基于MCKD的海上风机齿轮箱轴承故障诊断方法

海上风机齿轮箱结构复杂、故障多发,同时受海上风机运行的强噪声干扰,轴承故障的特征信号提取较为困难。针对以上问题,提出了一种基于最大相关峭度解卷积(MCKD)的故障诊断方法,通过MCKD算法对振动信号进行降噪处理和特征增强,并利用增强包络谱对轴承的故障特征频率进行提取,从而实现对轴承的故障诊断。将该方法应用到海上风机齿轮箱轴承的模拟信号和实测信号中,研究结果表明:该方法对海上强噪声环境下齿轮箱轴承故障的特征提取和诊断具有良好的效果。

基于蜂群算法的选择性神经网络集成的风机齿轮箱轴承故障诊断

齿轮箱故障数据建模相当复杂,其计算量极大甚至是不可行的。提出一种基于蜂群算法的选择性神经网络集成算法来解决此问题。首先选取齿轮箱轴承故障数据训练各学习器,然后给每个学习器赋予权重系数,组成权值向量作为蜜源个体用于蜂群算法寻优,最后根据得到的最优权向量和阈值比较确定需要剔除的学习器。通过多种UCI数据集分析以及实际轴承故障数据集试验,结果表明新算法诊断效率明显高于基于遗传算法的选择性神经网络集成算法,同时这两种算法诊断精度相当,甚至新算法占优。

基于DPSO-MKELM算法的风机齿轮箱轴承故障诊断

基于离散粒子群优化算法(DPSO)与基于多尺度小波核函数的核极限学习机(MKELM),提出了一种新型的DPSO-MKELM算法用于风机齿轮箱故障诊断。首先,针对PSO算法过早收敛,易陷入局部最优的缺点,提出改进DPSO算法,在迭代过程中,通过调节权重因子和学习因子,降低算法过早收敛概率,减少优化结果陷入局部最优状态的可能。其次,提出一种基于多尺度小波核函数的核极限学习机(MKELM),利用不同尺度小波核函数叠加构造核极限学习机。最后将两种算法有机结合,提出一种新型的DPSO-MKELM算法,用于风力轴承的故障诊断。通过实际数据的算例验证,新算法具有更高的分类精度和较快的收敛速度。

基于MTF-Swin Transformer的风机齿轮箱故障诊断

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为Swin Transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。

基于维纳滤波的风电机组齿轮箱轴承故障诊断

存在轴承故障时,风电机组齿轮箱振动信号的幅度与频率都会发生明显改变,通过信号变化行为的测量能够判定出具体的轴承故障等级。为实现对轴承故障的准确判定,设计基于维纳滤波的风电机组齿轮箱轴承故障等级判定方法。通过获取轴承振动波的IMF分量,并完善维纳滤波算法,在此基础上,处理故障数据,实现基于维纳滤波的轴承故障特征提取。定义轴承故障特征的伪四阶矩,通过求解特征角度的方式,确定故障等级基准的判定范围,完成基于维纳滤波的风电机组齿轮箱轴承故障等级判定方法的设计。实验结果表明,利用上述方法,能够根据幅度和频率的变化行为,判定风电机组齿轮箱轴承的故障等级,符合实际应用需求。

基于循环卷积生成对抗网络的风机齿轮箱故障诊断

风机齿轮箱是风力涡轮传动系统中的关键部分,其故障发生随机、故障样本数量不足,严重影响故障诊断的准确性。针对此问题,提出一种基于循环卷积生成对抗网络的风机齿轮箱故障诊断方法。首先,构建基于循环卷积生成对抗网络的样本生成模型,利用卷积网络和循环网络作为生成器增强样本间的时间相关性;借助Wasserstein距离与梯度惩罚项改进目标函数,并通过博弈对抗机制优化生成器和判别器,提高模型的泛化能力。然后,结合真实样本和生成样本,设计基于堆叠去噪自编码器的故障诊断方法,实现齿轮箱的故障诊断。最后,利用风力涡轮传动系统数据集验证所提出的风机齿轮箱故障诊断方法的性能。结果显示,所提方法能够有效平衡故障样本数据集,进一步提高风机齿轮箱故障诊断的准确率。

一种风机齿轮箱故障智能诊断方法

风机齿轮箱的故障诊断主要取决于运维工程师的工作经验和信号分析能力,本文针对该问题提出了一种新的风机齿轮箱故障智能诊断方法。首先,通过格拉姆角场(Gramian Angular Difference Field,GADF)将少量齿轮箱振动信号进行维度变换,得到其二维可视化图像。其次,搭建并增强深度卷积神经网络模型,即IConvNeXt模型。最后,将小样本的齿轮箱可视化图像数据作为IConvNeXt的输入进行模型训练,实现齿轮箱故障特征自适应提取与识别。公开数据集验证结果表明,本文方法对齿轮箱的故障识别效果显著。

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。

基于NGO-VMD和改进GoogLeNet的齿轮箱故障诊断方法

目前的齿轮箱故障诊断方法,在多转速工况及噪声干扰下,存在过拟合及诊断效果不佳的问题。针对此问题,提出一种北方苍鹰(NGO)算法优化变分模态分解(VMD)结合改进GoogLeNet的齿轮箱故障诊断方法。使用NGO对VMD进行参数寻优,利用优化后的VMD去除故障信号中的噪声;对原始GoogLeNet的结构进行合理删减,并利用延迟丢弃法、可训练的ReLU函数(TReLU)对其改进;最后,将去噪后的故障信号转换为二维图作为改进GoogLeNet的输入数据进行网络的训练及分类,得到故障诊断结果。实验结果表明:与其他降噪方法相比,NGO-VMD方法的降噪效果明显,能显著提高故障诊断的准确率;与常见的卷积神经网络相比,提出的改进GoogLeNet能进一步提高故障诊断的准确率,达到了97.2%。

基于SDP和MCNN-LSTM的齿轮箱故障诊断方法

齿轮箱在长期使用过程中,不可避免地会产生齿轮故障和轴承故障,严重影响传动精度和设备运行安全。基于此,针对齿轮箱常见故障类型,研究多通道对称点图案(symmetrized dot pattern, SDP)数据处理方法,并利用最小能量误差法实现SDP关键参数的选取。结合多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)的空间处理优势、长短时记忆网络(long short term memory, LSTM)的时间处理优势及其良好的抗噪性和鲁棒性,提出了一种基于SDP和MCNN-LSTM的齿轮箱故障诊断模型。同时利用东南大学齿轮箱数据集,验证了基于SDP和MCNN-LSTM的齿轮箱故障诊断方法对齿轮和轴承常见故障类型特征提取的有效性,并与现有其他故障诊断方法进行对比,结果表明了所提方法具有更高的精度。

基于多模 态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络(MECNN)用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明:在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。

EHDE和WHO-SVM模型在齿轮箱故障诊断中的应用

针对现有齿轮箱故障诊断方法对数据长度敏感的缺陷,提出了一种基于增强层次多样性熵(EHDE)和野马算法(WHO)优化支持向量机(SVM)的齿轮箱故障诊断模型。首先,传统熵值特征提取方法在特征提取阶段对数据样本的长度比较敏感,为此提出了增强层次多样性熵,并将其作为特征提取指标用于提取齿轮箱的故障特征;其次,采用WHO算法对SVM模型的参数进行了优化,建立了参数最优的WHO-SVM分类器;最后,将故障特征样本输入至WHO-SVM分类器中进行了训练和识别,完成了样本的故障识别;利用齿轮箱数据集分别从数据长度敏感性、算法特征提取时间、模型诊断性能三种角度对EHDE、精细复合多尺度样本熵、精细复合多尺度模糊熵、精细复合多尺度排列熵、精细复合多尺度散布熵、精细复合多尺度波动散布熵进行了对比研究。研究结果表明:EHDE方法对数据长度的要求较低,在数据长度为512时即可以取得99.1%的平均识别准确率,在诊断稳定性和诊断精度方面均优于其他对比方法;在算法的泛化性实验中,EHDE方法能够以98%的准确率识别齿轮箱的不同故障类型,具有明显的泛化性和通用性。

基于图注意力网络的风力发电机齿轮箱故障诊断

针对风力发电机齿轮箱故障振动信号的非平稳性、特征混叠和诊断正确率低等问题,提出一种基于图注意力网络(GAT)的风力发电机齿轮箱故障诊断方法。首先利用原始振动信号的频谱定义节点和边,将故障信号构造为可视图;然后将可视图数据作为输入,在GAT中嵌入邻居自注意力机制使其自适应提取可视图信号的节点特征和结构特征;最后使用分类器对提取的节点特征进行分类识别。通过行星齿轮箱数据集和风力发电机齿轮箱数据集的实验,结果表明与机器学习、深度学习以及其他图神经网络相比,所提方法准确率更高,鲁棒性和抗噪性更好,可有效实现端到端的智能故障诊断。

基于希尔伯特变换的风电机组齿轮箱故障诊断方法研究

齿轮箱作为风电机组关键部件,由于运行环境以及工况的复杂性,易出现故障,严重威胁机组安全稳定运行。因此,对齿轮箱进行故障诊断对确保风电机组稳定运行具有重要意义。在介绍齿轮箱结构特点、故障模式、振动监测的基础上,结合齿轮箱结构特点,给出齿轮与轴承故障特征频率的计算方法。同时采用希尔伯特变换与倒谱分析相结合的方法对齿轮箱振动数据进行分析,提取故障特征频率。经实例验证,该方法能够准确得到齿轮箱故障频率的同时定位齿轮箱故障,实现风电机组齿轮箱的故障诊断。

STFT结合2D CNN-SVM的齿轮箱故障诊断方法

为提高齿轮箱故障诊断的有效性和故障识别的准确率,提出一种基于短时傅里叶变换(Short-term Fourier transform,STFT)、二维卷积神经网络(Two-dimensional Convolutional Neural Network,2D CNN)和支持向量机(Support Vector Machine,SVM)相结合的齿轮箱故障识别方法。搭建JZQ250型定轴齿轮箱实验平台,利用加速度传感器获得齿轮箱振动信号,并对振动信号进行短时傅里叶变换得到二维时频图,然后将时频图输入到2D CNN中进行特征信息提取,通过2D CNN前向传播和反向传播对不同类别故障时频图信息进行训练,建立不同类别特征之间更深层次的联系,通过训练集和验证集loss曲线、准确率曲线和t-SNE可视化(t-Distributed Stochastic Neighbor Embedding,t-SNE)多种方法来反映模型训练程度,最后由SVM对故障类型进行识别。通过将所提出的方法与FFT-2D CNN、1D CNN-SVM和2D CNN-SVM对齿轮箱故障识别结果进行对比,本方法故障识别准确率最高,达到97.94%,且提出的方法具有很好的鲁棒性。

无源数据约束下多源域自适应的风电齿轮箱故障诊断方法

针对在数据隐私和安全性的背景下,无法接触源域数据导致领域自适应方法不可用的问题,提出一种无源数据约束下多源域自适应的故障诊断方法。首先,通过信息最大化损失促使源域与目标域数据在特征空间进行对齐;然后利用自监督伪标签策略挖掘目标域数据的特征表征信息,并采用熵筛选策略抑制噪声伪标签的影响;最后通过自适应加权有效利用多个源域的知识并抑制负迁移影响,实现无源数据约束下的风电齿轮箱的故障诊断。通过动力传动综合实验台数据和某风场风电机组CMS数据对所提方法进行验证与应用。结果表明:所提方法仅利用预训练的源域模型和目标域无标签数据即可有效实现目标域风电齿轮箱故障诊断。

基于振动信号最优特征提取算法的风力机齿轮箱SVM故障诊断

针对风力机齿轮箱故障诊断的特征提取过程,提出基于振动信号最优特征提取算法的风力机齿轮箱SVM故障诊断方法。首先,分析3种主要特征提取算法各自适应性高的信号类型;然后,根据不同类型信号所具有的信号特性,利用信号分析对传入的振动信号进行特性提取并分类,将不同类别信号与适应性高的特征提取算法进行匹配,实现振动信号的最优特征提取;最后,将匹配算法与支持向量机模型结合实现故障诊断。对实际采集的3种齿轮故障信号进行测试与验证,结果表明该方法可有效进行最优特征提取与算法匹配,相比未经过匹配算法具有更高的故障诊断准确率。

小波变换和深度残差收缩网络在齿轮箱故障诊断中的应用

齿轮的精确故障诊断是确保旋转机械设备稳定可靠运行的有效手段,针对强噪声环境下齿轮箱中齿轮故障分类问题,提出了一种基于连续小波变换和深度残差收缩网络的故障诊断模型。首先,采用小波变换对一维时间序列的振动数据进行时频分析,将其转化为二维时频图作为深度残差收缩网络(DRSN)的输入;其次,在多层卷积神经网络的基础上加入残差结构中的跨层恒等连接解决了梯度消失和爆炸的问题,同时利用自适应阈值子网络实现软阈值化降噪;最后,将故障样本的时频图作为诊断模型的输入进行故障分类。实验结果证明了与其他模型相比,本文采用的故障诊断方法更容易识别故障特征,分类准确率达到了99.15%。

基于VMD和优化SSA-ELM的齿轮箱故障诊断

针对传统滤波器对齿轮箱信号去噪不充分和模型识别准确率低的问题,提出一种基于变分模态分解(variational mode decomposition,VMD)和改进麻雀搜索算法(sparrow search algorithm,SSA)来优化极限学习机(extreme learning machine,ELM)的齿轮箱故障诊断模型。通过改进VMD后含噪分量的选取方式,并结合小波包阈值处理对齿轮箱信号进行滤噪,在提取时频域有效特征的基础上,通过Tent混沌映射和引入微分递减因子改进SSA以优化ELM模型进行分类识别。实验结果表明,所提模型对齿轮箱故障工况的分类准确率达到99.50%,在故障诊断精度提升的同时收敛速度更快,验证了模型的可行性。

基于URP-ANCNN的变转速齿轮箱智能故障诊断方法

由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot,URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network,ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform,FFT)将时域信号转化为频域信号,再利用URP编码将得到的频域信号转化为二维递归图,并提取图像特征输入到ANCNN模型。在ANCNN模型中,采用批量归一化算法消除因转速变化引起的特征分布差异,同时处理转速波动下产生的频移和调制特性,并使用遗传算法自动调整该网络模型的超参数,以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证,实验结果表明,该方法能够克服转速波动的影响,成功实现对不同齿轮故障的准确识别。