采用马尔科夫转移场和图注意力网络的滚动轴承故障诊断方法

针对实际工程环境复杂多变而导致模型识别准确率不高的问题,提出了一种融合马尔科夫转移场和图注意力网络(Markov transition field and graph attention networks,MTF-GAT)的滚动轴承故障诊断模型。利用MTF保留信号时间相关性的优点,将一维信号转换为二维特征图并定义图的节点和边;利用图注意力层可自适应地对邻近节点分配不同权重的特点,提高模型捕获有用故障特征的能力,并采用深层卷积模块进一步提取图的抽象信息;通过模拟实际工程环境,将各类故障信号输入到训练好的MTF-GAT模型进行故障诊断,并在两个数据集上进行试验验证。结果表明,本文所提出的模型在多种环境下均能准确地完成故障分类任务,相较于其他常用的深度学习模型,MTF-GAT模型具有更好的识别精度和泛化性能。

湖北刘家场地区奥陶系地层沉积相及马尔科夫链分析

根据野外实测剖面分析刘家场地区奥陶系从西陵峡组到临湘组的地层特征、古生物类型和沉积相演化规律,表明该区奥陶系以碳酸盐岩台地相序为主,主要由局限台地、开阔台地、台地边缘生物礁和沉没台地组成。在此基础上,运用马尔科夫链随机过程建立研究区沉积序列概率模式。以定量的数学地质方法估计了岩相在垂直剖面上的转移概率,克服了传统的定性沉积相模式建立方法中存在的由人为因素导致的差异,研究结果表明这是一种行之有效的将复杂地质问题简化的处理方法。

小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法

针对滚动轴承在不同工况条件下样本分布不同以及故障样本数量不足导致故障诊断精度低、泛化性能差的问题,提出一种小样本下基于MTF与SSCAM-MSCNN的滚动轴承变工况故障诊断方法。首先,运用马尔科夫转移场(MTF)将一维振动信号转化为具有时间相关性的二维特征图。其次,提出条纹自校正注意力机制(SSCAM),它不仅可以加强模型在长距离方向上的特征提取能力,还能建立通道间依赖关系,可以对全局有效信息进行捕捉。然后,将SSCAM引入到多尺度神经网络(MSCNN)中,构建出SSCAM-MSCNN模型。最后,将MTF二维特征图输入到所提模型中进行训练,采用优化后的网络模型进行测试并输出分类结果。通过美国凯斯西储大学以及本实验室MFS滚动轴承数据集对所提方法进行验证,同时对后者进行加噪处理,与其他故障诊断模型进行对比。试验结果表明,所提方法在小样本、变工况条件下具有更高的识别精度、更强的泛化性能与抗噪性能。

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MTF-CBAM-IResNet的滚动轴承故障诊断方法

针对工况复杂、特征提取不充分、数据集较小时故障诊断精度不高的问题,提出了一种基于马尔科夫转移场(Markov transfer field,MTF)、卷积注意力(convolutional block attention module,CBAM)和改进残差神经网络(improved residual neural network,IResNet)的滚动轴承故障诊断模型。首先,MTF算法保留一维振动信号中的时间相关特性,生成二维图像;其次,采用CBAM捕捉图像的关键特征,动态学习不同尺度特征之间的关系;再次,IResNet增强网络非线性表达能力;最后,构建MTF-CBAM-IResNet模型进行故障诊断。实验结果表明,在变工况情况下,模型的平均准确率达到99.29%,在不同规模小样本的情况下,模型的平均准确率分别达到99.05%和97.67%,验证了模型的泛化性能和诊断效果。

基于MTF-CNN的滚动轴承故障诊断方法

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。

基于深度学习的矿井滚动轴承故障诊断方法

针对传统卷积神经网络在煤矿井下等复杂环境中难以充分挖掘数据特征等问题,提出了一种基于马尔可夫转移场(MTF)和双通道多尺度卷积胶囊网络(DMCCN)的矿井滚动轴承故障诊断方法,构建了MTFDMCCN故障诊断模型。根据MTF和灰度图对原始振动信号进行编码后,采用双通道输入模式连接卷积网络获取浅层特征;将特征图进行融合后输入到胶囊网络,提高模型对空间信息的敏感度;在网络中引入Inception模块,聚焦多尺度特征,加强网络的特征提取能力;通过胶囊层进行向量化处理,实现滚动轴承的故障诊断与分类。消融实验、抗噪性及泛化性实验结果表明:Inception模块、灰度图输入、MTF图像输入均对轴承故障诊断具有正向促进的作用,MTF编码对模型的诊断精度提升最高;MTF-DMCCN模型具有较好的鲁棒性和抗噪声能力;MTF-DMCCN模型具有优异的变转速适应能力,在不同工况条件下具有良好的泛化性能。为进一步验证模型性能,选取格拉姆角差场(GADF)、格拉姆角和场(GASF)、灰度图、MTF等图像编码方式与不同网络相结合,采用辛辛那提大学数据集(IMS)进行对比实验,结果表明,MTF-DMCCN模型能有效识别滚动轴承故障类型,平均故障诊断准确率达99.37%。

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题,提出一种基于马尔科夫转移场与多维监督卷积神经网络(Markov transition field and multidimensional supervised module convolutional neural networks,MTF-MSMCNN)的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像,使其保留时间相关性;提出多维监督模块(Multidimensional supervision module,MSM),在空间维度和通道维度监测重要故障特征并自适应赋予权重,提升模型捕捉关键特征的能力;将MSM嵌入到卷积神经网络中,构建出MSMCNN模型;通过试验构建复杂工况条件,将MTF图像输入到所提模型进行故障诊断,并运用两种数据集验证模型有效性。试验结果表明,MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右,对比其他诊断模型,本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。