基于小波时频图和ResNet18的焊接状态监测方法研究

针对焊接过程中因外部干扰因素或焊接参数选择不当而导致的气孔和未熔合缺陷的问题,提出一种小波时频图和深度残差网络(ResNet18)相结合的焊接质量检测方法。首先,搭建管道全位置自动焊接试验平台,利用拾音器记录熔合良好、未熔合和气孔焊接状态下的声音信号,将采集到的声音信号进行小波阈值降噪处理并且计算信号的信噪比,从而得到合适的信号降噪方法。其次,使用连续小波变换得到小波时频图,对时频图进行压缩和预处理,将时频图的大小设置为224×224,并剔除时频图上的标题、坐标和能量等。最后,将处理好的小波时频图作为输入,以未熔合、熔合良好和气孔三种状态作为输出,利用ResNet18网络进行训练。结果表明,该模型对三种焊接状态下的声音信号具有良好的监测效果,其准确率为90.78%。

基于小波时频图和多尺度卷积神经网络的发动机工况识别研究

针对传统工况识别方法对非平稳的汽车发动机音频信号难以准确识别的问题,提出一种基于小波时频图和多尺度卷积神经网络的发动机工况识别方法。首先,将原始信号通过连续小波转化为小波时频图,其次,对小波时频图进行统一的预处理,最后将处理好的图片输入到卷积神经网络中提取多尺度特征并分类识别。该方法有效结合了具有处理非线性平稳信号优势的小波时频分析和卷积神经网络的图像分析能力。在测试集数据转速不同的情况下,识别准确率和鲁棒性更好。

基于小波时频图与Swin Transformer的柴油机故障诊断方法

针对用传统的故障诊断方法难以对非线性非平稳的柴油机故障信号进行准确高效诊断的问题,提出基于小波时频图与Swin Transformer的柴油机故障诊断方法。该方法可以有效结合小波时频分析在处理非线性非平稳信号方面的优势和Swin Transformer强大的图像分类能力,通过连续小波变换将原始信号表示为小波时频图,将小波时频图作为特征图输入到Swin Transformer进行训练,实现柴油机故障状态识别。实验结果表明,与对比方法相比,所提方法具有较好的故障识别精度及稳定性,在公开数据集和实验室实测数据中的整体故障诊断准确率分别达到100%和98.88%,为柴油机故障诊断提供了一种新的思路。

基于小波时频图和AlexNet网络的电弧故障诊断方法

针对故障电弧电流频域特征难以提取,检测率不高的问题,提出一种基于小波时频图和深度学习卷积神经网络的低压交流故障电弧诊断方法。该方法对串联型故障电弧电流信号进行小波时频变换,利用小波对高频突变信号的放大能力,捕捉不同负载的差异特征,得到的时频图经过压缩统一至适当大小后作为AlexNet卷积神经网络的输入特征图,利用AlexNet网络提取小波时频图特征,通过全连接层拟合数据实现故障电弧的智能诊断。建立故障电弧实验平台,分别采集阻性负载、感性负载、阻感负载下的电弧电流2 000组,利用该数据集完成模型训练。选取新负载及10~60 dB信噪比研究模型的泛化能力和鲁棒性。实验结果表明,所提方法能够有效识别故障电弧,识别率达到96.7%,且具有良好的稳定性。

基于Matlab的小波时频图的绘制原理研究与其实现

本文对Matlab做了简要介绍,对Matlab实现小波时频图的绘制原理进行了深入研究,重点讨论了基于Matlab的小波时频图绘制原理、步骤、方法和技巧,并通过Matlab具体实现了小波时频图的绘制。

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。

基于小波时频图与轻量级卷积神经网络的螺栓连接损伤识别

针对目前大型结构螺栓连接状态监测的困难,该文采用声音信号,提出了结合小波时频图与轻量级卷积神经网络MobileNetv2优势的螺栓松动识别方法。该方法通过对采集到的声音信号进行预处理和连续小波变换得到小波时频图,以小波时频图作为样本对轻量级卷积神经网络MobileNetv2进行训练,从而实现螺栓松动声音信号的识别。对一钢桁架模型的室外试验研究表明:该方法能实现对各种环境噪声信号,不同位置、数目和松动程度的螺栓松动声音信号的精准识别;该方法不仅识别准确率高、稳定性好,而且对计算和存储的要求低,便于应用于移动设备和嵌入式设备,为环境激励下大型复杂结构的损伤在线识别提供了新的思路。

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。

基于多尺度小波变换和时频图的微波源故障检测

针对目前大功率微波加热系统的微波源队列只有工作与否的二值检测,为了提高其队列运行的经济性和可靠性,在线实时检测微波源队列的运行状态及变化非常必要。提出一种基于多尺度小波变换和时频图的微波源故障检测方法。首先,根据电场强度的变化情况判断微波源队列是否发生故障。其次计算出残差信号,并根据残差在多尺度下的变化情况完成检测。最后,绘制残差信号的小波时频图,对检测结果进行可视化分析。对微波源的3种故障状态分别进行实例仿真,检测出t=80、90、100 s分别发生3种故障。仿真结果表明,利用连续小波变换的分析方法对微波源队列进行故障检测,可以准确的在线检测出微波源队列中故障微波源的位置以及发生故障的时刻。

基于小波变换和CNN的船用机械故障诊断

针对船用机械故障特征自适应提取与智能化诊断问题,采用连续小波变换与卷积神经网络的船舶机械故障诊断方法。以船用风机为例,首先模拟船用机械不同故障并采集振动信号,通过连续小波变换将一维振动信号转化为特征图谱,其包含大量的时频信息。然后通过多次训练后,确定网络结构参数,建立卷积神经网络结构,将时频图作为卷积神经网络输入,挖掘更深层次的高度抽象的故障特征信息。最后在卷积神经网络的输出层接入softmax分类器,实现船用机械的故障诊断。实验结果表明:所提方法能准确识别故障类型,且具有较强的鲁棒性和泛化能力,诊断准确率可达99.3%。与集成经验模态分解、极限学习机故障诊断方法相比,该方法有更高的诊断精度。

基于特征图像组合与改进ResNet-18的电能质量扰动识别方法

针对传统电能质量扰动(power quality disturbance,PQD)识别体系中单一图像特征信息受限与算法识别能力不足等问题,依据特征融合的思想,提出一种基于特征图像组合与改进ResNet-18的PQD识别方法。首先,对PQD信号进行变分模态分解(variational mode decomposition,VMD)得到一系列固有模态函数(intrinsic mode functions,IMFs)与残差分量;其次,将IMFs、残差分量、原始扰动信号与Subtract分量纵向拼接成分量矩阵,利用信号-图像转化方法生成特征分量彩色图;再次,对原始扰动信号进行连续小波变换(continuous wavelet transform,CWT)生成小波时-频图;最后,将特征分量彩色图与小波时-频图组合输入改进的六通道ResNet-18中训练学习并完成扰动识别。通过仿真对PQD识别方法进行分析并将其与目前常用识别体系进行比较。结果表明,所提方法具有较好的抗噪性能并且能够更好地提取PQD特征信息,达到更高的识别准确率。

基于时变AR模型和小波变换的时变参数识别

利用时变AR模型进行时变系统参数识别的一个关键问题就是虚假模态的剔除。针对利用p阶的时变AR模型所得到的p个频率值,提出用连续小波变换所得到的小波时频图来进行虚假模态的剔除。通过对一质量随时间变化的悬臂梁进行了有限元建模,运用计算所得到的振动响应建立了梁的时变AR模型并进行模态频率识别,利用所提方法进行了虚假模态的剔除。仿真结果表明,该方法是有效可行的。

基于连续小波变换的变压器绕组变形故障类型检测

利用脉冲频率响应法在线检测电力变压器绕组变形故障时,传统的频率响应曲线并不能刻画暂态信号的时域特性,且快速Fourier变换的局限性可能造成有用信息的缺失。为了克服以上缺陷,提出利用连续小波变换处理脉冲在线注入获得的暂态信号,绘制检测信号小波时频图,以矩阵相似度作为故障评判的量化指标。首先从理论推导入手,构建了单绕组仿真模型,开展了各种故障类型仿真分析;其次,进行了故障绕组试验,分析了信号时频特性,另外,采用矩阵相似度量化评判健康与故障绕组检测信号的关联程度。结果表明:仿真不同故障类型对应的小波时频图与健康绕组的时频图差异明显,且时频图在各频段差异表现出和频率响应相似的规律;与健康绕组相比,试验故障绕组的小波时频图在0.6 MHz以上高频段出现较大偏差,表现出绕组电容性故障应有的特性,而在0~0.6 MHz频段,试验绕组小波时频图的矩阵相似度为0.928 0,大于采用快速Fourier变换获得频响曲线的关联系数0.800 3,证实了小波变换的优越性。仿真分析与实验测试的数据处理结果,均初步证实该方法的可行性。

基于ResNet-ELM和迁移学习的风机齿轮箱故障诊断方法

在变工况以及混合故障情况下,采用传统的方法对风力发电机齿轮箱进行故障诊断时,存在诊断效果不佳、泛化能力差等问题,为此,提出了一种基于深度残差网络(ResNet)-极限学习机(ELM)和迁移学习(TL)的风力发电机齿轮箱故障诊断方法(TL-RN-ELM)。首先,分别介绍了连续小波变换(CWT)、卷神经网络(CNN)、深度残差网络(ResNet)、迁移学习(TL)、极限学习机(ELM)的原理;然后,基于上述原理,建立了TL-RN-ELM的风力发电机齿轮箱故障诊断模型(流程);最后,使用轴承数据集和齿轮箱数据集对上述方法进行了实验验证,即从美国凯斯西储大学(CWRU)轴承数据集和东南大学(SEU)齿轮箱数据集中进行了数据采集和处理,利用CWT将原始一维振动信号转换成了二维小波时频图像,使用CWRU轴承数据集对搭建的ResNet18模型进行了训练,生成了预训练模型;将预训练模型中的数据迁移至SEU齿轮箱数据集,微调了模块,提取了特征,并将其输入到ELM分类器,然后将分类结果与其他3类模型进行了对比分析。实验结果表明:对于从轴承到轴承、轴承到齿轮以及混合故障的小样本迁移故障诊断,TL-RN-ELM的平均准确率可达98.79%;与其他方法相比,该方法的平均准确率提升了4.73%~9.6%。研究结果表明:该方法具有良好的诊断效果和泛化能力。

基于CWT和CooAtten-Resnet的弧齿锥齿轮箱故障诊断方法研究

提出一种基于连续小波变换(CWT)和坐标注意机制残差网络(CooAtten-Resnet)的弧齿锥齿轮箱智能故障诊断方法。首先将振动信号重叠采样获得大量信号样本,将这些样本通过连续小波变换将振动信号转化为时频图,并以此构建不同故障下的时频数据集,同时通过人为添加噪声样本以验证噪声对此类诊断方法的影响;然后将时频图数据集用于CooAtten-Resnet训练;最后对故障进行分类并输出诊断结果。结果表明,该方法可以准确的识别弧齿锥齿轮箱故障,无人为添加噪声的情况诊断准确率可达100%,添加噪声后在无降噪处理的情况下准确率仍在93%以上。相较于其他方法,该方法的准确率更高,抗噪能力更强,网络收敛速度更快,诊断结果更稳定。

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。

基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断

针对传统卷积神经网络(Convolutional Neural Network,CNN)在直升机自动倾斜器滚动轴承噪声环境下诊断效果不佳的问题,提出一种基于多噪声数据训练CNN的自动倾斜器滚动轴承故障诊断方法。该方法首先在原始振动信号中随机添加不同大小的高斯白噪声,然后利用小波变换方法构造不同噪声下的时频图,最后利用CNN对不同噪声下的时频图进行故障分类。利用课题组和美国凯斯西储大学的公开轴承数据集开展真实诊断实验,结果表明,与传统CNN相比,极大地提高了在噪声环境下的故障识别率。

柴油机振动信号非平稳周期特征的极坐标增强研究

针对柴油机振动信号的非平稳周期循环特征,提出基于小波时频极坐标表示的特征增强方法。新方法在信号连续小波变换的基础上,将多个工作循环的时频分布通过等角度采样转化为角度-频率分布映射到极坐标平面,保留和突出了与柴油机工作循环有关的周期分量,实现了信号的非平稳周期瞬态特征增强。曲轴轴承故障诊断实例表明:四种磨损工况下信号的小波时频极坐标图,不同扇区的能量可以直观反映各缸工作相位能量,通过累加指定扇区能量,可以定量判断故障程度。

基于改进深度残差收缩网络的轴承故障诊断

为解决噪声背景中轴承故障诊断精度不高的问题,提出了一种新的轴承故障诊断方法。利用连续小波变换将采集到的振动信号转换成小波时频图,采用多尺度膨胀卷积对深度残差收缩网络进行改进,扩大卷积核的感受野,并将交叉熵损失函数改进成加权交叉熵损失函数。实验结果表明,与其他深度学习算法相比,本算法故障诊断的准确率较高。

基于多对抗域适应网络的多工况故障诊断

针对机械设备在多工况下采集到的数据存在分布差异、分类精度较低且人工标注成本较高的问题,提出了小波时频图与迁移学习的多对抗域适应网络(Multi-Adversarial Domain Adaptation,MADA)结合的智能故障诊断方法(CWT-MADA),用于多工况的故障诊断。该方法构建双流深度卷积神经网络学习源域和目标域的原始信息和时频图特征,该组合特征有助于解决故障特征利用不充分的问题;通过源域样本聚类对目标域样本进行打伪标记,并在多对抗域适应过程中约束特征提取器,不断拉近不同域中同类之间的距离,减少工况变换造成的分布差异;与几个目前先进的领域自适应方法进行了对比实验,实验结果表明,CWT-MADA方法在多工况故障诊断中具有较高的准确率。