基于噪声数据驱动CNN和LSTM的罐道故障诊断

刚性罐道是立井采矿中煤炭运输以及设备运输环节的重要组成机械,对罐道做出精确的故障诊断具有保证和提高立井采矿生产效率的重要意义。面对罐道难以实现精确故障诊断的问题,在Improved Convolution Neural Networks with Training Interference(ITICNN)的基础上添加了Inception_v4与Long Short Term Memory(LSTM),提出了一种高精度卷积神经网络——Improved Convolution Neural Network Based on ITICNN(IBICNN),并采用了一种方向振动传感器收集罐道振动信号,用IBICNN的卷积层提取振动信号数字特征,并用LSTM提取多方向振动信号之间的相关性信息的刚性罐道故障诊断方法。通过搭建实验平台对罐道实验模型进行了故障诊断研究,取得了99.4%的诊断率。为了解决罐道在使用过程中伴有大量噪声从而难以诊断故障的问题,在Adaptive Batch Normalization(AdaBN)算法的基础上进行了改进,并采取自迁移学习的方法,提高了IBICNN的抗噪声能力,在噪声含量为100%的情况下取得了90.11%的诊断率。

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明:基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。