基于改进激活函数的一维卷积神经网络电机轴承故障诊断的研究

提出了一种基于改进激活函数的一维卷积神经网络的电机轴承故障诊断的方法,该方法首先介绍了一维卷积神经网络的结构,然后详细说明了激活函数的改进点,最后通过仿真试验依次采用三种一维卷积神经网络对电机轴承故障进行分类,通过对比发现,此方法具有诊断准确率高、收敛速度快、无需人为提取故障特征等优点。

基于SPM检测的牵引电机轴承故障诊断与检修探讨

牵引电机轴承是地铁列车主要动力部件,长期在复杂工况运行容易产生故障,直接影响列车的安全运营。通过对电机轴承故障诊断现有检测方式的分析及比较,结合地铁检修基地资源情况,从经济性及安全性角度提出磁链检测结合SPM的检修策略。以基于电信号的轴承磁链观测的方式实时检测单节车轴承状态,再对检测异常的单节列车采用SPM设备准确的诊断轴承故障位置及损伤程度,实现实时检测轴承工作状态,全面提升轴承使用安全性,节省大量检修资源。

基于逆残差卷积的轻量级电机轴承故障诊断方法

针对深度神经网络故障诊断方法存在参数量大、难以应用在移动设备上的问题,提出一种基于逆残差卷积的轻量级电机轴承故障诊断方法。提出用电机轴承原始振动信号数据的小波包节点系数重构二维小波包图像,具体来说,以轻量级残差网络(ResNet)为基础,将其中卷积改为更轻量级的深度可分离卷积,从而达到了缩短模型训练时间之目标。实验结果验证了所提方法用于轴承故障诊断的有效性。

LMD支持向量机电机轴承故障诊断研究

针对支持向量机(SVM)对处理大样本数据和多分类问题以及核函数选择的局限性,提出LMD支持向量机电机轴承故障诊断方法。首先应用局域均值分解(LMD)算法对信号进行自适应分解,得到一系列PF分量,并利用相关分析剔除虚假分量,提取真实PF分量能量组成特征向量;其次应用新的核函数对SVM进行改进,实现自适应的训练,并针对大样本数据和多分类问题采用‘一对多’的方法;最后以特征向量作为改进SVM的训练样本和测试样本,对电机轴承故障信息进行训练,预测。实验验证,该方法能有效的对电机轴承故障进行自适应的诊断。

基于深度置信网络和对称点模式电机轴承故障诊断研究

电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98%以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。

上海地铁车辆牵引电机轴承故障分析与预防性维护

针对上海地铁11号线车辆牵引电机轴承故障频发的问题,介绍了牵引电机轴承结构,对牵引电机轴承故障进行了统计,分析了牵引电机轴承故障的原因,认为电腐蚀是轴承故障的根本原因。在一代导流环基础上优化设计出二代导流环,同时改变了在电机上的安装位置,提升了导流环抑制电腐蚀的效果。二代导流环在列车上安装试用后,有效减少了轴承故障。根据检修现场实际情况,提出牵引电机轴承相应的预防性维护措施,保证地铁车辆运行的安全可靠性。

两种电机滚动轴承故障诊断方法对比研究

分别将集成经验模态分解(Ensemble Empirical Mode De-composition,EEMD)、经验小波变换(EmpiricalWaveletTransform,EWT)、排列熵(PermutationEntropy,PE)、支持向量机(Support Vector Machine,SVM)方法进行结合,形成了基于EEMD、PE、SVM的EEMDPS和基于EWT、PE、SVM的EWTPS这两种电机滚动轴承故障诊断方法。异步电机轴承的故障诊断实验表明:在相同实验条件下,两种方法对电机轴承的内圈单点故障、外圈单点故障和内外圈复合故障均可实现100%诊断,但EWTPS方法诊断时间更短;在电机轴承的滚动体-保持架复合故障和正常状态的诊断方面,EWTPS诊断方法具有更好的诊断效果。

电机滚动轴承故障的会议制随机森林诊断方法

为了提高电机轴承故障的识别准确率,提出了基于自适应多尺度散布熵与会议制随机森林算法的轴承故障诊断方法。分析了电机轴承不同故障信号的特征频率,将局部特征尺度分解和散布熵进行结合,提取了故障信号的自适应多尺度散布熵作为特征向量。在故障模式诊断方面,以随机森林算法为基础融入了决策树的参会权重策略,使专家型决策树具有更大的决策权,从而提高了随机森林算法的故障诊断准确率,将此算法命名为会议制随机森林算法。以美国凯斯西储大学的轴承数据为对象进行实验,在不同故障模式的诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.68个百分点;在不同故障程度的内圈故障诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.28个百分点,比马尔可夫诊断方法高出了7.86个百分点,以上数据验证了故障诊断方法的有效性。

改良GoogLeNet的电机滚动轴承故障诊断

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统GoogLeNet模型单元与稠密连接思想结合,提出一种改良的GoogLeNet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上标签后,直接输入到改良模型中进行训练,最后将测试集输入到训练好的模型中,测试其分类准确率。由于诊断过程不需要进行人工特征提取,从而避免了人工提取故障特征时的困难和带来的误差,大大简化了故障识别过程,证明了改良GoogLeNet模型在故障诊断中的可行性。将提出的模型与传统GoogLeNet模型和其他典型模型做对比,结果表明,改良GoogLeNet卷积神经网络模型具有精确度高、特征提取能力强、收敛速度快、表现稳定的特点。

基于三维不变线矩的发电机组导轴承三维轴心轨迹故障识别

现有的基于仿射不变矩的轴心轨迹分类方法仅支持对二维轴心轨迹的形状进行分类,不能对三维轴心轨迹进行分类。本文首先引入了一种基于特征点之间距离的均值和方差来进行分类性能评价的矩阵,验证了给出的三维不变线矩对同一形状的轴心轨迹保持仿射变换的不变性,并使用Quadratic SVM实现了对三维轴心轨迹和二维轴心轨迹的分类。数值实验表明,所提出的三维不变矩和SVM结合的方法能够有效对不同形状的轴心轨迹故障进行分类。

SPM技术在电机故障诊断中的应

提出基于SPM冲击脉冲技术在涂装车间电机故障诊断的应用方法.利用leonova数据采集、分析软件及相关硬件,构建涂装车间电机故障诊断系统,并对现场所有电机进行离线式检测,通过对测量结果的分析能够及时发现存在故障隐患的电机,从而验证本系统的准确性与可行性,也为推广至其他行业电机诊断提供了有力依据。

某风电场大部件振动分析典型案例分享

某风电场风电机组已投运8年以上,齿轮箱和发电机轴承处于故障高发期,2021年度通过在线振动分析累计发现并处理齿轮箱类损伤6台次、发电机轴承类损伤6台次。本文对齿轮箱及发电机损伤的典型振动分析案例进行分享,为后续风电机组大部件的振动分析工作积累经验。