用聚类与插值改进深度学习算法实现变工况轴承故障诊断

针对基于深度学习轴承故障诊断模型由于工况因素导致诊断效果不佳的问题,提出了一种用聚类与插值(Clustering and interpolation,CAI)改进深度学习算法实现变工况轴承故障诊断的方法。首先,采用有限元法仿真多工况、多故障类型的轴承振动信号数据,获取足够样本;然后,完成宽卷积核深度卷积神经网络(Deepconvolutionalneuralnetworks with widekernel,WDCNN)模型构建,并利用任一工况下的数据完成模型训练;最后,利用CAI算法统一其余工况数据的转速信息,调用WDCNN模型完成对其余工况样本的故障诊断。结果显示,WDCNN模型对训练数据所属工况故障诊断准确率达99.9%,对经过CAI算法处理其他工况数据故障诊断识别率分别为98.7%、99.2%,是一种简单、准确有效、泛化能力强的故障诊断方法。

基于ACGAN和模型融合的电机轴承故障诊断方法

电机轴承疲劳试验成本较高和故障数据不足导致利用机器学习等人工智能算法进行故障诊断时效果不佳。另外,单一模型对电机轴承故障诊断的准确率也较低。为解决这两个问题,提出了一种结合辅助分类器生成对抗网络(ACGAN)和模型融合的电机轴承故障诊断方法。首先将采集到的振动数据转换为二维灰度图,对每个灰度图添加标签后输入ACGAN模型,生成大量与原始数据高度拟合的新样本。然后将新样本与原始样本混合,经数据降维后输入由6个基学习器和1个元学习器融合而成的模型中。最后由融合模型输出诊断结果。试验证明,ACGAN和模型融合能有效提高电机轴承故障诊断的准确率。

基于DMD和改进胶囊网络的变工况轴承故障诊断方法

针对轴承单一传感器所测数据存在不全面性和简单利用多传感器数据造成数据过多的问题,引入动态模态分解(DMD)的信号分解方法,将多传感器信号分解为多个模态,并提出利用能量值最大的模态对原始信号进行重构;针对变工况的问题,首先引入含有矢量神经元的胶囊网络(CN),然后提出在胶囊网络中加入转置卷积,构建改进的胶囊网络模型(ICN)充分提取输入数据的空间信息,对故障特征进行智能识别。基于DMD和ICN的轴承故障诊断方法既可以利用多传感器信号,同时也不会造成数据冗余;此外,ICN可以充分提取不同数据的空间信息,并通过动态路由算法计算胶囊层的相关度,实现在变工况下对轴承故障的精确诊断。实验结果表明,基于DMD和ICN模型的轴承智能故障诊断方法,比传统卷积神经网络(CNN)和未改进的胶囊网络具备更强的变工况故障诊断能力。

VMD和SO优化SVM的光纤复合海缆故障诊断研究

为了进一步提高光纤复合海底电缆的故障诊断准确率,提出了基于VMD及SO优化SVM的故障诊断方法。首先,使用VMD对故障数据进行分解,得到若干条IMF分量并利用皮尔逊相关系数做进一步筛选。其次,对筛选得到的IMF分量进行特征提取,分别提取各分量的峭度、近似熵及模糊熵。最后,将上述特征值构成的特征向量输入经SO优化的SVM中进行训练及分类,得到故障诊断结果。实验结果表明,采用本文提出的基于VMD和SO优化SVM的故障识别方法,光纤复合海底电缆的故障识别准确率达到了100%,分别比SVM、GA-SVM、GWO-SVM、CNN方法的识别准确度高7.5%、5%、5%、7.5%。