基于自适应深度残差网络的旋转机械故障诊断方法

针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。

基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

基于注意力机制的互特征融合旋转机械故障检测技术

旋转机制在生产生活中的应用愈加广泛;但旋转机械存在应用环境较为复杂,生产环境恶劣,各部件相互影响,单一信号无法完整表现故障特征等问题;针对此问题,研究根据注意力机制构建卷积神经网络,在网络结构中引入自注意力模块,采用多信号源进行数据提取,将不同信号特征互补融合并构建旋转机械故障检测模型,同时使用傅里叶变化进行数据优化;实验结果表明,构建模型的故障分类准确率为99.92%,比第二优的算法高出1.89%,故障检测精度达到了99.64%,数据进行傅里叶变换后的检测精度平均提升了17.32%;由此可得,构建的故障检测模型能够有效提取并融合不同数据采集的故障特征,大幅提升旋转机械的故障检测精度,且将数据特征融合模块加入模型中能够有效减少单独计算的运行成本,提高运算速度,减少因机械故障产生的生产安全事故。

工业大数据环境下旋转机械智能故障诊断技术研究

针对旋转机械故障诊断精度较低的问题,提出利用工业大数据对旋转机械的故障进行智能化诊断.研究利用工业大数据对旋转机械的状态进行评估,并且采用深度学习对机械的健康程度进行诊断、监测,对工业大数据环境下的旋转机械诊断的发展趋势进行分析,促使机械故障诊断正式进入大数据时代,实现故障诊断的智能评估.

无量纲与SVM的石化机组旋转机械故障诊断方法

针对石化机组旋转机械故障信息存在非线性、重叠性等特点,提出一种无量纲与支持向量机(Support Vector Machine,SVM)的石化机组旋转机械故障诊断方法。首先对采集的振动信号进行分析并将其无量纲化;接着通过特征选择选取高价值与敏感性强的无量纲特征,降低分类模型复杂度并提高算法速度;最后通过选取合适的SVM分类模型进行分类诊断。结合具有无量纲特征的故障敏感性与SVM的非线性分类性进行诊断分类,并通过石化机组故障诊断实验平台进行验证,表明该方法相比于其他经典分类方法分类效果更好,分类正确率为99.1%,证明了方法的有效性。

旋转机械健康状态评估方法研究现状与展望

旋转机械是机械装备的重要组成部分,其内部结构复杂度高,关键零部件与子系统之间耦合度强,长期在复杂工况下运行易发生故障.一旦发生故障,会导致整机性能下降,甚至造成重大经济损失或人员伤亡.因此,旋转机械健康状态评估研究已成为现代国防与工业装备发展中的重点之一.从旋转机械的健康管理与智能运维需求出发,首先,论述了健康状态评估在机械设备智能运维中的地位和作用;其次,介绍了健康状态评估技术的概念、状态等级的划分以及评估指标;再次,阐述了基于知识经验、模型驱动和数据驱动的典型评估方法;进而,综述了近年来国内外学者在泵、轴承、齿轮箱和航空发动机等典型旋转机械健康状态评估方面的研究成果;最后,基于健康状态评估方法研究面临的技术挑战和发展趋势,对旋转机械健康状态评估方法的发展方向进行了探讨和展望.

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘(Hyperdisk,HD)对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器(Deep Hyperdisk Large Margin Classifier,DHD),该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。

无监督域适应迁移学习在旋转机械故障诊断中的应用

故障诊断在旋转机械领域具有重要的意义,而深度学习和迁移学习的发展为提高故障诊断的准确性和鲁棒性提供了新的途径。针对旋转机械故障诊断问题,提出了一种基于深度对抗神经网络(domain-adversarial neural network, DANN)和多核最大平均差异(multiple kernel maximum mean discrepancy, MK-MMD)的无监督域适应迁移学习方法。首先,收集了源工况和目标工况下的振动信号数据并通过快速傅里叶变换(fast Fourier transform, FFT)转化为频域信号。然后,构建了一个ResNeXt-50特征提取器,并使用DANN和MK-MMD方法进行特征映射和域适应,从而实现源工况到目标工况的迁移学习。试验结果表明,该方法能提高对故障特征的识别精度,且在不同工况下的迁移试验中具有更好的鲁棒性。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

固有成分滤波器的旋转机械故障诊断方法

针对噪声环境下旋转机械微弱复合故障诊断问题,提出了一种强噪声干扰下基于固有成分滤波器(intrinsic component filtering,简称ICF)的旋转机械故障检测和分离方法。ICF通过最小化样本间特征的L1/2范数和样本内特征的L3/2范数来实现样本之间特征的一致性和样本内部特征的稀疏性,并训练出最优滤波器组,是一种无监督多维盲解卷积算法。首先,构建输入信号的Hankel训练矩阵,通过权值矩阵与Hankel矩阵的乘积模拟卷积过程,再利用固有属性滤波器实现特征学习;其次,通过峭度信息选择最优滤波器;最后,根据滤波后的时域波形和包络谱实现故障诊断。仿真和试验信号验证了提出方法的故障诊断性能,研究结果表明,提出的方法无需任何先验经验,可以实现强噪声环境下的微弱故障的分离,同时具备很好的鲁棒性。

变转速极低标签率下旋转机械故障诊断的图注意力网络

在极低标签率情况下,现有的图神经网络(graph neural network,GNN)在图构造时存在节点间的关联信息挖掘不充分等问题。工业生产中,旋转机械常工作在变转速工况下,且标记故障样本代价高昂。针对上述两个问题,基于JS(Jenson-Shannon)相对熵和动态图注意力网络(dynamic graph attention network,DGAT),提出了一种熵-图注意力网络,并将其应用于极低标签率下变转速工况的旋转机械半监督故障诊断中。首先,设计了基于JS相对熵的图构造方法,用于充分挖掘GNN中样本间的关联信息。其次,构建基于熵-动态图注意力网络的半监督学习模型,通过动态注意力机制进一步挖掘样本中故障敏感特征。最后,将所提方法在变转速工况下轴承和齿轮箱数据集上进行验证,结果表明所提方法能够在标签率不超过1%的极低情况下准确诊断出旋转机械的不同故障类型,且性能优于其它常用的图神经网络。

基于FAST算法的核动力旋转机械故障诊断

基于FAST算法设计了核动力旋转机械故障诊断方法。提取候选区故障特征,在卷积层内输出候选区向量,通过计算图像尺寸得到候选区内故障特征函数值;基于FAST算法标记旋转机械故障点,对最大池化值与最小池化值进行计算,得到标准层的梯度收敛情况;设计了核动力旋转机械故障诊断算法,得到旋转机械故障诊断方法。对比4种不同旋转机械故障诊断方法的实验结果可知,针对6种不同的故障特征,基于FAST算法的核动力旋转机械故障诊断方法的对数似然率均为最大,诊断准确率更高。

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

旋转机械故障诊断中的振动信号模型综述

对旋转机械振动信号进行信号处理,能够有效提取特征进行故障诊断。振动信号模型来自旋转机械运动学和动力学机理,以数学形式表达,可以指导信号处理方法的设计。随着故障机理研究和信号处理方法研究的推进,研究人员对信号模型进行了发展,并基于这些信号模型设计了相应的信号处理方法。首先,介绍了一般化的信号模型,包括周期信号模型、循环平稳信号模型、自适应谐波模型、波形函数模型、任意阶谐波模型等,以及对应的信号处理方法;其次,分别介绍定工况和变工况条件下针对轴承和齿轮的典型振动信号模型及对应信号处理方法;最后,对振动信号模型的研究发展进行总结和展望,旨在回顾旋转机械故障诊断所涉及的信号模型,并说明其在信号处理算法设计和故障诊断特征提取中的价值和意义。

基于LWKConv-DRSN-FPN的旋转机械故障诊断

针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题,提出一种Laplace小波核卷积层(Laplace Wavelet Kernel Convolutional Layer,LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)和特征金字塔网络(Feature Pyramid Networks,FPN)相结合的故障诊断方法。具体地,在DRSN模型结构基础上,构造LWKConv,通过更新尺度因子和平移因子,多尺度提取故障引起的突变冲击特征;引入FPN融合深层和浅层特征,提高模型对浅层细节信息的利用程度,实现对旋转机械的故障诊断。研究表明:所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100%,尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75%,能有效提取突变冲击特征,具有较好的通用性和抗强噪声干扰能力。

复合多尺度注意熵在旋转机械多工况损伤识别中的应用

针对传统旋转机械损伤识别方法存在模型精度低和抗噪性差的问题,提出了一种基于复合多尺度注意熵(CMATE)和随机森林(RF)的旋转机械多工况损伤识别方法。首先,提出了一种新的测量时间序列复杂度的非线性动力学工具——复合多尺度注意熵;然后,利用CMATE提取旋转机械振动信号的损伤特征,其表征了旋转机械不同工况下的损伤特性;接着,将损伤特征输入至基于随机森林构造的多类别分类器中,进行了损伤识别;最后,采用滚动轴承-齿轮箱、齿轮箱和离心泵3种旋转机械数据集,并分别构造了9种工况和20种工况的多工况损伤数据集,对该损伤识别方法进行了实验研究。研究结果表明:该旋转机械损伤识别方法分别取得95%、97%和100%的识别准确率,在准确率和特征提取效率两方面优于其他的非线性动力学工具;并且在0 dB、1 dB、2 dB和3 dB这4种不同信噪比的噪声干扰下,依然取得了不错的损伤识别结果,证明了该模型具有可观的抗噪性;同时,该损伤识别方法能够稳定地识别旋转机械的不同负载和转速下的损伤,平均识别准确率分别达到了97.2%和93.5%,具有较好的实际应用潜力。

基于坐标注意力机制的旋转机械故障诊断

旋转机械故障诊断在工业领域具有重要意义。本研究提出了一种基于坐标注意力机制与迁移学习的旋转机械故障诊断方法。为了捕捉旋转机械的故障信号在时频域的特征,运用连续小波变换将原始信号转换为小波时频图。然后,引入基于坐标注意力机制的模型,该机制能够自适应地学习不同位置的特征权重,提升了故障特征的辨别能力。通过在预训练阶段和微调阶段对网络进行训练,实现了模型在不同工况下的迁移学习,提高了模型的泛化能力。实验结果表明,该方法在旋转机械故障诊断中取得了显著的性能提升。相较于传统故障诊断方法,基于坐标注意力机制的模型在故障识别准确率方面取得了明显的提高。同时,通过迁移学习,该模型在不同工况下均表现出较好的性能,证明了其泛化能力和适应性。

基于随机LSTM块映射特征提取的旋转机械故障诊断方法

针对旋转机械失效机理复杂,特征信息差异大,导致的传统诊断模型依赖先验知识,准确率低,适应性差的难题.提出一种基于随机量化数据增强-随机LSTM(Long Short Term Memory)块映射特征提取-随机配置网络(Randomized Quantization-Randomized LSTM Block Mapping Method-Stochastic Configuration Network,简称RQ-RLBM-SCN)的旋转机械故障诊断方法.首先,为了解决失效机械特征信息小子样,训练样本不足的难题,使用随机量化数据增强将多传感器原始数据样本进行扩充,从而提高模型的适应性、准确率和缓解过拟合问题.其次用随机LSTM块映射方法来提取特征,解决SCN不擅长提取时序数据特征难的问题;然后使用随机配置网络(SCN)进行分类,SCN可以动态配置参数,无需反向传播来更新参数,在保证学习率的同时,还有效的避免梯度爆炸或梯度消失等问题.采用RQ-RLBM-SCN方法能准确识别出轴承和齿轮故障,在10次重复实验中,轴承和齿轮的多传感器数据集上的平均准确率分别达到99.80%、98.75%均高于原始SCN、TSC-SCN、VMD-SCN、SVM和KNN故障诊断方法;该方法可以为建立旋转机械的健康监测模型提供动态方法和诊断思路.

一种旋转机械综合故障检测和模式识别模型

针对传统故障诊断方法只关注故障检测部分,而对样本是否存在故障的研究较少的问题,提出了一种基于自适应噪声完备经验模态分解(CEEMDAN)-注意熵(AE)和黏菌算法优化极限学习机(SMA-ELM)的旋转机械综合故障诊断模型。首先,针对正常样本和故障样本的复杂性差异,建立了注意熵阈值,计算旋转机械的AE,并将其与阈值进行了比较,若熵值小于该阈值则表明样本存在故障,反之样本是健康的;然后,利用CEEMDAN对故障样本的振动信号进行了分解,提取前6阶分量的AE值;最后,将故障特征输入至SMA-ELM模型中进行了故障识别,利用3种旋转机械故障数据集对该综合故障诊断模型的可靠性进行了研究。研究结果表明:该阈值设置方法可以100%准确地检测样本是否存在故障,后续的故障诊断模型能够准确地检测出样本的故障类型,识别准确率分别达到了99.44%、100%和98%。该综合故障诊断模型能够避免正常样本被误判为故障样本,为旋转机械的故障检测提供了一种可行的思路。

旋转机械压液式自动平衡执行器流场仿真和性能参数分析

介绍了一种新型压液式在线自动平衡系统,基于Fluent软件,对执行器内部流场进行模拟仿真和性能参数分析,得到相关结论。实验结果表明,平衡液转移过程中,液体黏度10cSt比黏度100cSt时响应更快,为后续优化提供方向;转子不平衡振幅从18.3μm降低至10.6μm,验证了平衡系统的有效性。