (Convolution NeuralNetworkＧBidirectionalGatedRecurrentUnit,CNNＧBiGRU)预测模型.前者提取重构子序列间特征的耦合关系,后者挖掘数据的双向时间相关性,以提高预测精度.为了研究该模型的预测性能,选取了其他模型进行对比,试验结果表明SSAＧCNNＧBiGRU 模型比其他模型更具有优越的预测性能。     

基于IMHSA-MSCNN-BiLSTM的风机轴承故障诊断

由于风力发电机组的非平稳运行条件和周围恶劣的工作环境,风机轴承故障振动脉冲特征易被随机噪声干扰所淹没,这给准确检测滚动轴承故障造成了挑战。为了降低随机干扰对后续特征提取的影响和算法复杂度,提出了一种改进多头自注意力机制（IMHSA）-多尺度卷积网络（MSCNN）-双向长短期记忆网络（BiLSTM）的风机轴承故障诊断方法。首先,由周期空洞自注意力和局部自注意力组成的IMHSA对特征进行增强,以减少随机干扰影响及特征增强过程中的时间消耗;然后,利用MSCNN-BiLSTM网络提取故障信号中的空间特征与长期依赖特征;最后,经全连接层和Softmax层输出风机轴承故障诊断结果,并采用实验台滚动轴承实际运行数据进行算例分析,通过与领域内其他同类方法的对比,验证了所提方法的有效性和优越性。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别.共享层采用卷积神经网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故障分类和损伤程度识别.在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获...     

基于DACNN的电机滚动轴承故障诊断方法

针对强噪声、跨工况场景下数据分布差异导致传统卷积神经网络(CNN) 模型泛化性能低、诊断能力不足的问题,提出 一种基于并行卷积核和通道注意力机制的滚动轴承故障诊断方法。构造了带有不同尺度卷积核的并行网络结构,可以在抑 制噪声干扰的同时有效提取出数据中的故障特征信息;融合通道注意力机制对卷积层特征提取能力进行增强,提升模型抗噪 性能以及跨工况负载下的自适应诊断能力。利用凯斯西储大学轴承数据集训练并测试诊断效果,将该方法与其他方法进行 了性能对比。结果表明,在跨工况不同负载情况下,所提方法的诊断平均准确率为97.3%,在不同信噪比噪声干扰情况下的 诊断精度平均达93.8%,均高于其他比较方法,所提出的方法在复杂多变工况下具有良好的抗噪性能和泛化能力。     

基于注意力机制的CNN-BIGRU短期电价预测

针对短期电价预测的复杂性和精确度较差的问题,本文提出一种基于注意力机制的卷积神经网络和双向门控循环单元网络的短期电价预测模型。该模型将历史电价数据经过数据预处理后作为输入,首先利用卷积神经网络提取历史电价序列中的特征;其次,将提取的特征向量构造成时间序列输入到双向门控循环单元网络,充分挖掘特征内部的变化规律进行训练;然后,引入注意力机制来突出重要信息的影响并赋予权重,利用注意力机制对双向门控循环单元网络每个时间步的输出进行加权求和;最后,在全连接层通过激活函数计算输出最终预测值。通过实例验证了本文所提模型的准确性。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于通道注意力与残差卷积神经网络的变压器故障诊断

为了提高变压器故障诊断的准确性,提出一种基于通道注意力与残差卷积神经网络的变压器故障诊断方法.在卷积神经网络中,考虑不同通道信息间的差异,引入通道注意力,自适应调整不同卷积通道的权重;为了尽可能保留网络层间的差异信息,在网络中引入了残差网络;同时,采用跨网络层的连接方式进一步融合差异信息,充分挖掘油中溶解气体信息和变压...     

基于RA-LSTM的轴承故障诊断方法

为解决轴承故障诊断时网络模型不能对一维振动信号中的特征按照重要程度分配不同的权重,导致无法提取具有代表 性意义的特征,进而影响诊断模型的精确度与鲁棒性的问题。 提出基于反向注意力机制( reverse attention mechanism,RA)的特 征突出处理方法,通过将特征进行注意力反向与剪枝,降低非重要特征占比,从而对重要特征进行凸显。 并通过长短期记忆网 络(LSTM)进一步学习特征之间的时间信息后通过全连接层进行故障类型分类。 通过实验选取了最优数据截取长度、剪枝超参 数并对信号添加噪声后模型的稳定性进行了验证。 实验结果表明所提出的 RA-LSTM 轴承故障诊断方法具有优异的故障诊断 性能,故障诊断精度能达到 100%,且在添加噪声后模型的诊断能力仍具有优异的鲁棒性。     

基于SACNN-MGRU混合模型的滚动轴承故障诊断

为充分挖掘滚动轴承故障类别与振动信号间的潜在联系进而提升故障诊断精度,提出了一种基于尺度自适应卷积神经网络(SACNN)和改进门控循环单元(MGRU)混合模型的故障诊断方法.首先,提出了一种尺度自适应因子用以获取合适的CNN窗口尺寸从而更有效地提取振动信号中蕴含的局部故障信息,并在CNN中引入比例指数线性单元(SELU)以提升其训练过程的鲁棒性;随后,在GRU中嵌入SELU进一步提升网络稳定性,并改进GRU网络结构增强其时序特征的挖掘能力,进而更充分地提取局部故障信息中的时序特征;最后通过Softmax函数识别故障类别.经实验对比和分析表明,该方法具备较好的收敛性和稳定性,能够有效挖掘振动信号中蕴含的故障信息,准确识别不同转速下滚动轴承的故障类别且识别精度均高于99.5％,具有一定的应用价值.     

改进一维卷积神经网络的航空发动机故障诊断方法

针对现有航空发动机故障诊断的1DCNN方法缺乏故障频率多尺度特征提取能力以及对原始振动信号时域特征提取不足的问题,通过融合内嵌多尺度层到双通道1DCNN提出了改进1DCNN的航空发动故障诊断方法。提出了幅值变化速率的方法对振动信号进行时域特征增强,在单通道1DCNN基础上增加幅值变化通道作为第二通道,构建双通道1DCNN,加强1DCNN的时域特征提取能力,再改进多尺度模块为内嵌多尺度层并应用于1DCNN的第一通道,针对航空发动机故障频率域的多尺度特征进行提取。最后将改进1DCNN应用于航空发动机转静碰摩、叶片断裂等故障的诊断,通过对比实验证明了改进1DCNN检测的优越性、抗噪性、泛化性以及改进点的可行性。     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

基于时间卷积网络的模拟电路故障诊断方法

对模拟电路故障诊断中的故障特征提取进行了研究,引入了卷积神经网络模型,提出了一种基于时间卷积神经网络的模拟电路故障诊断方法,在四阶Butterworth低通滤波器电路上分别对不同深度的时间卷积网络进行分类对比实验,实验结果证实了深度时间卷积网络在故障特征提取中的有效性。同时设计实验对比了时间卷积神经网络、SAE-SOFTMAX、深度信念网络和长短期记忆网络的特征提取能力,结果表明,时间卷积神经网络模型在模拟电路故障诊断中能够提取出更能反映数据本质的特征,取得更好的诊断准确率。     

基于 MSK-SVM 的滚动轴承故障诊断方法

针对非线性支持向量机分类准确率受核函数影响的问题,提出一种多尺度核支持向量机(multi-scale kernel support vector machine, MSK-SVM)分类模型,并将该模型应用于滚动轴承故障诊断。该模型在常用的多项式核、高斯核和Sigmoid核函数基础上,引入了Morlet、Marr和DOG小波核函数。利用不同核函数的全局性和局部性以及核函数尺度参数不同作用范围不同的特点,组合具有不同特性及不同尺度参数的核函数作为多尺度核。基于梯度下降法,自适应地确定多尺度核函数权值,得到MSK-SVM滚动轴承故障诊断模型。为说明算法有效性,分别基于滚动轴承故障数据集和全寿命周期数据集进行了实验验证,并分析了基于不同特性MSK和相同特性MSK的SVM模型分类性能。结果表明本文所提模型较传统单个核函数SVM分类准确率更高,且具有良好的泛化能力。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。