基于AESL-GA的BN球磨机滚动轴承故障诊断方法

针对基于知识的贝叶斯网络(BN)构建方法存在不完全和不精确的缺点,提出一种基于知识引导和数据挖掘的BN结构构建方法。针对单一信号故障诊断结果不精确的问题和故障信息中存在的不确定性问题,将电流信号与振动信号融合建立BN的特征节点,分别提取2种信号的故障特征参数,利用区分度指标法进行特征筛选,将其作为BN结构特征层的节点。将专家知识构建的初始BN结构结合自适应精英结构遗传算法(AESL-GA)进行结构优化,通过自适应限制进化过程中的搜索空间,减少自由参数的数量,提高其全局搜索能力,得到最优BN结构。通过MQY5585溢流型球磨机滚动轴承实测数据和Paderborn University轴承数据集对所提方法进行验证,结果证明了所提方法的有效性。

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。

基于全矢CEEMDAN能量矩和AMHSSA-SVM的滚动轴承故障诊断

为充分利用滚动轴承的故障特征信息,提高故障诊断的准确性和可靠性,文中提出了一种基于全矢自适应噪声完全集成经验模态分解(Complementary Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN)能量矩和自适应多种群混合麻雀搜索算法(Adaptive Multi-population Hybrid Sparrow Search Algorithm,AMHSSA)优化支持向量机(Support Vector Machine,SVM)的故障诊断方法。首先,采用全矢谱技术融合同源双通道信号;其次,采用CEEMDAN算法处理融合信号,选择相关系数较大的前5阶IMF分量,并计算其能量矩作为支持向量机模型的特征输入;最后,提出AMHSSA算法并优化支持向量机模型的参数,建立AMHSSA-SVM故障诊断模型。对该模型进行测试,结果表明:此模型有效提高了识别准确性,与类似模型对比,进一步证明了其在分类精度和优化时间方面的优越性。

基于参数优化VMD和改进LSSVM的道岔故障诊断方法

为了解决道岔设备智能故障诊断中特征指标难以提取以及模型训练时间较长的问题,以ZDJ9型转辙机带动的道岔设备为研究对象,以转辙机功率曲线为数据基础,提出一种基于参数优化变分模态分解(Variational Mode Decomposition,VMD)和改进最小二乘支持向量机(Least Squares Support Vector Machines,LSSVM)的道岔故障诊断方法。首先,采用鲸鱼优化算法(Whale Optimization Algorithm,WOA)优化VMD参数,得到模态(Intrinsic Mode Functions,IMF)分量个数和惩罚因子的最优参数组合。其次,计算IMF分量与功率曲线的相关系数,优选相关性较大的前3阶IMF分量,并计算功率谱熵、模糊熵及包络熵值,建立多特征融合样本数据库。最后,针对麻雀搜索算法(Sparrow Search Algorithm,SSA)易陷入局部最优的问题,通过改进Tent混沌映射初始化策略随机生成种群,正余弦算法(Sine Cosine Algorithm,SCA)更新追随者的位置,并采用改进SSA优化LSSVM算法的惩罚因子和核函数方差,构建基于TSSSA-LSSVM的道岔故障诊断模型。实验结果表明:所提道岔故障诊断方法是可行的,采用多特征融合能够更加全面地提取道岔典型故障特征,反映道岔的真实运行状态,提高了故障诊断准确率,而且较TSSSA-SVM,PSO-LSSVM,GWO-LSSVM以及SSA-LSSVM等方法具有较高的故障诊断准确率、召回率以及较低的漏报率,减少了模型训练时间,完全满足现场道岔故障导向安全的原则,具有更好的故障诊断性能,对现场道岔设备的故障维修具有一定的指导意义。

基于改进EEMD-MB1DCNN的船用柴油机缸套-活塞环故障诊断

针对船用中高速柴油机缸套-活塞环振动信号非线性非平稳性以及同类型不同损伤程度故障发生时振动信号时频域特征相似、故障难以识别等问题,利用振动信号辨识故障,提出一种基于改进集成经验模态分解方法和多模块一维卷积神经网络端到端缸套-活塞环故障诊断方法,通过设计固有模态分量IMF信息质量筛选准则对EEMD分解出的IMFs进行重新排序,获得包含更多凸显故障特征成分的重构信号,输入到上述神经网络模型,通过振动信号分析并与现有方法比较,评估所设计IMF信息质量筛选准则与所搭建模型的性能,试验结果显示该方法能准确、有效地识别缸套-活塞环故障类型。在判断该易损件同类型不同磨损程度故障诊断中有较高的准确率,能对故障状况进行有效的特征提取与故障分类。

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。

多尺度熵方法在机械故障诊断中的应用研究进展

机械设备状态监测与故障诊断的关键是故障特征的表征与提取,采用基于熵及相关方法建立的非线性动力学指标能够提取蕴藏在振动信号中的非线性故障特征信息。自熵方法引入以来,通过不断修改和改进来提高熵估计的准确性,多尺度熵进一步拓展了时间序列其他尺度上包含的复杂度信息,其在设备状态监测与故障诊断中得到广泛应用。本文对单一尺度熵及多尺度样本熵、多尺度模糊熵、多尺度排列熵和多尺度散布熵等多尺度熵方法在机械智能故障诊断中的应用进行综述,总结不同方法的特点优势与不足;针对多变量数据处理问题,综述由单变量推广到多变量的多元多尺度熵的应用发展过程。最后结合多尺度熵相关方法在机械智能故障诊断中面临的问题与挑战,对未来发展方向进行展望,即在工业大数据应用、故障机理、可解释性角度构建基于熵的深度学习模型。

基于短时傅里叶变换和深度网络的模块化多电平换流器子模块IGBT开路故障诊断

针对现有模块化多电平换流器(MMC)子模块故障诊断过程中所需传感器较多、测量干扰较大等问题,提出一种基于深度学习的MMC子模块IGBT开路故障诊断方法。在对MMC子模块开路故障特征进行分析的基础上,利用短时傅里叶变换(STFT)提取桥臂电压信号的谐波分量信息作为故障诊断所需的特征参数。将所得到的特征参数进行处理后构建故障诊断样本,在通过深度置信网络实现故障类型快速检测的基础上,依据不同故障类型,构建多个基于卷积神经网络的故障定位网络,进而实现开路故障的检测与定位。通过129电平的MMC系统仿真模型和降功率的MMC实验系统搭建,对该文所提方法进行了验证。仿真和实验结果表明,所提故障诊断方法可以在减少传感器数量的基础上实现子模块开路故障的诊断,提高系统的可靠性。

基于FSSA-ELM的模拟电路故障诊断方法

在大规模电路中,模拟电路的故障率高达80%。针对模拟电路故障诊断方法准确率低、耗时长的问题,提出了一种分数阶麻雀搜索算法结合极限学习机(FSSA-ELM)的模拟电路故障诊断方法。利用核主成分分析与局部线性嵌入(KPCA-LLE)联合方式对电路故障数据进行特征提取,通过分数阶与麻雀搜索算法(SSA)相融合,对极限学习机(ELM)的权重和阈值进行寻优,将提取后的特征数据输入到FSSA-ELM模型中进行训练和测试。T型反馈网络反相比例运算电路诊断实例表明,FSSA-ELM的故障诊断用时相较于SSA-ELM缩短了891 s,单故障诊断准确率可达972%,比SSA-ELM和ELM分别提高了19%和28%;双故障诊断准确率可达95%,分别提高了04%和10%。该故障诊断方法准确率高、耗时短,具有较强的模拟电路故障检测能力。

基于振动信号的滚动轴承复合故障诊断研究综述

滚动轴承是旋转机械的关键部件。工作原理与工作环境决定了其具有易损、易耗特点。对其进行故障识别与诊断是保证设备运行安全可靠的必要手段。在工程应用中,轴承复合故障发生率高于单一故障,且特征识别较为困难。文章面向基于振动信号的滚动轴承复合故障诊断领域,按照传统诊断、智能诊断分类,从算法历程、基本原理、应用效果、算法优缺点等角度,对各种诊断方法进行了论述和分析,对轴承复合故障诊断方法的研究趋势进行展望。

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。

改进卷积胶囊网络的滚动轴承故障诊断方法

目前许多基于卷积网络的滚动轴承故障诊断方法受噪声信号以及负荷变化的影响,存在诊断效果不佳、泛化能力差的问题。针对此问题提出一种改进卷积胶囊网络的滚动轴承变工况故障诊断方法。该方法设计了多尺度非对称卷积模块,其中采用不同尺度的非对称卷积层对输入数据进行特征提取,在实现最大化提取数据中的特征信息的同时,还能够有效减少参数量;在该模块中引入通道注意力机制,能更好地提取有用的通道特征,提高该方法特征提取的能力;通过将网络中的全连接层改进为胶囊全连接层,使得胶囊在输出向量特征信息时,避免了特征信息在空间中的丢失。使用凯斯西储大学轴承数据集和东南大学变速箱数据集来验证所提方法的诊断性能,并与其他深度学习方法进行了比较。实验结果表明,与其他深度学习方法相比,具有较好的泛化性,效果更佳。

基于相位差的轴向磁通无铁心电机早期轻微匝间短路故障诊断

针对轴向磁通定子无铁心电机早期匝间短路故障问题,提出一种基于零序分量和定子电流分量相位差的轴向磁通定子无铁心电机的早期匝间短路故障诊断和定位方法。首先,根据定子绕组电感极小的特点建立了匝间短路故障数学模型;其次,对故障前后的短路电流、相电流、零序分量等进行了傅里叶分析,通过零序电压基波幅值变化对匝间短路故障进行识别;最后,通过对比零序电压基波与定子三相电流初相位差来进行故障相定位。结果表明,匝间短路故障相的相电流基波初始相位与零序电压基波初相位差的绝对值近似180°,而健康相的相位差与180°相差较大。基于相位差可以实现轴向磁通无铁心电机早期匝间短路故障的诊断与定位,为永磁电机的匝间短路故障诊断提供了参考。

改进贝叶斯网络在变压器故障诊断中的应用

针对变压器故障诊断精度低的问题,文中提出一种基于改进黏菌优化算法(Improved Slime Mould Algorithm,ISMA)优化贝叶斯网络(Bayesian Network,BN)的变压器故障诊断方法。通过爬山算法对定向最大支撑树搜索得到贝叶斯网络初始结构即初始种群,在改进黏菌优化算法中引入反向学习策略,增加种群多样性。添加正弦-余弦算法(Sine Cosine Algorithm,SCA),更新解的位置以避免种群陷入局部最优。根据改良的无编码比值法选取变压器故障状态的特征,利用改进黏菌优化算法优化贝叶斯网络结构,提高基于贝叶斯网络的变压器故障诊断的准确率,并利用不同种类的测试函数验证了改进黏菌优化算法具有收敛速度快、收敛精度高的优良性能。仿真结果表明,ISMA-BN诊断模型的训练集和测试集准确率分别为98.2%和97.14%,具有一定的研究价值。

基于深度置信网络的电网安全稳定控制系统故障诊断方法

安全稳定控制系统(安控系统)控制节点多、控制链条长,若因故障导致拒动或者误动,将给电网的运行造成严重危害。安控系统的故障诊断是电力系统安全稳定运行的基础。现有安控系统的故障诊断主要依赖于技术人员依据通信报文辅助判别异常原因,难以对安控系统各个环节故障进行实时诊断。为此,分析了安控系统故障的存在环节和产生原因,提取了安控系统故障特征量;建立了基于深度置信网络的安控系统故障诊断模型,提出了安控系统故障诊断方法;最后选取安控系统运行故障样本,验证了故障诊断方法的正确性。

基于IHHO-BP神经网络的模拟电路故障诊断

针对模拟电路故障类型多、故障状态不稳定以及故障数据冗余,使得模拟电路故障诊断困难的问题,提出利用改进哈里斯鹰算法(improved Harris Hawks optimization, IHHO)优化反向传播(back propagation, BP)神经网络,实现模拟电路故障特征选择与诊断。首先,将非线性自适应因子、柯西变异和随机差分扰动引入哈里斯鹰算法,实现收敛速度和精度的提升;其次,采用IHHO对模拟电路的单一故障和组合故障仿真数据进行特征选择,完成数据预处理;最后,采用IHHO-BP算法,对预处理后的故障数据进行训练和测试,实现模拟电路故障诊断。诊断结果表明,所提方法的诊断精度相较于其他算法提升了5.5%。

联合收割机裂纹转子与滚动轴承故障诊断系统研究--基于卷积神经网络

首先,介绍了传统神经网络,在其基础上引出了改进的卷积神经网络;然后,搭建了转子和滚动轴承的动力学模型,对转子和轴承的裂纹模型进行分析研究;最后,实现了联合收割机裂纹转子与滚动轴承故障诊断系统。实验结果表明:基于卷积神经网络的诊断模型达到稳定识别精度的迭代次数更少,且识别精度更高,效果更好,证明了系统的可行性和可靠性。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

联合收割机滚动轴承故障诊断系统研究--基于声场空间分布特征

首先,介绍了联合收割机滚动轴承振动机理和故障特征,并研究了基于声场空间分布特征的故障诊断流程;然后,对联合收割机滚动轴承的声音信号采集及特征提取进行了深入研究;最后,利用神经网络算法的模式识别对联合收割机滚动轴承的故障进行诊断。验证结果表明:系统对联合收割机滚动轴承故障的综合诊断率为91.67%,系统具有可行性。

一种用于变压器故障诊断的贝叶斯网络优化方法

针对变压器故障诊断效率低的问题,文中将油中溶解气体分析与人工智能方法相结合,提出了一种改进蝗虫优化算法优化贝叶斯网络的变压器故障诊断方法。利用差分进化算法和与模拟退火算法对蝗虫算法进行改进,提高了算法的优化能力。将改进蝗虫算法应用于贝叶斯网络结构来学习构建变压器故障诊断模型,利用所提方法对变压器进行故障诊断。实验结果表明,该方法诊断正确率达到了92.7%,与其他算法所构建的诊断模型相比具有更高的故障诊断准确率。