基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型.采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别.对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%.不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.

DA-LM算法在MEMS加速度传感器误差校正中的应用研究

针对随钻测斜(Measurement-While-Drilling,MWD)技术中,微机电系统(Micro-Electro-Mechanical System,MEMS)三轴加速度计存在零点偏差、刻度因子误差、三轴非正交及与载体的未对准误差,造成姿态解算精度较低的问题,提出通过蜻蜓算法Dragonfly Algorithm(DA)及Levenberg-Marquardt(LM)联合校正误差参数的DA-LM算法。基于加速度计误差来源,建立加速度传感器线性误差模型并转化为椭球方程;由DA优化椭球参数实现全局寻优;再经推导得到新的校正目标函数并通过LM算法估计误差参数;最后利用本文所提对准策略实现加速度计与载体的对准。依据仿真实验,DA-LM算法可以精确估计加速度误差参数。通过双轴转台实验获取实验数据,校正前横滚角与俯仰角最大绝对误差分别为:0.86°和4.87°,校正过后分别降低为0.26°及0.49°。结果表明本文提出算法能正确补偿加速度计误差参数,姿态解算精度明显提高。