基于多组合分类器的汽车变速箱故障诊断

针对于汽车变速箱故障特征信号微弱,且难以对故障类型识别问题,提出了基于多组合分类器的故障诊断方法。首先该方法将原始振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)、变分模态分解(Variational Mode Decomposition,VMD)以及提升小波变换(Lifting Wavelet Transform,LWT)进行分解得到多个分量信号,再在对每个分量信号求取特征参量组成特征向量集,输入到K近邻分类器(k-Nearest Neighbor,kNN)、逻辑回归分类器(Logical Regression Multi-Classification,LRMC)以及随机森林分类器(Random Forest,RF)中,以此判断故障类型。最后经过汽车变速箱故障模拟试验台的数据验证,经过分类器性能评价指标验证,基于LWT-RF模型的故障诊断方法具有最高的准确率、精确率、F1-score。

基于一维卷积神经网络的齿轮箱故障诊断

传统故障诊断方法通常需要先人工提取特征再用模式识别方法进行分类,难以解决端到端故障诊断的问题,为此,提出了一种利用一维卷积神经网络的齿轮箱故障诊断模型。其特点是可以直接从原始振动信号中学习特征并完成故障诊断。采用PHM 2009 Challenge Data和某型坦克变速箱的复合故障数据对三种传统模型和一维卷积神经网络模型进行测试,结果表明,1-DCNN模型对单一和复合故障诊断准确率均高于传统诊断方法。

深度学习在旋转机械设备故障诊断中的应用研究综述

旋转机械设备的故障诊断对现代工业系统的可靠性和安全性起着重要作用。近年来深度学习发展迅速, 许多研究人员将其应用到旋转机械设备故障诊断中。首先回顾深度学习的发展历程,然后重点介绍自编码器、深度置 信网络、卷积神经网络、递归神经网络、生成式对抗网络等深度学习模型的原理以及在本领域的应用现状,最后探讨当 前面临的挑战以及未来的发展趋势。

一种有效的不均衡样本生成方法及其在行星变速箱故障诊断中的应用

针对实际运行中行星变速箱故障数据较少、各个状态样本不均衡的问题,提出了由Wasserstein生成式对抗网络(WGAN)样本生成模型和卷积神经网络(CNN)分类模型组合的WGAN-CNN故障诊断分类模型。该模型对故障数据的频谱信号进行过采样,以扩展故障样本数量,从而更好地对故障状态进行分类。采用加州大学欧文分校人工数据集对WGAN生成模型以及经典过采样方法进行对比,并在行星变速箱故障试验台上进行验证。结果表明,样本不均衡会严重影响分类结果,而WGAN-CNN模型可以很好地扩充故障样本集,提高在故障样本稀少情况下的诊断准确率。