基于SAMNV3的滚动轴承智能故障诊断方法

滚动轴承是机械设备的关键部件,为了对滚动轴承的故障类别进行有效识别,提出了一种融合自注意力机制(Self-Attention,SA)和轻量级网络MobileNetV3的SAMNV3滚动轴承智能故障诊断模型。利用该模型中自注意力机制对特征进行自适应加权的优点以及轻量级网络MobileNetV3体积较小的优点,通过直接将两个不同数据集的原始振动信号输入SAMNV3模型中,进行故障的特征提取与识别分类,从而实现端到端的滚动轴承智能故障诊断。在两种不同的数据集上进行验证,结果表明该模型具有较高的准确率和较低的计算复杂度,可以有效提高滚动轴承故障诊断的准确性和可靠性。

一种采用SVD-Reformer的高精度滚动轴承故障诊断方法

引入Reformer对滚动轴承进行故障诊断时,存在精度和效率都很低的问题。针对上述问题,引入了奇异值分解(SVD)方法和全连接层网络对Reformer进行了改进处理,提出了一种高精度和高效率的SRFC新方法。首先,利用SVD对所输入长序列信号数据压缩成不同的小数据段,并进行消噪处理;其次,利用并行的Reformer对上述小数据段进行细节故障特征提取;再次,利用全连接层网络调整上述特征信息大小,并将其融合为一体;最后,将上述特征信息作为输入,利用另一种全连接层网络实现故障诊断。经过实测滚动轴承故障信号分析可知,所提SRFC新方法的精度高达96%,比原算法Reformer提高了12.94%,与Transformer相当;所提SRFC新方法的运行时间低至6.36 s,分别比原算法Reformer和Transformer降低了95.73%和96.93%。因此,所提SRFC新方法在精度和效率方面具有优越性。

基于深度对比迁移学习的变工况下机械故障诊断

机械设备实际运行中的工况具有时变性,这加剧了源域(训练集)和目标域(测试集)数据之间的分布差异,因而导致智能故障诊断模型的性能下降。提出了一种基于深度对比迁移学习的方法,可用于机械设备变工况下的故障智能诊断。利用多层卷积块作为模型前置特征提取器,能够有效提取原始振动数据的代表性特征,提升故障分类器和域判别器的诊断性能。将前置特征提取器提取的特征传递给特征融合器,特征融合器提炼并联接局部感受野和全局感受野卷积特征,增强模型特征表达能力。将特征融合器提炼的特征用于故障分类器和域判别器诊断不同工况下的机械故障,并在故障分类器中使用Wasserstein距离度量源域和目标域数据的差异,基于互信息噪声对比估计提出用于工况区分的互信息对比域判别器,提高模型的迁移诊断性能。将所提方法用于诊断变工况下不同类别的轴承、齿轮故障。结果表明,所提方法能够有效实现变工况下轴承、齿轮故障的迁移诊断。

基于log-SAM改进Autogram的滚动轴承故障诊断

针对Autogram算法中的无偏自相关方法所得包络结果受到强噪声污染,导致无法有效地对滚动轴承进行故障诊断问题,提出改变原算法内部处理流程,同时将无偏自相关方法替换为log-SAM方法,形成一种改进Autogram算法。首先,对实测滚动轴承振动信号进行最大重复离散小波包变换分解(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT),在不同分解层数形成一系列小波包子信号;其次,对小波包子信号求取谱峭度,并筛选最大谱峭度值所对应的子信号作为数据源;最后,对数据源进行阈值处理,进而将log-SAM替代无偏自相关方法进行包络分析,实现最优故障诊断。针对滚动轴承内圈仿真故障信号和实测故障信号,实验表明,改进Autogran算法具有良好的去噪能力和诊断效果,且较原Autogram算法和其他传统方法均更具有效性和优越性。

基于SGMD线性峭度和log-SAM的滚动轴承故障诊断方法

对数-频谱振幅调制(log-SAM)方法容易受到强噪声影响,基于辛几何模态分解(SGMD)方法所得分解结果中故障特征信息分散,传统峭度也容易受噪声中的随机冲击干扰。针对上述问题,提出一种基于SGMD、线性峭度和log-SAM相结合的新方法。首先,对滚动轴承振动信号进行SGMD分解,得到众多分量;其次,基于最大线性峭度,筛选具有丰富特征信息的分量作为数据源;最后,对数据源进行log-SAM分析,实现最优故障诊断。通过分析滚动轴承仿真信号和实测滚动轴承内圈故障信号,证实所提方法具有更好的抑噪能力和诊断效果。

基于SGMD-Autogram的液压泵故障诊断方法研究

辛几何模态分解方法(Symplectic Geometry Mode Decomposition,SGMD)存在特征信息分布过于分散问题、Autogram方法中的最大重复离散小波变换(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT)存在特征提取能力不足问题,针对上述两问题,提出了基于SGMD-Autogram的新方法。对实测液压泵多模态故障振动信号进行SGMD分解;针对分解后产生的特征信息分布过于分散问题,提出基于最大无偏自相关谱峭度法,筛选含有丰富运行特征信息的模态分量为数据源,进而取代MODWPT,实现最优故障特征提取;对数据源进行阈值处理,并基于频谱实现对液压泵故障的诊断。通过对比分析仿真和实测液压泵斜盘故障振动信号,验证了该方法可以有效地诊断斜盘故障。