基于HMFDE和t-SNE的旋转机械故障诊断方法

针对旋转机械的故障特征提取较难,以及单一类型的特征无法全面反映故障特性的问题,提出了一种基于混合多尺度波动散布熵(HMFDE)、t分布-随机邻域嵌入(t-SNE)和郊狼优化算法(COA)优化极限学习机(ELM)的旋转机械故障诊断方法。首先,采用特征加权提出了混合多尺度波动散布熵方法,并将其用于提取旋转机械振动信号的故障特征;随后,采用t-SNE方法对混合故障特征进行了特征降维,挑选出了最能够反映故障特性的特征子集,构建了敏感特征样本;最后,采用郊狼优化算法对极限学习机的输入权重和隐含层阈值进行了优化,完成了旋转机械的故障识别和分类;以齿轮箱和滚动轴承故障数据集为对象,对基于HMFDE、t-SNE和COA-ELM的故障诊断方法进行了实验,验证了方法的有效性。研究结果表明:采用HMFDE-t-SNE-CAO-ELM故障诊断方法可以取得100%的故障识别准确率,该方法能够有效地诊断旋转机械的不同故障类型和损伤;相较于基于单一类型特征的故障诊断方法,其准确率分别可以提高0.68%、22.42%、29.18%(齿轮箱)和1.43%、8.23%、23.67%(滚动轴承),虽然牺牲了一定的计算效率,但准确率得到了明显的提高;相较于其他常规故障分类器,COA-ELM的故障识别准确率具有明显的优势。

工业大数据环境下旋转机械智能故障诊断技术研究

针对旋转机械故障诊断精度较低的问题,提出利用工业大数据对旋转机械的故障进行智能化诊断.研究利用工业大数据对旋转机械的状态进行评估,并且采用深度学习对机械的健康程度进行诊断、监测,对工业大数据环境下的旋转机械诊断的发展趋势进行分析,促使机械故障诊断正式进入大数据时代,实现故障诊断的智能评估.

固有成分滤波器的旋转机械故障诊断方法

针对噪声环境下旋转机械微弱复合故障诊断问题,提出了一种强噪声干扰下基于固有成分滤波器(intrinsic component filtering,简称ICF)的旋转机械故障检测和分离方法。ICF通过最小化样本间特征的L1/2范数和样本内特征的L3/2范数来实现样本之间特征的一致性和样本内部特征的稀疏性,并训练出最优滤波器组,是一种无监督多维盲解卷积算法。首先,构建输入信号的Hankel训练矩阵,通过权值矩阵与Hankel矩阵的乘积模拟卷积过程,再利用固有属性滤波器实现特征学习;其次,通过峭度信息选择最优滤波器;最后,根据滤波后的时域波形和包络谱实现故障诊断。仿真和试验信号验证了提出方法的故障诊断性能,研究结果表明,提出的方法无需任何先验经验,可以实现强噪声环境下的微弱故障的分离,同时具备很好的鲁棒性。

无量纲与SVM的石化机组旋转机械故障诊断方法

针对石化机组旋转机械故障信息存在非线性、重叠性等特点,提出一种无量纲与支持向量机(Support Vector Machine,SVM)的石化机组旋转机械故障诊断方法。首先对采集的振动信号进行分析并将其无量纲化;接着通过特征选择选取高价值与敏感性强的无量纲特征,降低分类模型复杂度并提高算法速度;最后通过选取合适的SVM分类模型进行分类诊断。结合具有无量纲特征的故障敏感性与SVM的非线性分类性进行诊断分类,并通过石化机组故障诊断实验平台进行验证,表明该方法相比于其他经典分类方法分类效果更好,分类正确率为99.1%,证明了方法的有效性。

深度超圆盘分类器及其在旋转机械故障诊断中的应用

几何模型分类器具有坚实的几何统计基础和良好的泛化能力,因此在旋转机械故障诊断中取得了较高的分类精度。与仿射包和凸包相比,超圆盘(Hyperdisk,HD)对样本分布区域的估计更加合理。但超圆盘模型属于浅层学习模型,对复杂函数的表示能力有限,存在学习能力和泛化能力差等缺点。针对这个问题提出一种深度超圆盘分类器(Deep Hyperdisk Large Margin Classifier,DHD),该方法通过模块叠加的方式将超圆盘分类器深度化,利用特征提取公式从每层模块的输入样本中自主提取新的特征值,并将其应用在下一层模块的训练学习中。将所提方法应用到旋转机械故障诊断当中,实验结果表明该方法对故障样本的分类准确率高于其他模型算法,且对不均衡样本和强噪声背景下的故障样本均具有良好的分类能力。

基于SORT映射的IRCMFDE在旋转机械故障诊断中的应用

针对旋转机械振动信号的强非线性和非平稳性,导致故障特征提取困难的问题,提出了一种基于SORT映射的改进精细复合多尺度波动散布熵(IRCMFDE)和蝙蝠算法优化的相关向量机(BA-RVM)的旋转机械故障诊断方法。首先,利用SORT映射函数替换了精细复合多尺度波动散布熵(RCMFDE)方法的正态累积分布函数,同时对RCMFDE方法的粗粒化方式进行了改进,提出了基于SORT映射的IRCMFDE方法;随后,利用IRCMFDE方法提取了旋转机械振动信号的故障特征,构造了故障特征集;最后,采用BA-RVM分类器对旋转机械的故障类型进行了智能化的识别和分类;将基于IRCMFDE和BA-RVM的故障诊断方法应用于滚动轴承、离心泵和齿轮箱的实验数据分析,并将其与现有故障诊断方法进行了对比分析。研究结果表明:基于IRCMFDE和BA-RVM的故障诊断方法能够有效地识别旋转机械的故障状态,识别准确率分别达到了100%、98%和99%,相比基于RCMFDE、精细复合多尺度熵、精细复合多尺度模糊熵、精细复合多尺度排列熵和精细复合多尺度散布熵的故障特征提取方法,该故障诊断方法的效率和平均识别准确率均优于对比方法,其更适合应用于旋转机械的在线实时故障监测。

无监督域适应迁移学习在旋转机械故障诊断中的应用

故障诊断在旋转机械领域具有重要的意义,而深度学习和迁移学习的发展为提高故障诊断的准确性和鲁棒性提供了新的途径。针对旋转机械故障诊断问题,提出了一种基于深度对抗神经网络(domain-adversarial neural network, DANN)和多核最大平均差异(multiple kernel maximum mean discrepancy, MK-MMD)的无监督域适应迁移学习方法。首先,收集了源工况和目标工况下的振动信号数据并通过快速傅里叶变换(fast Fourier transform, FFT)转化为频域信号。然后,构建了一个ResNeXt-50特征提取器,并使用DANN和MK-MMD方法进行特征映射和域适应,从而实现源工况到目标工况的迁移学习。试验结果表明,该方法能提高对故障特征的识别精度,且在不同工况下的迁移试验中具有更好的鲁棒性。

基于CMMFDE与多传感器信息融合的旋转机械故障诊断研究

采用单一传感器采集的振动信号难以准确描述旋转机械动态特性,导致提取的故障特征无法准确辨识旋转机械故障。针对这一缺陷,提出了一种基于复合多元多尺度波动散布熵(CMMFDE)、多传感器信息融合和哈里斯鹰算法优化极限学习机(HHO-ELM)的旋转机械故障诊断方法。首先,引入复合多元粗粒化处理,提出了CMMFDE方法,避免了传统单变量分析方法只能处理单一通道振动信号而导致特征的表征性能不足的缺陷,增强了故障特征的表征性能;随后,利用布置在旋转机械不同部位的传感器收集了多种类型的信号,组成混合多通道信号,并进行了CMMFDE分析,构建了故障特征;最后,采用HHO对极限学习机的参数进行了自适应优化,并对特征样本进行了训练和测试,完成了旋转机械的故障识别工作;利用齿轮箱、离心泵两种典型的旋转机械数据集进行了实验分析。研究结果表明:该方法对多个通道的信号进行分析时,所获得的准确率达到了100%和98%,优于对单个通道信号进行分析时获得的准确率,同时CMMFDE方法的准确率和特征提取时间均优于精细复合多元多尺度熵(RCMMSE)、精细复合多元多尺度模糊熵(RCMMFE)、精细复合多元多尺度排列熵(RCMMPE)、多元多尺度波动散布熵(MMFDE)。

基于坐标注意力机制的旋转机械故障诊断

旋转机械故障诊断在工业领域具有重要意义。本研究提出了一种基于坐标注意力机制与迁移学习的旋转机械故障诊断方法。为了捕捉旋转机械的故障信号在时频域的特征,运用连续小波变换将原始信号转换为小波时频图。然后,引入基于坐标注意力机制的模型,该机制能够自适应地学习不同位置的特征权重,提升了故障特征的辨别能力。通过在预训练阶段和微调阶段对网络进行训练,实现了模型在不同工况下的迁移学习,提高了模型的泛化能力。实验结果表明,该方法在旋转机械故障诊断中取得了显著的性能提升。相较于传统故障诊断方法,基于坐标注意力机制的模型在故障识别准确率方面取得了明显的提高。同时,通过迁移学习,该模型在不同工况下均表现出较好的性能,证明了其泛化能力和适应性。

基于随机LSTM块映射特征提取的旋转机械故障诊断方法

针对旋转机械失效机理复杂,特征信息差异大,导致的传统诊断模型依赖先验知识,准确率低,适应性差的难题.提出一种基于随机量化数据增强-随机LSTM(Long Short Term Memory)块映射特征提取-随机配置网络(Randomized Quantization-Randomized LSTM Block Mapping Method-Stochastic Configuration Network,简称RQ-RLBM-SCN)的旋转机械故障诊断方法.首先,为了解决失效机械特征信息小子样,训练样本不足的难题,使用随机量化数据增强将多传感器原始数据样本进行扩充,从而提高模型的适应性、准确率和缓解过拟合问题.其次用随机LSTM块映射方法来提取特征,解决SCN不擅长提取时序数据特征难的问题;然后使用随机配置网络(SCN)进行分类,SCN可以动态配置参数,无需反向传播来更新参数,在保证学习率的同时,还有效的避免梯度爆炸或梯度消失等问题.采用RQ-RLBM-SCN方法能准确识别出轴承和齿轮故障,在10次重复实验中,轴承和齿轮的多传感器数据集上的平均准确率分别达到99.80%、98.75%均高于原始SCN、TSC-SCN、VMD-SCN、SVM和KNN故障诊断方法;该方法可以为建立旋转机械的健康监测模型提供动态方法和诊断思路.

基于ID3-CNN的旋转机械故障诊断研究

为解决旋转机械故障类型多、等级不均衡的故障诊断难题,构建了一种基于ID3决策树与卷积神经网络(ID3-CNN)的故障诊断模型。首先对原始信号进行人工时域特征提取,使用t-SNE降维可视化提取出特征混叠的故障,而后利用卷积运算对特征混叠的故障进行二次特征提取,提高模型的特征表达能力,最后使用ID3决策树和卷积神经网络对不同等级的故障进行分类。在轴承数据集上对模型进行了验证,结果表明,严重故障的诊断准确率达到100%,轻微故障的诊断准确率达到95%。与传统的支持向量机及二维卷积神经网络比较,提高了模型的诊断准确率及特征提取能力。

基于动态加权的集成DAE的旋转机械故障诊断

为了提升鲁棒性和泛化性,并且考虑各种深度自动编码器的互补性能,提出了一种基于动态加权的集成深度自动编码器的旋转机械故障诊断。结合稀疏深度自动编码器,降噪深度自动编码器和收缩深度自动编码器三种模型来构造集成深度自动编码器,提升处理冗余信息、噪声破坏和信号扰动的能力。为了增强识别性能,提出了一种动态加权平均方法来聚合学习特征。在自吸离心泵数据集和电机轴承数据集上进行了实验验证,结果显示提出方法的测试精度分别达到100%、99.69%和99.92%。通过与其他方法的比较,证明了提出的故障诊断方法的有效性。

基于AVMD与DPC-FCM的旋转机械无监督故障诊断方法

目的 针对旋转机械故障诊断过程中存在故障信号特征提取困难、故障诊断过程有标签数据较少、故障诊断准确率低等问题,提出自适应变分模态分解算法(Adaptive Variational Mode Decomposition,AVMD)与密度峰值算法优化的模糊C均值算法(Clustering by Fast Search and Find of Density Peaks Optimizing Fuzzy C-Means,DPC-FCM)结合的无监督诊断方法。方法 首先,将多尺度排列熵与峭度相结合的综合系数作为适应度函数,对VMD算法的惩罚因子alpha和模态个数K进行参数寻优,提取分解后本征模态函数(Intrinsic Mode Function,IMF)的平均样本熵与平均模糊熵,并输入至聚类算法中。其次,提出利用密度峰值聚类算法确定FCM的初始聚类中心,降低聚类结果的随机性。结果 将提出的无监督故障诊断模型应用到滚动轴承试验信号中,实现了准确的故障诊断。结论 AVMD在故障提取方面具有优越性,同时DPC算法可以有效提高FCM算法无监督聚类的准确性,二者结合可以有效实现旋转机械故障的智能分类。

改进CAN模型在旋转机械故障诊断中的应用研究

由于边缘频带敏感特征对旋转机械故障诊断精度的影响较大,而现有方法往往忽略这一特征,从而导致故障样本识别准确率较低。为解决这一问题,提出应用改进CAN模型的旋转机械故障诊断方法。该方法采用小波变换法将振动信号波形图转化为时频图,通过对Fourier级数进行叠加,实现多分量振动信号分解。然后通过调整带宽大小,获取边缘频带的敏感特征,以提高故障诊断的精度。结合CAN判别器,对敏感分量的包络分布值进行求解,实现故障区间判定。实验结果表明,采用所提出的方法对旋转机械故障进行诊断,在故障样本识别方面准确率较高,展现出较为理想的故障诊断精度。

振动监测技术在旋转机械故障诊断中的应用

本文针对旋转机械故障诊断中的振动监测技术展开研究,首先对旋转机械故障类型进行分类和介绍,包括轴承故障、齿轮故障、转子不平衡和电机故障。然后探讨了振动监测技术在旋转机械故障诊断中的应用,包括基准建模与比较分析、时域分析、多参数综合分析以及实时监测与预警。对振动监测技术在旋转机械故障诊断中的挑战与展望进行了讨论,包括技术局限性与改进方向以及未来发展趋势与研究方向。

旋转机械故障诊断方法的研究与应用

旨在探究旋转机械故障诊断系统的设计与应用,针对工业中常见的旋转机械故障问题进行研究。分析了旋转机械故障的特点、常见类型。通过实际案例的应用,介绍了振动分析技术在水泵叶片和航空发动机等旋转机械中的应用案例。本研究的成果对工业生产中旋转机械的维护和故障预防具有重要意义。

风力发电机组旋转机械的故障诊断技术分析

风力发电技术现下已获迅猛发展,风能既属新能源,又属清洁类能源,已变成世界范围内涨幅比较大的能源之一。风力发电当下在大草原和林海等多数生存环境恶劣、偏远宽阔地区得以广泛应用。若风电机组运转之中突发故障,应及时借助诊断故障的科学技术,确定故障关键诱因,同时予以维修。若在第一时间内没有借助诊断故障的科学技术展开诊断,便难以明确故障诱发因素。伴随时间迁移,有一定可能引起系列事故,从某种程度上会使风电机组运转受到限制。本文基于概述故障诊断技术重要性,详细分析了风电机组旋转机械故障的诊断技术,以供参考。

风力发电机组旋转机械故障诊断技术分析

本文针对风力发电机组旋转机械的故障诊断技术进行了详细分析。介绍了旋转机械故障的常见模式,以加深对故障诊断的认识。针对风力发电机组故障诊断的需求,提出了基于智能算法的故障诊断技术,包括机器学习方法、深度学习方法和智能优化方法。进一步对传统方法与智能算法进行对比,并给出了效果评估指标。通过研究不同技术的优缺点,为风力发电机组旋转机械的故障诊断提供参考和指导。

旋转机械设备中滚动轴承故障诊断技术研究

旋转机械设备是工业领域的重要组成部分,滚动轴承是其中的核心组件之一,滚动轴承的运行情况直接影响着整台设备的运行性能与安全。在装备大型化,高速化,智能化的今天,如何对滚动轴承可靠性进行有效监控与维修已成为一个关键问题,对旋转机械设备中滚动轴承故障诊断技术进行深入研究具有重要意义。在本文中,我们将会详细地分析常见旋转机械设备中滚动轴承故障,分析其在生产中的作用,并分析一些关键的滚动轴承故障诊断技术,希望能够为相关人员提供参考,并且对今后旋转机械设备中滚动轴承故障诊断的发展进行了一定的预测,希望能够给有关方面的研究与实践提供一些有意义的借鉴。

风力发电机组旋转机械的故障诊断技术研究

风力发电机组作为一种清洁能源装置,在能源领域具有重要地位。然而,由于长期运行和恶劣环境的影响,风力发电机组旋转机械常常会出现各种故障,影响其运行性能和寿命。本文通过对风力发电机组旋转机械的构成与工作原理进行概述,分析了常见故障,然后对目前常用的故障诊断技术进行了深入分析与比较。振动分析技术、热红外成像技术、声学诊断技术以及数据驱动的故障诊断技术在实际应用中都具有一定的优势和局限性。结合实际情况选择合适的技术进行故障诊断,可以有效提高风力发电机组的可靠性和运行效率。