基于改进麻雀搜索算法优化LSTM的滚动轴承故障诊断

为了对滚动轴承的工作状态及故障类别进行准确的诊断,本文采用长短时记忆(LSTM)神经网络作为分类器对滚动轴承数据集进行分类诊断。首先,从滚动轴承原始运行振动信号中提取时域和频域特征参数,组成具有高维特征参数的数据集;使用核主成分分析(KPCA)方法对高维特征集进行降维处理,选取重要性程度高的特征构成输入特征向量。然后,针对LSTM神经网络在滚动轴承故障诊断中存在的超参数难以确定的问题,提出一种基于自适应t分布策略的麻雀搜索算法优化LSTM神经网络的故障诊断方法(tSSA–LSTM)。最后,使用凯斯西储大学滚动轴承数据中心的数据进行故障诊断精度测试、泛化性能测试及噪声环境下故障诊断性能测试等多个仿真实验,并将本文提出的诊断模型与麻雀搜索算法优化长短时记忆神经网络(SSA–LSTM)、遗传算法优化长短时记忆神经网络(GA–LSTM)、粒子群算法优化长短时记忆神经网络(PSO–LSTM)及传统LSTM诊断模型进行对比。结果表明:tSSA可以更有效地对LSTM的隐含层神经元数量、周期次数、学习率等超参数进行合理优化;所提方法的平均诊断准确率达到98.86%,交叉验证平均诊断结果为98.57%;所提方法在噪声干扰下的故障诊断准确率也优于对比方法。因此,本文提出的tSSA–LSTM模型不仅可以更精准地诊断滚动轴承故障状态,而且具有更强的泛化能力及抗干扰能力,有效地提高了滚动轴承故障诊断的性能。

融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于格拉姆角场与深度卷积生成对抗网络的行星齿轮箱故障诊断

针对行星齿轮箱故障诊断中样本分布不均衡所引起的模型泛化能力差及诊断精度低等问题,采用格拉姆角场图像编码技术和深度卷积生成对抗网络相结合进行数据增强,融合AlexNet卷积神经网络进行故障诊断。将采集到的一维振动信号转化为格拉姆角场图,按比例划分训练集与测试集,将训练集样本与随机向量输入到深度卷积生成对抗网络模型中,交替训练生成器与判别器,达到纳什平衡,生成与原始样本类似的生成样本,从而实现故障样本的增广。用原始样本与生成的增广样本训练卷积神经网络分类模型,完成行星齿轮箱的故障识别。实验结果表明,所提方法能够有效提升样本不均衡条件下的行星齿轮箱故障诊断精度,使之达到99.15%,且能使收敛速度更快。

某钢筋混凝土栈桥的异常振动成因分析

为研究栈桥异常振动原因并对结构进行安全性评估,在缺失结构异常振动期间观测数据的情况下,基于现场检测、动力测试及数值仿真3种方式相结合,将导致异常振动的内因和外因逐一排查,筛选高可能性因素进行异常振动成因分析。研究表明,栈桥的异常振动是由水平承载系统的第2阶自振频率与激振频率共振以及托辊转速较小差异导致的“拍现象”综合导致。其中,托辊对栈桥产生的拉扯激振是导致其异常振动的主要因素。该研究成果可为类似水运工程结构的异常振动成因分析提供参考价值。

基于多模式仿真数据协同迁移的轴承故障辨识

针对目前迁移诊断算法对训练样本规模与质量的依赖性,以及在特殊工况环境中进行轴承故障数据采集与标注的困难性问题,提出基于多模式仿真数据协同迁移的轴承故障诊断方法。首先,采用实际工况参数嵌入的轴承故障动力学模型生成各类故障模拟数据,解决实际故障样本不足与标签缺失问题。然后,根据在仿真数据可迁移模式分析基础上建立多个子源域,引入几何统计联合对齐法对各子源域进行无监督迭代迁移,克服了单一模式迁移信息不足与跨域特征差异度过大引起的负迁移问题。最后,采用优化模糊积分决策融合方法对迁移迭代中的多模式特征伪标签进行协同分配,逐步提高目标域标签的可信度与迁移模型的域适应能力。试验结果表明,该文所提方法以故障仿真数据为驱动,无需实测标签数据的引导迁移,就可实现轴承各类故障的准确辨识。该方法对工况环境变化及目标域样本大小具有较好鲁棒性,在非完备数据支撑的高端轴承故障诊断领域具有较好应用前景。

基于知识图谱多集池化的健康状态智能评估方法

为了从装备传感器监测数据和其他关联数据中提取更全面的时间域和空间域特征信息,提出一种基于知识图谱多集池化的健康状态评估方法。构建了带时间标签的健康知识图谱,以建模装备一段时间内监测数据、部件组成数据和先验知识间的时空依赖关系。在此基础上,设计了图多集池化网络模型,该模型通过节点特征学习、第一级图池化、自注意力特征学习和第二级图池化能够生成图谱的整体向量表示,将健康状态评估转换为基于表示学习的图谱分类任务。在公开的发动机数据集上对所提方法进行了实验评价,结果表明,该方法能够获得较高的评估准确度,在小样本情况下也表现出良好的优势。

基于改进EfficientNet的红外图像光伏组件故障识别研究

光伏组件的故障会影响光伏阵列的输出性能,从而降低电站的发电效率,严重时甚至会危害电站的安全运行。传统的方法无法满足目前光伏组件故障检测快速性和正确率需求。因此,本文提出了一种基于改进EfficientNet的光伏组件故障识别方法。首先,利用采集到的光伏组件红外图像建立故障数据集,并利用图像分割和数据增强对数据集进行预处理;其次,基于EfficientNet网络构建故障识别模型,同时在模型中引入双通道注意力模块(CBAM),该模块能够抑制不必要特征的识别,增强模型对空间特征信息的提取能力,进而提高模型的识别准确率;最后,通过对比仿真实验证明模型的有效性和先进性。实验结果表明,该模型的故障识别准确率达到了90.83%,相较于原始的EfficientNet模型提高了2.83%,且模型大小仅为20.3 M,具有良好的实用性,能够满足光伏电站实际应用的需求。

自适应精简经验Ramanujan分解及其在复合故障诊断中的应用

Ramanujan傅里叶模态分解采用低频向高频扫描的方式获取分量信号,易出现过量分解和信息分散的现象,致使分解分量不具有单一完整的状态信息.为了解决上述问题,论文提出了一种自适应精简经验Ramanujan分解(Adaptive Concise Empirical Ramanujan Decomposition,ACERD)方法.在ACERD方法中,采用功率谱密度获取分割频带,旨在进行准确的频带划分.同时,利用Ramanujan傅里叶变换提取每个分割频带所对应的模式分量,提高周期分量的识别能力,并获得具有单一周期特征信息的模式分量.通过复合故障仿真信号和实测信号分析,结果表明:ACERD方法具有优异的频带分割和周期脉冲特征提取能力,适用于复合故障诊断.

贝叶斯优化TQWT参数在轴承故障诊断中的应用

针对可调品质因子小波变换(Tunable Q-factor wavelet trans-form,TQWT)采用网格搜索和优化算法调参存在评估计算代价高的问题,提出基于贝叶斯优化TQWT参数的故障诊断算法。通过贝叶斯优化算法在TQWT参数空间内求取熵-峭综合目标函数最优解,据此设置TQWT参数分解轴承故障信号,选择熵-峭指标最小值对应子带信号,经TQWT逆变换后进行包络解调分析,最终由重构信号包络谱判别轴承故障类型。仿真实验和实测轴承信号分析表明,该算法可以准确提取轴承故障特征频率信息,实现早期故障诊断。

高参数大型游乐设施服役健康管控技术体系设计

高参数大型游乐设施结构型式多样,运动型式复杂,失效模式众多。其服役健康管控涉及风险评价、检测/监测、故障诊断、寿命评估、健康评价、使用管理等多方面。只有建立全面系统的健康管控技术体系,才能从根本上保障设施的运行安全。以高参数大型游乐设施为研究对象,以设备失效、故障和事故为问题导向,设计了系统科学的健康管控技术体系,分别从健康管控指标体系、检测/监测关键技术、健康评价关键技术、健康恢复与保持等四方面分析了有待解决的技术问题和服役健康研究方向。研究结果为全行业开展相关技术研究提供了思路和指导。

变工况下动态卷积域对抗图神经网络故障诊断

针对基于无监督域自适应故障诊断方法忽略了域间数据结构信息、传统域对齐平均最大差异法全局泛化能力差等问题,本文提出一种基于无监督域自适应理论的动态卷积域对抗图神经网络故障诊断模型,分别通过对数据的类别标签、域标签和数据结构信息进行建模。通过分类器和域鉴别器分别建模类别标签和域标签,通过图神经网络将数据结构信息嵌入到实例图节点中,利用高斯Wasserstein距离来度量不同领域的实例图之间的差异。本文对比了不同工况下共14种迁移任务在各模型下故障识别的准确率。实验结果表明:基于动态卷积的域对抗图神经网络模型在变工况下的故障诊断效果均优于其他对比模型,且模型性能稳定。

基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型研究

传统的切削过程功率获取需要基于复杂的切削功率模型且很少考虑刀具磨损的影响,针对此设计了一种基于变分模态分解(VMD)、麻雀搜索算法(SSA)、长短时记忆(LSTM)神经网络的考虑刀具磨损的数控铣床切削功率预测模型,该模型无需解构数控铣床运行过程的能耗机理,基于一次性的历史实验数据即可实现数控铣床切削过程功率的高精度预测。首先,采用人工智能机器视觉技术对刀具磨损图片进行分析处理,获取刀具磨损图像的数字化特征,从而得到刀具最大磨损量;然后,建立基于VMD-SSA-LSTM考虑刀具磨损的数控铣床切削功率预测模型,利用VMD对数控铣床运行数据进行分解,采用SSA算法对LSTM神经网络超参数进行寻优,并将分解出的铣床运行数据分量输入到LSTM神经网络中,接着将每个分量的预测值相加,得到切削功率预测值;最后以面铣加工为例,将所提出的预测模型与BP神经网络、LSTM神经网络和传统模型进行对比分析,验证了所提模型的有效性和优越性。

考虑数据不足和基于合作博弈模型融合的风电机组轴承故障诊断方法

针对风电机组轴承疲劳实验成本高导致故障数据不足的问题,提出基于粒子群算法(PSO)优化的辅助分类器生成对抗网络(ACGAN),利用PSO对ACGAN的参数进行寻优,进而利用ACGAN生成与原始样本高度相似的新样本;针对单一模型对风电机组轴承故障诊断的准确率较低的缺点,引进合作博弈理论对多个子模型的诊断结果进行融合,将各个子模型的诊断概率矩阵由合作博弈理论进行融合并输出最终的诊断结果。实验证明,优化后的ACGAN模型和基于合作博弈的模型融合能有效提高轴承故障诊断的准确率。

车辆-轨道系统动力极值预测及可靠度计算

为从车辆-轨道系统的动力极值预测及其可靠度计算角度分析车辆系统行车安全、衡量系统可靠程度,基于车辆-轨道耦合动力学及概率理论,提出一种车轨系统动力极值预测及可靠度评估方法。首先,基于轨道不平顺概率模型,采用轨道不平顺累计概率谱确定具有不同激振能量的随机不平顺序列;依据离散Parseval定理,建立轨道不平顺时域序列和功率谱间的对应关系;将轨道不平顺概率模型与车辆-轨道耦合动力学模型相结合,从随机动力计算中提取车辆-轨道的动力极值及可靠度信息;随后利用车辆-轨道耦合动力模型及二维插值算子,根据谱线能量关系实现动力极值预测;此外,基于此系统激励输入与响应输出间的概率等效性,导出了动力极值的可靠度计算式。以实测的轨道不平顺和车体加速度数据及4种类型不平顺在不同累计概率下的谱组合计算得出的轮轨横向力和钢轨垂向位移的计算结果为样本,与预测结果进行对比。研究结果表明:计算时程的分布趋势基本与实测时程一致,动力极值预测结果与实际的动力计算结果较为接近。由于轨道不平顺随机性的存在使得车辆-轨道系统的动力响应存在随机离散及方差特征,但通过轨道不平顺的幅频及能量特性预测车辆-轨道系统的动力极值的方法是较为可行的。

基于对比学习的电液转辙机故障智能诊断方法

道岔转辙机是铁路运行调度的关键设备,由于其外部使用环境恶劣、内部设备结构复杂,使得转辙机在工作过程中容易产生不同的运行故障。针对广泛应用于高速铁路的电液转辙机,提出基于对比学习的电液转辙机故障智能诊断方法:对电液转辙机左右液压缸油压监测信号使用对比学习的思想正则化特征空间;使用实例级权重策略增强模型泛化能力;使用多种数据增强方法提高模型鲁棒性。最后通过电液转辙机的运行故障实验验证本方法的有效性与优越性。

基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断研究

针对海上风电场和高海拔地区风机机组的叶片覆冰故障模型精度低、建模速度慢等问题,提出一种基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断方法。首先,整合监控和数据采集系统的记录数据与风机覆冰情况进行预处理,建立训练数据集;其次,基于改进后的LeNet5like网络构建覆冰故障诊断模型,提取数据集中多变量间的相关性特征信息;然后,经网络参数微调迁移学习对模型进行训练,实现对其他风机覆冰故障诊断模型的快速建立;最后,经实验验证,该模型覆冰故障诊断准确率为98.90%,较无迁移模块网络训练时间缩短28 s,提升约15.91%,验证了基于LeNet5like的迁移学习风电机组叶片覆冰故障诊断方法的精确性和快速性。

Multi-GAT:基于多度量衡构建图的故障诊断方法

基于图神经网络的故障诊断方法,通常需要根据度量衡确定样本之间的相似性,进而构建图的拓扑结构.然而,根据单一度量衡可能无法准确衡量数据样本之间的相似性,进而导致无法准确表征样本之间的关系.因此,选用不同的度量衡会极大地影响图神经网络的诊断性能.为了解决通过单一度量衡无法准确表征数据样本之间相关性的问题,本文提出了一种基于多度量衡构造图的故障诊断模型——Multi-GAT.通过结合3种度量衡的计算结果,从而判断数据样本之间相关性的强弱.本文改进了图注意力网络的评分函数,使其能够依据样本之间相关性的强弱更准确地确定数据样本之间的相似性.在本文基准数据集上的实验表明, Multi-GAT能够提升模型的诊断精度,且拥有较好的稳定性.

基于Lamb波损伤特征融合模型的金属结构件疲劳裂纹扩展预测

针对动态载荷环境下机械装备金属结构件疲劳裂纹扩展延伸问题,提出一种基于Lamb波损伤特征融合的疲劳裂纹扩展预测模型。首先从Lamb波信号传播特性出发,分析对比对称模式下Lamb波损伤信号和基准信号传播过程中的特性变化,在此基础上提取能够敏感表达结构损伤的相关系数和相位差异特征,通过变量标准化变换后进一步构建出疲劳裂纹扩展预测模型,最后利用金属结构件全寿命周期疲劳实验数据对模型进行验证。结果表明:所提模型能够准确预测动态载荷环境下疲劳裂纹扩展过程,与其他预测模型相比优势明显,可为机械装备关键结构件合理检修计划制定提供一定参考借鉴。

轴承自驱式独立退化轨迹构建与剩余寿命灰色预测

针对轴承退化轨迹的个体差异性及退化阶段划分的人为主观性问题,提出了自监测数据驱动的轴承独立退化轨迹的提取与退化阶段的自主分割方法。该方法采用多尺度残差深度卷积自编码器对轴承自身历史监测数据进行无监督学习,实现了轴承性能退化特征的自主提取,并结合支持向量数据描述模型构建单个轴承的独立退化轨迹。引入基于去趋势化超阈波峰法的退化起始点自动检测方法与基于逻辑回归失效概率的失效阈值自主设定方法,对轴承独立退化轨迹进行了自适应分割。以轨迹分割得到的退化阶段数据为驱动,结合全阶时间幂灰色预测模型实现了轴承寿命的准确预测。试验结果表明,提出的多尺度残差深度卷积自编码器能够根据轴承各自工况环境构建反映轴承自身服役性能变化规律的退化轨迹,提出的退化轨迹自适应分割方法能够无参考地检测出轴承的起始退化点与失效阈值,从而提高轴承退化评估的科学客观性与寿命预测的工程可操作性。

基于最优频段循环脉冲指数谱的轴承故障诊断方法

针对滚动轴承多故障冲击共振频带的非一致性及相互交叠影响问题,提出了一种基于循环脉冲指数(CPI)谱的轴承多故障同步诊断方法。该方法引入短时脉冲峰值矩的变异系数对轴承故障冲击进行量化表征,结合冗余提升小波包对轴承故障信号进行频带塔式分解与频带信号CPI计算,构建了故障信号的CPI比值谱图(CPIRgram);根据CPI比值最大原则对轴承故障信号的最优共振频带进行自适应选择,并采用最优频段循环脉冲谱对轴承各故障特征频率进行了统一表征。仿真与故障试验分析结果表明,本文方法无需故障先验知识与分解参数的优化设置,在强噪声及随机瞬态干扰情况下,也能够准确地对多故障特征频率进行同步检测,检测出的故障频率与其理论值误差均小于1.6 Hz,且对故障冲击强度大小及冲击模式变化具有较好的鲁棒性,有较好的应用前景。