基于纹理图像的强抗干扰性轴承故障诊断方法

针对传统时频分析与卷积神经网络(CNN)结合的轴承故障诊断模型抗噪性能差的问题,提出了一种能高效提取振动信号特定频段信息并具有强抗干扰性的卷积神经网络模型。根据轴承型号与运行状态自适应地将一维振动信号转换为二维卷积神经网络善于处理的纹理图像,然后将其输入首层超大卷积核的强抗干扰卷积神经网络中进行训练。抗噪和故障定位试验结果表明:改进CNN模型结构相对精简,便于训练与实际应用,在信噪比-4 dB的加噪信号上能取得97.28%的准确率,相较于该领域现有模型具有更高的故障识别率与抗噪性,而且具有较好的故障定位能力。

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。

基于CEEMDAN自适应小波降噪与卷积神经网络的齿轮箱故障诊断研究

噪声情况下精确地对齿轮箱进行故障诊断是齿轮箱故障诊断的难题。为了解决该难题,采取自适应小波对自适应噪声完全集合经验模态分解(CEEMDAN)分量进行分解降噪与重组,并提出卷积神经网络(CNN)结合Inception模块的一维卷积神经网络(BICNN)提取重构信号的基本数字特征,同时使用长短期记忆提取BICNN所提取到的特征之间的相关性特征,对齿轮箱进行故障诊断研究。诊断结果表明:所提出的方法具有较高的抗噪声能力,并且齿轮箱在受到-4 dB噪声干扰的情况下,所提出的方法仍然可以获得99.63%的训练精度。

基于CEEMDAN与神经网络的框架结构故障诊断研究

为了解决框架结构受噪声影响较大而难以对其进行精确故障诊断的问题,文中提出一种基于CEEMDAN(Complete Ensemble Empirical Mode Decomposition with Adaptive Noise Analysis)与神经网络相结合的框架结构故障诊断方法。该方法首先通过小波分解与重构滤除振动信号中的低通噪声信号与部分低通特征信息;然后,采用CEEMDAN对重组信号进行模态分解,将重组信号中剩余的特征信息进行突显形成组合信号;最后,采用WDCNN(First Layer Wide Convolution Kernel Deep Convolution Neural Network)提取组合信号中的数字特征,同时采用LSTM(Long Short⁃Term Memory)提取组合信号之间的相关性信息并进行分类。另外,采用向原始振动信号中添加不同信噪比噪声的方法进行对比实验。结果表明,所提方法在信噪比为-4 dB时仍然可以达到99.97%的正确率,并且目标函数值降到10-4级别。所提出的框架结构故障诊断方法可以对噪声情况下的框架结构做出精确的故障诊断,能够为框架结构故障诊断提供一种新方法。