基于AM和CNN的多级特征融合的风力发电机轴承故障诊断方法

提出一种基于注意力机制的多级特征融合卷积神经网络(A2ML2F-CNN)故障诊断方法。该方法将原始电流和振动信号作为输入,首先使用基于注意力卷积神经网络(AMCNN)模块分别进行数据信号特征提取,并进行一级特征融合连接。在此基础上,再次分别采用注意力机制一维卷积神经网(AM1DCNN)和二维卷积神经网络(2DCNN)提取相关信息,并进行二级特征融合,以此来解决单传感器数据故障信息不足及互补特征难以提取的问题,最后采用全连接层和Softmax层进行分类,得到诊断结果。为验证所提方法的故障诊断效果,通过帕德伯恩数据集进行实验验证,并将其与CNN、LSTM、SVM等方法的诊断精度进行对比,相较于上述方法,该文方法的诊断准确率分别提高1.8、3.2和4.8个百分点,验证了所提方法的有效性。

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络(即深度卷积测量网络)代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络(CNN-LSTM)相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络(CNN)、长短时记忆神经网络(LSTM)进行对比实验。结果表明:所提方法CNN-LSTM有着较高的预测准确度。

无润滑电磁轴承保护轴承跌落过程摩擦发热分析

为在设计阶段预测电磁轴承保护轴承的寿命,计算跌落过程中保护轴承的发热功率非常重要。很多场合下保护轴承无润滑或只有固体润滑,因此选择局部法,重点分析球与滚道之间的滚动弹性滞后、球自旋、差动滑动等机制引起的发热,推导了差动滑动发热功率解析公式。开展实际电磁轴承高速电机无制动自由跌落实验,实测轴心轨迹和保护轴承冲击力,利用实验数据计算了保护轴承发热功率,并与实测转子动能变化率对比。研究发现,在确定了保护轴承安装预紧力情况下,局部法计算的保护轴承发热功率与转子动能变化率在量级上相当,证明了理论计算可行性;球自旋发热最多,其次是球与滚道差动滑动发热,两者之和占总发热的主要部分,球与滚道弹性滞后发热较少。

基于EMDPWVD时频图像和改进ViT网络的滚动轴承智能故障诊断

滚动轴承是机械设备的关键零部件之一,其故障诊断对设备安全稳定运行至关重要。针对滚动轴承振动信号的非平稳特点,提出经验模态分解联合伪魏格纳分布(empirical mode decomposition&pseudo-Wigner-Ville distribution, EMDPWVD)时频图像联合改进Vision Transformer(ViT)网络模型的智能故障诊断新方法。首先针对实际信号研究短时傅里叶变换(short-time Fourier transform, STFT)、连续小波变换(continuous wavelet transform, CWT)和EMDPWVD三种时频分析方法,考虑STFT和CWT无法同时获得高的时间分辨率和频率分辨率,优选EMDPWVD作为智能故障诊断网络的时频图像构造方法。其次,以经典ViT作为故障诊断基础模型,将时频图像按照预定尺寸分块并线性映射为输入序列,通过自注意力机制整合图像全局信息,借助堆叠Transformer编码器完成网络传输,进而实现故障诊断。为进一步提高故障诊断准确率,将池化层作为ViT的预处理网络,获得改进的Pooling ViT(PiT)模型,实现时频图像的空间特征延展,提升模型对输入图像敏感度。结果表明,所提方法对滚动轴承不同故障类型均有高的诊断准确率,PiT较ViT的准确率提高4.40%,证明对ViT加入池化层能够实现滚动轴承故障诊断效果提升。

面向类不均衡数据的多任务博弈概率分类向量机

在工程实际中获取的故障样本往往会呈现不均衡特点,同时传统的分类模型也会存在局限性。针对这些问题,基于稀疏贝叶斯理论、模糊隶属度等理论,提出了一种多任务博弈概率分类向量机(MGPCVM)分类方法。首先,在MGPCVM的目标函数中,设计了博弈因子,将不同类样本质心间的博弈信息赋予每个样本特定的样本质心敏感值,以解决传统分类器对不平衡数据集分类表现较差的问题;然后,在贝叶斯框架理论下,采用截断高斯先验分布的方法,使样本参数的正负与对应的标签信息相一致,且使样本质心敏感值产生了稀疏估计;最后,将MGPCVM方法应用于两种不同实验平台采集的滚动轴承实验数据处理,进行了故障诊断有效性验证。研究结果表明:在不同的不平衡比(IR)下,MGPCVM方法的准确率均保持在95%以上,相对于支持向量机(SVM)、概率分类向量机(PCVM)等方法提升了4%~8%;与典型向量式分类方法相比,MGPCVM方法可以在不平衡数据条件下表现出优越的分类性能,适用于实际工况中数据失衡的分类问题。

基于SPWVD与知识蒸馏的行星变速器故障诊断研究

行星变速器运行工况多是非平稳运行工况,运行过程中齿轮啮合振动信号相互耦合导致测试信号混叠,其隐藏故障诊断难度增大;同时应用复杂的神经网络模型进行故障诊断预测时多数会收到工业现场边缘计算设备硬件的限制。针对相关问题,在保证行星变速器故障诊断准确率的情况下减少网络模型的参数量,提出了一种应用平滑伪维格纳-威利分布(smooth and pseudo Wigner-Vile distribution, SPWVD)与知识蒸馏结合的智能识别模型用于行星变速器故障诊断。首先,利用集合经验模态分解(EEMD)方法将多分量振动信号分解后选取单分量信号进行SPWVD计算后线性叠加得到二维时频图作为输入,以ResNet101为教师模型指导学生模型MobileNet进行训练,复杂教师模型将数据中的知识传授给学生模型,提高了学生模型的精度。将该方法与同类方法进行了对比,结果表明,模型以牺牲2.43%准确率为代价,存储成本下降为教师模型的24.55%,相较未知识蒸馏的MobileNet的准确率提高了9.61%,实现模型轻量化。本研究方法对提高深度学习模型在工程实际应用,降低边缘计算设备部署成本提供了一种有效且可行的解决方法。

喷嘴位置对轴承腔内油气润滑两相流的影响

基于气液两相流理论,采用多重坐标系法构建角接触球轴承数值计算模型,分析不同喷嘴位置和转速下轴承腔内油相体积分数、保持架表面及轴承内外圈的油气分布特性。结果表明:在轴承低转速下,正面供油时轴承腔内油相体积分数及其周向分布的波动大于背面供油;正面供油时保持架下表面会产生润滑油的积聚,造成润滑油无法及时通过出口排出,而背面供油时润滑油在保持架表面的油相分布更均匀;正面供油时内圈左面油相体积分数较高,外圈油相分布变化较大,而背面供油时内圈右面、中间面及外圈中间面油相体积分数较高。不同转速下喷嘴位置对腔内油相分布的影响也不同,低转速下正面供油时腔内油相体积分数更高,高转速下喷嘴位置对轴承腔内油相分布的影响较小,润滑油在轴承腔内分布较为均匀,保持架下侧未见明显的润滑油积聚。

圆柱滚子轴承滚子对数修形优化研究

为了提高轴承的疲劳寿命,采用Romax Designer工程分析软件,在充分考虑径向游隙和内外圈相对倾斜量(影响轴承寿命的主要因素)对修形效果影响的基础上,对某大兆瓦风电机组齿轮箱输出轴轴承进行了对数修形优化分析。首先,对国际标准ISO/TS 16281寿命计算方法进行了简要分析;然后,对不同径向游隙情况下对数修形的效果进行了分析;最后,对不同内外圈相对倾斜量情况下对数修形的效果进行了分析。研究结果表明:以轴承最大接触应力最小为优化目标和以国际标准ISO/TS 16281寿命最长为优化目标的轴承对数修形,其最佳修形量不同,相应的ISO/TS 16281寿命有很大不同;在该轴承的具体条件下,以ISO/TS 16281寿命最长为优化目标的最佳修形凸度量对应的ISO/TS 16281寿命比以最大接触应力最小为优化目标的最佳修形凸度量对应的ISO/TS 16281寿命长2.39%~10.63%;以ISO/TS 16281寿命最长为优化目标的最佳修形凸度量对应的ISO/TS 16281寿命比未修形的ISO/TS 16281寿命长111.47%~1054.88%,建议以ISO/TS 16281寿命最长为优化目标对轴承进行修形优化设计。该研究结果可为滚子类轴承的优化设计提供参考。

基于数据映射和胶囊网络的轴承故障诊断方法

传统深度学习模型自适应提取振动信号故障特征,实现端到端轴承故障诊断。然而,振动监测信号为非常复杂的非稳态时序信号,若深度网络直接以原始振动信号为输入,数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的为降低故障信号之间强非线性耦合作用,解决卷积神经网络对空间约束信息丢失的问题,提升轴承故障诊断性能,方法本文提出一种基于数据映射和胶囊网络(capsule network,CapsNet)的轴承故障诊断方法。首先,将图像处理领域中具有细化颜色特征能力的颜色空间模型(color names,CN)引入故障数据预处理中,将原始低维空间数据映射至高维空间,提升故障数据空间区分度;其次,针对映射后数据维度较高且具有一定冗余,影响故障诊断效率的问题,引入主成分分析(principal compo⁃nent analysis,PCA)法提取故障数据主元信息,降低数据维度;最后,考虑到胶囊网络有效提取空间约束信息的能力,将CapsNet作为故障诊断的骨干网络对故障特征进行识别和分类。结果使用CWRU、XJTU-SY数据集对该方法进行验证,实验结果表明,该方法在两种数据集上故障诊断准确率均达98%以上,与其他基于深度学习的故障诊断方法进行对比,该方法的诊断性能具有一定优势。结论本文方法可对故障数据进行有效解耦,提升数据之间的空间区分度,获得较高的轴承故障诊断精度。

滚动球轴承局部故障引起滚珠负载振荡性分析

为深入剖析滚动球轴承局部故障对轴承整体振动特性的影响,利用Hertz接触理论构建了转子偏心力激励下的球轴承-转子系统动力学数字仿真模型,并结合深沟球轴承外圈、内圈、滚珠的局部故障引起的轴承间隙变化,推演了滚珠与各类故障区域间的冲击激励响应方程。在此基础上通过分析单点损伤引起的滚珠内部接触负载变化,揭示了单个滚珠接触应力对相邻滚子负载与系统整体振动特性的影响规律。通过分析轴承转动过程中有效承载滚珠个数的变化情况,建立了的滚珠负载占比时间对故障冲击振荡幅值的影响关系。分析结果表明,滚珠与故障区域的接触分离会使其负载发生振荡,且各故障状态下的振荡频率都为系统共振频率;在2个等效承载滚珠上的运转时间占比越大,故障冲击振荡的强度越大;各类型早期故障状态下的Poincaré映射点的保持在相同幅值附近;当局部故障程度增大到一定程度时,系统振动混沌特性增强,振动幅值相应增大。

基于混合域残差注意力网络的滚动轴承智能故障诊断方法

机械设备正朝着大型化、精密化和自动化的方向发展,机械系统也因此变得越来越复杂。考虑到机械系统可能会发生无特征的灾难性故障,因此机械故障的自动检测是一个巨大的挑战。然而,现有的故障检测方法在对高度复杂的工业系统进行故障类型识别时,误诊率较高,无法给出准确的故障诊断结果。针对这一问题,本文以滚动轴承这一机械设备关键部件作为研究对象,提出一种基于混合域残差注意力网络的故障诊断方法,旨在结合深度卷积神经网络自动学习表示的优点,并配合通道注意力机制和空间注意力机制的关键特征提取能力,提高故障检测性能。实验结果表明,所提出的方法能够准确地检测轴承故障类型,在准确度指标方面优于其他方法。

基于格拉姆角场和PSO-CNN的滚动轴承故障诊断方法

针对卷积神经网络的结构对滚动轴承故障诊断精度有较大影响的问题,提出一种基于格拉姆角场和粒子群优化卷积神经网络结构的故障诊断方法。采用格拉姆角场对一维轴承振动数据重构,保留原始数据信息的同时包含了时间相关性;采用粒子群优化算法对编码后的卷积神经网络结构迭代寻优。利用西储大学的轴承数据集进行试验验证,试验结果表明,该方法可自适应生成网络结构,平均诊断精度为99%,相对于其他主流卷积神经网络结构可以获得更好的故障诊断精度。

基于时频图与视觉Transformer的滚动轴承智能故障诊断方法

基于循环神经网络的故障诊断方法在计算过程中难以保存间隔时间过长的信息且无法并行计算,在大型数据建模方面存在不足,为提高轴承故障诊断工作的效率及准确性,提出了一种基于短时傅里叶变换时频图与视觉Transformer(ViT)的轴承故障诊断方法:通过短时傅里叶变换将原始振动信号转换为二维时频图像,再将时频图作为特征图输入ViT网络中进行训练,详细分析网络参数对故障诊断性能和计算复杂度的影响,构建最优模型结构,最终实现轴承的故障诊断。采用凯斯西储大学和江南大学轴承数据对模型进行验证,结果表明该模型可以有效结合短时傅里叶变换在处理时变信号方面的优势和ViT网络强大的图像分类能力,具有更高的诊断精度和更好的泛化性、通用性。

GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。

基于分形理论的角接触球轴承刚度建模

角接触球轴承广泛应用于机床、自动化设备等领域,但是对角接触球轴承中刚度的研究却少之又少。对于现有文献中的模型而言,未考虑接触参数如表面粗糙度对刚度的影响关系。这里在角接触球轴承刚度分析的基础上,提出了一种基于分形理论来计算轴承刚度的模型,这里建立的角接触球轴承刚度模型能够考虑接触参数对刚度的影响。结果表明,角接触球轴承中的轴向载荷和刚度在不同表面粗糙度下是相互影响的。此外,该模型通过与其他文献的模型相比较,对比结果表明了该模型的有效性。

温湿度对多孔含油胶木保持架性能的影响

研究了温湿度对多孔含油胶木保持架的含油率、尺寸和拉伸强度等关键指标的影响规律,结果表明:随温度升高,多孔含油胶木保持架出现一定程度的出油现象,保持架含油率降低,含油率下降速率与保持架初始含油率和孔径有关,尺寸变化率不大于0.1%,拉伸强度变化浮动在1%以内;多孔含油胶木保持架在高湿度环境下吸湿后,内外径均有所增大,尺寸变化率不大于0.2%,拉伸强度降低率不大于3%;高湿度对多孔含油胶木保持架尺寸和拉伸强度的影响大于温度。

少量样本下基于PCA-BNs的多故障诊断

针对一些工业设备因有标签故障样本数据少而导致诊断准确率低的问题,提出了一种PCA-BNs主成分分析和斯网络(principal component analysis-Bayesian networks, PCA-BNs)结合的多故障网络模型的建模方法。通过PCA对时序信号进行降维,得到相互独立的故障特征,提高提取故障关键信息的能力;利用融合单故障贝叶斯网络构建多故障贝叶斯网络结构的方法,解决BN建模过程耗时的问题;通过高斯分布与极大似然估计结合的方法确定网络参数,提高少量数据BN建模的精度,实现在少量样本下的故障诊断。试验结果表明,基于PCA-BNs的故障诊断方法在少量样本条件下,能实现高精度的故障诊断,并且有效缩减了算法运行时间。

深沟球轴承塑料保持架的联合仿真优化

为改善深沟球轴承塑料保持架的注塑变形问题,以锁口端部收缩值为优化评价指标,采用模流分析对保持架浇口数量、加强筋形状以及玻纤含量进行优化选择,通过Minitab软件设计响应曲面试验并结合分类回归树(CART)模型获得注塑工艺参数的最优预测组合。结果表明,优化后锁口端部收缩值由2.461 mm降至1.092 mm,下降55.63%,保持架注塑变形问题得到明显改善。再基于Helius联合仿真对保持架的熔接痕强度进行分析,将模流分析结果映射到ANSYS并通过结构求解器进行运算,证明了优化后的深沟球轴承塑料保持架无失效风险,熔接痕处强度满足要求。