基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。

二次模态分解组合DBiLSTM-MLR的综合能源系统负荷预测

用户级综合能源系统多元负荷存在随机性、波动性相对更大的特点,现有预测方法不能得到很好的预测效果。为此提出一种基于核主成分分析(KPCA)、二次模态分解、深度双向长短期记忆(DBiLSTM)神经网络和多元线性回归(MLR)的多元负荷预测模型。首先,运用自适应噪声的完全集合经验模态分解分别对电、冷、热负荷进行本征模态分解,对分解得到的强非平稳分量运用变分模态分解进行再次分解。然后,运用KPCA对天气、日历规则特征集提取主成分实现数据降维;将分解得到的非平稳、平稳分量结合特征集主成分分别用DBiLSTM神经网络、MLR进行预测。最后,将预测结果进行重构得到最终预测结果。通过实际算例分析可知,与其他模型相比,所提模型具有更高的预测精度。

变转速工况下基于多传感器信号深度特征融合的电机故障诊断研究

本文提出一种利用多传感器信号深度特征融合的方法实现电机变转速工况下的故障诊断。首先从多传感器节点同步采集电机的多通道振动、声音和漏磁信号。对漏磁信号进行处理获取电机转子的累积转角曲线,随后利用累积转角曲线对振动和声音信号进行阶比分析处理。最后利用双层双向长短期记忆网络从经过预处理的多传感器信号中提取和融合特征以诊断电机故障。实验结果表明,通过提取和融合8通道的电机振动和声音信号,本文提出的方法能够有效识别电机的高阻接触、偏心、霍尔断线、相间短路、轴承等10类运行状态,分类准确率达到99.86%。该方法有望部署在物联网边缘计算节点中,实现电机的远程在线状态监测和故障诊断。