基于互无量纲特征与迁移学习的变工况滚动轴承故障诊断

滚动轴承的可靠性是工业生产连续性与安全性的重要保证之一,但由于其运行环境的高温、高压、高时长特性,振动信号表现出一定的非平稳性与非线性,并且由于故障样本的缺失,基于数据驱动的诊断方法很难进行应用。文中提出一种基于互无量纲特征与迁移学习的变工况滚动轴承故障诊断方法,提取轴承振动互无量纲特征用于解决轴承信息非线性问题;针对故障样本缺失问题,提出一种改进的卷积神经网络迁移模型,将大数据模型迁移到小样本模型中来。通过美国西储大学轴承实验平台的验证所提出的方法平均诊断准确率达到95.9%,为滚动轴承的故障诊断提供一定的理论参考。

基于GA优化SVM的滚动轴承故障诊断方法研究

在滚动轴承故障诊断研究中,常采用时域、频域或者时频域分析方法对振动监测数据进行故障诊断。时域中的无量纲指标因对故障敏感,而被广泛运用于机械故障诊断中,但目前无量纲指标在诊断过程中存在严重重叠问题,造成诊断准确率低。为了解决这个问题,研究了基于互无量纲指标和支持向量机(SVM)结合的滚动轴承故障诊断方法。针对SVM对参数依赖性强,且在参数选择上没有系统理论而导致欠学习或过学习的问题,提出了一种基于遗传算法优化支持向量机(GA-SVM)的滚动轴承故障诊断方法。利用遗传算法进化搜索原理,以预测的准确率作为适应值,对SVM参数进行寻优,从而得到较优的支持向量机分类模型。实验表明,基于互无量纲指标和GA-SVM算法的故障诊断方法能够准确地识别旋转机械滚动轴承的状态。

基于GWO-SVM的石化旋转机械轴承故障诊断

针对传统的无量纲指标在不同故障之间存在数据重叠,导致故障诊断准确率低的问题,提出了一种基于互无量纲指标和灰狼算法优化支持向量机(GWO-SVM)的故障识别模型。利用灰狼算法强大的全局搜索能力,对支持向量机关键参数惩罚因子和核函数参数进行寻优,并采用广东省石化装备故障诊断重点实验室多级离心风机轴承数据进行验证。实验证明:GWO-SVM能精确地对轴承故障类型进行分类,同时GWO-SVM相对于单纯的SVM模型和遗传算法优化SVM模型具有更短的算法运行时间和更高准确率,平均准确率高达90%。