基于格拉姆角差场和生成对抗网络的小样本滚动轴承故障诊断方法

针对基于深度学习的滚动轴承故障诊断算法需要从大量标注数据中学习,且面对样本数量受限时诊断效果不佳的问题,文中提出了一种基于格拉姆角差场(GADF)和生成对抗网络(GAN)的小样本滚动轴承故障诊断方法。首先,提出了基于GADF变换的数据增强方式,将少数1维振动信号通过GADF变换转换为2维GADF图像,并通过裁剪得到GADF子图,从而得到大量的图像样本;然后,将条件生成对抗网络(CGAN)与带有梯度惩罚的Wasserstein GAN(WGAN-GP)相结合,构建一种新的生成对抗网络,该网络通过条件辅助信息与梯度惩罚增强模型训练稳定性,并设计动态坐标注意力机制以增强模型的空间感知能力,从而生成高质量样本;最后,使用生成的样本对分类器进行训练,并在验证集上得到诊断结果。文中分别使用东南大学数据集和美国凯斯西储大学(CWRU)数据集进行了两组小样本环境下的轴承故障诊断实验。结果表明,与传统生成对抗网络以及先进的小样本故障诊断方法相比,文中所提方法的准确率和精确率等5项故障诊断指标均获得最好的结果,可以准确诊断出小样本条件下的轴承故障类型。

基于格拉姆角差场和卷积神经网络的宽频振荡分类方法

宽频振荡模式具有时变性和时空分布特性,对振荡分类方法在准确性、自适应性等方面提出了更高的要求。为此,该文提出一种基于格拉姆差场(gram difference field,GADF)和卷积神经网络(convolutional neural network,CNN)相结合的宽频振荡分类方法。首先,利用GADF将宽频振荡一维时间序列转换为二维特征图,保留了数据对时间的依赖性和数据间存在的潜在联系特征。然后,通过CNN对GADF特征图自适应地完成宽频振荡模态特征的检测和分类。仿真和实测数据分析结果表明,GADF-CNN方法可以有效检测宽频振荡类型,具有更高的分类检测准确率和自适应性。

基于格拉姆角差场和迁移残差网络的HVDC线路故障识别

为了提高高压直流(high voltage direct current,HVDC)输电线路在样本数量不足和高阻抗条件下的识别准确率,提出了一种基于格拉姆角差场(Gramian angular difference field,GADF)和迁移残差网络(ResNet18)结合的高压直流输电线路故障识别方法。首先利用格拉姆角差场将一维时序信号转化为二维角差场图,然后将在源域ImageNet-1K数据集上训练好的ResNet18模型的权重参数迁移至以角场图为目标域的ResNet18模型中,自适应提取故障相关特征,进行故障类型识别。实验结果证明:相较于其他深度学习方法,所提方法在小样本条件下能够正确识别区内正极接地故障、区内负极接地故障、区内双极短路故障和区外故障,识别准确率达到99.67%,并且具有较强的耐受过渡电阻能力、抗噪性和泛化性。

基于GADF融合RDSAN的跨工况轴承故障诊断

针对在不同工况下获取到的滚动轴承振动数据特征分布存在差异,以及由于存在噪声而导致故障特征不明显的问题,提出了一种融合格拉姆角差场(GADF)与残差深度子领域自适应(RDSAN)模型的跨工况轴承故障诊断方法。首先,为充分利用GADF在故障特征差异化显示上的优势,利用GADF来生成滚动轴承一维振动时域信号对应的图像数据集;其次,将数据集输入RDSAN模型,其中使用由改进图像集预训练的ResNet-18网络结构进行源域与目标域通用特征的进一步提取,并引入局部最大均值差异(LMMD)计算匹配条件分布距离进行子领域自适应;最后,在添加0.5 dB高斯白噪声的CWRU滚动轴承数据集上进行跨工况试验验证,结果表明所提方法的平均诊断精度达到96.8%;将所提出的方法与不同的诊断方法进行比较分析,结果验证了该方法的有效性和优越性。

基于GADF-MDSC的特大型轴承深度迁移故障诊断方法

针对工程应用中特大型轴承运行工况复杂以及故障数据匮乏,导致其故障特征提取不全面的问题,提出了一种基于格拉姆角差场-多尺度深度可分离卷积(Gramian angular difference field-multi-scale depthwise separable convolutions,GADF-MDSC)的特大型轴承深度迁移智能诊断方法。首先,构建GADF-MDSC故障诊断网络,该网络分为三大模块:图像转换、特征提取、输出部分。图像转换模块采用GADF编码方式将振动信号转换为二维图像;特征提取模块通过MDSC提取综合故障特征信息,并利用双向门控循环单元筛选融合特征;输出部分由Softmax函数预测轴承故障类型的概率分布。然后,利用源域数据预训练模型,将预训练模型权重参数作为目标域训练模型初始化参数,冻结除底层外的所有参数,使用目标域数据微调模型,实现深度迁移故障诊断任务。最后,通过两种特大型轴承试验对深度迁移模型进行验证。试验结果表明,所提方法在目标域样本仅有5.00%的条件下,仍能保证较高的跨工况精度,达到86.04%,且迁移效果优于其他方法。

基于格拉姆角差场图像编码的非侵入式负荷识别方法

非侵入式负荷监测作为家庭用电精细化管理的重要手段,对推进节能减排、实现“双碳”目标具有积极作用。然而,利用原始电压-电流轨迹图像特征很难实现高精度负荷识别。因此,提出了一种基于格拉姆角差场(GADF)图像编码的非侵入式负荷识别方法。首先,对设备采集到的高频稳态数据进行预处理,获得一个完整基波周期电流和电压信号。然后,利用GADF分别对一维电压和电流信号进行图像编码,生成相对应的二维图像。最后,通过叠加融合输入到卷积块注意力模型中完成负荷识别。为了验证所提方法的有效性,利用公共数据集PLAID和WHITED进行实验分析。结果表明,该方法具有很高的识别精度,PLAID数据集平均识别准确率达到99.45%,WHITED数据集平均识别准确率达到99.24%。

GADF和改进CNN的齿轮箱复杂环境下故障诊断

针对齿轮箱同时处于变负载和含有噪声的复杂环境下的故障诊断难题,提出一种基于格拉姆角差场(Gram Angle Difference Field,简称GADF)和改进的具有多注意力机制的卷积神经网络(Multiple Attention Mechanism Convolutional Neural Network,简称MACNN)的齿轮箱故障诊断方法。首先将采集得到齿轮箱的一维振动信号的故障数据集进行预处理;然后通过格拉姆角差场将一维数据集转为二维图像数据;其次,将二维数据集数输入到改进的带有多注意力机制的卷积神经网络模型中进行训练;最后采用Softmax对齿轮箱故障数据集进行分类。通过试验验证,这里所提的方法在两个负载数据集上都可以达到99.80%以上,改进之后的模型训练效率更高、耗时更短,同时这里所提方法也优于一些已经发表的齿轮箱故障诊断的方法,此外本方法对齿轮箱在同时处于变负载和噪声的复杂环境中,依然有着较强的故障诊断能力。

面向滚动轴承的自适应NA-MVMD融合GADF故障诊断方法

针对滚动轴承的故障特征易被湮没在噪声背景下,从而导致故障种类难以识别的问题,提出了一种基于自适应噪声辅助多元变分模态分解(NA-MVMD)降噪融合格拉姆角差场(GADF)特征提取的滚动轴承故障诊断方法。首先,使用鲸鱼优化算法(WOA)对NA-MVMD中的分解模态数K和惩罚因子α进行寻优;其次,利用NA-MVMD处理信号得到若干IMF分量,根据GADF将筛选重构后的一维数据转化为二维图片;随后,将故障特征图片输入LeNet-5卷积神经网络进行分类识别。采用某大学XJTU-ST轴承故障数据进行验证分析,分类准确率达到了97.5%,证明了该方法在较强噪声背景下具有较好的诊断性能。

基于GADF和ResNet的轴向柱塞泵复合故障诊断研究

轴向柱塞泵是液压动力系统的重要组成部分,由于其发生故障时会产生严重的危害,所以对其进行故障诊断是非常有必要的。然而大量的工程实践表明,轴向柱塞泵往往会同时在不同的部位,以不同的形式表现为复合故障。由于轴向柱塞泵复合故障振动信号的多分量耦合调制特征及特征参数较难确定,所以针对此问题,提出了一种基于格拉姆角差场与深度残差网络相结合(GADF-ResNet)的轴向柱塞泵复合故障诊断方法。首先,对轴向柱塞泵原始振动信号进行了格拉姆角差场(GADF)转换,将其转换为二维数组,将数组以灰度图形式存储,得到了特征样本,并将其分为训练集与测试集,以多标签的方式进行了标记;然后,将样本输入到深度残差网络(ResNet)中,通过前向传播和反向传播方式确定了网络最佳结构和参数;最后,采用实验的方式,通过测试集验证了该模型的可行性和鲁棒性。实验结果表明:采用基于GADF-Resnet的轴向柱塞泵复合故障诊断方法对轴向柱塞泵的复合故障进行识别,其准确率可以达到87%以上。研究结果表明,该方法可以有效地识别轴向柱塞泵的复合故障。

基于GADF与卷积神经网络的滚动轴承故障诊断研究

为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势,提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型。首先,将一维时序振动信号通过格拉姆角差场转化为二维图像,提取了图像特征,并输入了改进后的CNN模型;其次,改进的CNN模型采用全局池化层替代了传统的全连接层,有效地解决了传统CNN模型参数爆炸的问题;最后,进行了试验研究,通过Adam小批量优化法进行了迭代训练,达到了理想的检测精度。试验与研究结果表明:该诊断方法在特征提取方面更快速、准确,充分展现了CNN模型的非线性表达能力,检测精度优于其他智能诊断算法。

基于双图转换和融合CRNN网络的轴承故障诊断

针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。

基于非对称卷积神经网络的电弧故障检测系统

串联电弧故障是引发电气火灾的重要原因,对其有效检测能确保线路的正常运行和电气设备的可靠工作。根据低压串联电弧故障的检测难点,提出了基于非对称卷积神经网络的识别模型,用于适应性地提取串联电弧故障信息。针对串联电弧故障种类多、信息隐蔽等问题,首先利用格拉姆角差场时域数据处理方法,将负载模拟的时域信号经过极坐标变换、三角变换后映射到二维矩阵中,以增加故障数据点的空间占有率和数据关联信息。之后,为了不增加时间开销,同时改善模型的识别效能,使用自适应非对称卷积、多通道离散注意力机制改进残差神经网络,作为低压线路中的串联电弧故障模型。最后,利用容器封装已训练好的故障识别模型,实现故障信息的快速分析。验证表明,所提方法对串联电弧故障的识别率达到99.95%,具有良好的识别效果。

基于改进ConvNeXt的轴承故障诊断研究

根据现有的网络模型(ConvNeXt)在处理小样本任务过程中,无法完全提供故障信息、所需样本数据量过大、泛化性能不足和鲁棒性能较低的特点,提出一种改进型ConvNeXt网络模型的轴承故障诊断方法。首先使用格拉姆角差场图像编码技术将故障样本进行解码得到相应的故障特征图;然后通过随机裁剪、旋转等方法,对数据增强模块进行改进;其次利用非对称卷积思想对ConvNeXt模型的大卷积核进行重构,增强模型对小样本任务的处理能力;最后融入CBAM注意力机制,提高模型对信号特征的通道和空间方面的提取能力。实验表明,改进型ConvNeXt网络模型对滚动轴承不同故障直径的识别准确率达到了98.3%,相比较GADF+VggNet,GADF+ResNet,GADF+ConvNeXt等网络模型,分别提高了16.7%,1.4%和4.05%。结果表明,所改进模型提升了原始模型在处理小样本条件下故障诊断效果,并且在不同故障直径滚动轴承条件下,故障诊断的准确率优于其他模型,且具有较强的泛化性和鲁棒性。

小样本下基于GADF和ProNet的单向阀故障诊断方法

针对高压隔膜泵单向阀故障有标签数据稀少、振动信号特征不易表征的问题,该文提出了一种格拉姆角差场(Gram angle difference field)结合原型网络(Prototype Network)的小样本下单向阀故障诊断方法。首先,利用格拉姆角差场将单向阀的一维振动信号转化成具有时间依赖性的二维特征图像,提取图像特征后将图像特征映射到嵌入空间,得到单向阀各个状态下的原型表示,最后通过分类器进行识别分类,从而实现小样本下高压隔膜泵单向阀的故障诊断。实验表明,该方法在高压隔膜泵单向阀故障诊断的不同小样本数据集上均能实现更高精度的故障诊断。