基于声信号的工业设备故障诊断研究综述

为了保证工业生产过程的安全稳定运行,采取合理的故障诊断具有十分重要的意义和价值。因此,工业设备故障诊断一直是工业领域的研究热点。阐述了故障诊断的意义,并指出基于声信号进行故障诊断的可行性和优势。根据有无深度学习的参与,将基于声信号的故障诊断方法分为基于传统和基于深度学习两种类型;分别梳理了两类故障诊断方法的流程与思路,阐述并归纳了两类方法中典型算法的原理、优点、局限性、主要方法及诊断效果。最后,指出了当前工业设备故障诊断领域的研究难点、热点以及未来发展方向。

基于跳跃连接-CNN-BiLSTM的轴承故障诊断

针对轴承故障数据含有噪声等无关成分及大部分轴承故障诊断方法不能充分利用故障数据的问题,文中提出一种基于跳跃连接-卷积神经网络-双向长短时记忆网络的故障诊断模型。利用短时傅里叶变换将原始振动信号转化为二维时频图像,用卷积神经网络和长短时记忆网络分别提取时频图像的空间和时间特征,并结合全连接层实现分类。添加软阈值注意力和跳跃连接结构,并滤除无关成分可充分利用不同网络层级的输出特征。采用MFPT(Machinery Failure Prevention Technology)轴承数据对所提诊断模型进行验证,实验结果表明该模型能够实现99.79%的故障识别准确率。