基于双注意力机制的MSCN-BiGRU的滚动轴承故障诊断方法

针对滚动轴承故障诊断模型在变工况和环境噪声干扰下诊断精度降低的问题,提出一种基于双注意力机制的多尺度卷积网络(dual attention and multi-scale convolutional networks,DAMSCN)与改进的双向门控循环单元(bidirectional gated recurrent unit,BiGRU)组成的故障诊断模型DAMSCN-BiGRU。首先,多尺度特征融合模块使用不同大小的卷积核,获得多种感受野,从而提取到轴承原始振动信号的多尺度特征信息,并根据重要性对其进行自适应融合,然后利用通道注意力和空间注意力组成的双注意力模块(dual attention module,DAM)对多尺度特征进行重新标定,分配注意力权重,削弱融合特征中的冗余特征;然后,增加注意力层和利用分段激活改进BiGRU进而挖掘信号的时域特征,以提高轴承故障诊断的性能;最后,通过Softmax层完成对不同故障的分类。试验结果表明,与其他智能诊断模型相比,DAMSCN-BiGRU在变工况环境下,平均诊断精度达到98.2%,在强噪声背景下仍然有着85.3%的准确率,且在不同程度的噪声强度下效果均优于其他常用模型,有利于促进滚动轴承的智能故障诊断研究和实际应用。

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。

结合门控循环单元的轴承故障声发射信息表征机制与定位

大型重载轴承工况特殊,在低速条件下,冲击持续时间拉长,系统响应幅度降低,故障信息更容易被噪声所掩盖。声发射技术具有对微弱损伤敏感的特性,被广泛应用于结构健康监测和设备状态检测。利用声发射技术中的空间定位方法,能够对大型低速重载轴承进行故障定位,效果依赖于信号准确到达时间。门控循环单元(GRU)网络能够考虑序列数据的内部相关性,提取时序特征,在信号处理中具有一定优势。赤池信息准则(AIC)利用统计学特征,能识别两个不同随机过程。本文提出一种基于GRU和AIC的声发射信号到达时间拾取方法,利用断铅与试验数据,与传统AIC、阈值判别、长/短时窗均值比等方法进行比较与分析,证明所提出方法能准确拾取声发射信号到达时间,在大型低速重载轴承故障定位方面具有较大应用潜力。

基于MSCNN-BiGRU的轴承故障诊断模型

针对轴承故障诊断中由于信号存在噪声干扰等因素影响,导致诊断结果可信度不高和不准确等问题,提出了基于MSCNN-BiGRU的轴承故障诊断模型。首先,引入多尺度卷积神经网络(MSCNN),分3条支路多尺度并行提取轴承振动信号的退化特征,并且在每条支路卷积后加上双向门控循环单元(BiGRU)进一步提取信号的时序特征;然后,构建MSCNN-BiGRU的故障诊断模型,对轴承进行故障诊断;最后,开展噪声干扰下的消融实验和对比实验,在不同数据集中测试并验证模型的性能与鲁棒性,并与其他方法进行对比分析。结果表明,该模型能有效提高诊断精度,具有较强的泛化能力。

集成多方法的废酸装置风机K7200轴承故障诊断

在废酸装置风机K7200中,轴承作为重要的机械部件,准确判断其故障(健康状态、内圈故障、外圈故障和滚动体故障)可以提高维修效率。克服实际作业场景中人工诊断的缺点,提出了集成多方法的轴承故障诊断策略:分别采用K最近邻算法(简称KNN)、逻辑回归(简称LR)和决策树(简称DT)进行诊断,对结果进行投票集成。实验结果表明,采用集成多方法的故障诊断法较KNN、LR和DT算法,故障诊断的准确率分别提升了3.69%、5.03%、6.3%。

基于IVMD算法的动车组滚动轴承故障特征提取方法研究

动车组转向架滚动轴承的运行安全一直是影响列车安全运行的重要环节,目前国内外有多套监测体系进行了车载应用,但误报、漏报等现象时有发生,滚动轴承故障特征提取方法的准确性是该领域研究的重点之一。本文提出了一种基于改进的变分模态分解算法(Improved Variational Mode Decomposition,IVMD)的故障特征提取算法,采用混合蛙跳算法(Shuffled Frog Leaping Algorithm,SFLA)对模态数K和带宽控制参数α进行最优自适应选择。建立了基于包络熵、峭度和相关系数的多目标评价函数来选择最优模态分量。利用功效系数法将多目标优化问题转化为单目标优化问题,用频谱分析法对最优模态分量进行重构和处理。最后利用全实物电机轴承滚动实验台数据进行了方法的测试,有效验证了提出的改进方法分解故障信号及提取故障特征频率的准确性。

基于平均自相关和优化VMD的轴箱轴承故障诊断

针对动车组运行过程中轴箱轴承振动加速度信号非平稳特性以及较大的背景噪声导致故障特征难以提取的问题,提出一种平均自相关结合参数优化变分模态分解(variational mode decomposition,简称VMD)的轴箱轴承故障诊断方法。首先,利用平均自相关对原始信号进行降噪,增强故障周期性冲击信息;其次,以故障特征频率能量比相反数为适应度函数,利用哈里斯鹰优化算法(Harris hawks optimization,简称HHO)优化VMD的模态分量数和二次惩罚系数,实现对降噪信号的自适应分解并提取出最佳模态分量;最后,计算其平方包络谱进行故障诊断分析。仿真和试验结果表明:该方法能够有效地降低背景噪声的影响,稳定地提取出周期性故障冲击成分,实现轴箱轴承故障的准确诊断。

基于门控循环残差网络的滚动轴承故障诊断研究

滚动轴承的运行状态对整体机构的工作状态影响很大,防止因滚动轴承失效而产生的安全事故极为重要。而一维信号只利用卷积神经网络CNN(Convolutional Neural Networks)输出结果时无法充分利用数据间的时序信息的问题,因此,文中结合门控循环单元GRU(Gated Recurrent Unit)在处理时序数据所具有的优势,提出了一种门控循环残差网络结构,将CNN在强大的特征提取的优点与GRU处理时序数据的优点有机结合起来。为了验证算法的有效性,采用凯斯西储大学轴承数据集与齿轮箱轴承台架试验进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,在相同试验条件下相较于卷积神经网络等深度学习网络,文中算法具有更高的故障识别准确度和稳定性。

基于AMCNN-BiGRU的滚动轴承故障诊断方法研究

为克服传统滚动轴承故障诊断方法需要人工提取特征的缺点,提出一种基于注意力模块的卷积神经网络-双向门控循环单元的滚动轴承故障诊断方法。该方法利用下采样后的原始振动信号作为输入,通过具有两种不同核大小的并行卷积块从采样后的数据中提取特征,并使用注意力模块对提取的特征进行加权融合处理,最后将具有不同权重的特征输入到双向门控循环单元进行故障分类,从而实现端到端的诊断。为了理解所提出模型的诊断过程,对所学习的特征进行可视化,分析发现模型可以有效映射不同类型的故障。经试验表明,该模型使用下采样后的原始数据有效缩短了网络的训练时间,同时还可以保持100%的诊断准确率。

基于MCNN-BiGRU-Attention的轴承故障诊断

传统的故障诊断方法在对轴承故障进行判定时,存在特征提取不充分,时序特性运用不完全且计算较为复杂的问题.对于此问题,本文提出一种基于多尺度卷积神经网络(multi-scale convolutional neural network, MCNN)、双向门控循环单元(bidirectional gated recurrent unit, BiGRU)和注意力机制(attention)的组合诊断方法.该方法首先使用MCNN对信号数据进行多尺度特征提取,在空间层面上,实现了对特征的进一步提炼.其次使用了BiGRU网络,在时间层面上,从正反两个方向获取时序关系.接下来引入注意力机制,忽略一些与结果不相关的信息并且降低信息丢失的风险以提高精度,在经过全连接层创建映射后,最后通过Softmax分类方法完成轴承故障诊断.本文通过实验,与LSTM模型、GRU模型、SVM模型、CNN-BiGRU等模型进行对比,实验结果表明,本文提出的模型相比以往提出的模型准确率更高,单一工况下的故障诊断准确率达到了98.1%,多工况条件下平均准确率达到了97.8%.

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。

基于注意力时间卷积网络和双向门控循环单元的轴承故障诊断

针对传统特征提取方法依赖人工经验以及传统神经网络未充分利用时间序列信息的问题,首先通过时间卷积网络的空洞因果卷积、随机丢弃层和残差结构跨时间步提取不同振动信号的特征;然后引入注意力机制获取关键信息,实现特征优化选择;再利用双向门控循环单元捕捉长期依赖关系;最后通过归一化指数函数进行故障分类。实验结果表明,在不同训练样本比例下,该方法的识别精度高于一维卷积神经网络、双向长短期记忆网络、双向循环神经网络;用该方法能够有效识别轴承故障类型,且模型的泛化能力较强。

变转速工况下滚动轴承故障诊断——基于改进DCNN和GRU模型

针对变转速工况下滚动轴承振动信号变化大、故障诊断准确率低的问题,提出基于改进深度卷积神经网络(IDCNN)和门控循环单元(GRU)的诊断模型。使用原始振动信号作为输入,避免因人为提取特征而损失信息;引入批标准化(BN)和小卷积核对DCNN进行改进,加深网络深度,增强网络的辨别能力和稳定性;引入在处理时间序列信号上有着独特优势的门控循环单元(GRU),通过将GRU与IDCNN相结合来提高网络模型的性能。试验验证该模型效果显著且性能稳定。

改进DRSN的抽油机轴承故障诊断系统

传统油田抽油机维护主要靠人工巡检,油田开采又处于高负荷、强噪声的环境,导致油田抽油机轴承工况监测难度较大。针对抽油机轴承故障诊断存在准确率低、抗噪声性能弱和效率低、成本高的问题,提出一种基于改进深度残差收缩神经网络(DRSN)模型的多信息诊断抽油机轴承故障的方法。首先,根据抽油机轴承从正常状态到故障状态的性能退化过程,通过多采样点随机采样获得初步数据,将预处理的现场采集抽油机轴承多信息数据样本作为网络输入。然后,通过改进DRSN模型,引入跳跃连接使得梯度信息能直接从深层反向跨越传递到浅层,避免了梯度消失问题,使得网络更易于优化,同时软阈值化和注意力机制的加入,使得网络模型可以根据数据集的噪声含量设定不同的阈值,降低噪声干扰并提高诊断准确率。最后,通过实验对比改进DRSN模型与传统神经网络模型的训练结果,发现改进DRSN模型训练误差更低,诊断响应速度更快,平均故障诊断准确率提高3%~8%。

基于声发射的可倾瓦径向滑动轴承碰摩故障诊断

该文尝试使用声发射技术检测径向可倾瓦轴承瓦块与转轴的碰摩故障,并在600MW汽轮机发电机组模化实验台上进行了相应的实验研究。实验结果表明,当瓦块与转轴发生碰摩时,声发射信号的时域波形中出现周期性的脉冲信号,而且脉冲周期与轴旋转周期相同。此外,通过合理布置声发射传感器在轴承座上的位置,可以根据不同位置测量到的声发射信号幅值变化,以及声发射脉冲到达2个传感器的时间差,推断出发生碰摩的瓦块位置。因此,声发射技术能够作为可倾瓦径向滑动轴承故障诊断的有益补充。

基于改进型shapelets算法的动车组轴箱轴承故障诊断方法研究

现存的两种分别基于信号处理技术和大数据处理技术的滚动轴承故障诊断方法,存在着过度依赖信号处理、模型复杂、可解释性弱等特点。针对传统故障诊断技术的不足,本文将基于shapelets学习算法的时间序列分类方法引入故障诊断领域,通过动车组轮对台架滚振实验建立了动车组轴箱轴承故障的非平衡数据集,并基于Dropout思想对诊断模型进行了改进。实验结果表明,该方法在保证故障诊断精确度的同时,保留了shapelets作为"最具代表性的时间序列子序列"的强可解释性。同时,基于Dropout的模型改进提升了模型的泛化性能,在轴承故障数据的训练集和测试集上都取得了100%的诊断精度,证明了基于shapelets的改进学习算法是一种可行的应用于动车组轴箱轴承故障诊断的方法。

基于改进堆叠式循环神经网络的轴承故障诊断

提出基于改进堆叠式循环神经网络的轴承故障诊断模型.利用深层网络极强的非线性拟合能力以及循环神经网络特有的沿时间通道传播的特点,通过门控循环单元解决堆叠式循环神经网络梯度消失的问题,实现对轴承健康状况的分类识别.利用美国凯斯西储大学轴承数据集进行了轴承故障诊断试验,同时将支持向量机、粒子群优化的支持向量机、人工神经网络、卷积神经网络AlexNet以及循环神经网络作为对比以检验所提模型的分类性能.结果表明,提出的模型能够对轴承故障进行有效诊断,并且具有一定的可靠性与泛化能力.

基于征兆驱动和专家推理的水电机组轴承状态分析

导轴承是维持水电机组主轴在轴承间隙范围内稳定运行的重要部件,其工作性能的好坏将对机组安全稳定性产生重要影响。为准确监测水电机组轴承运行状态,提出了一种基于征兆驱动的轴承状态诊断模型,通过建立相应的基础数据库,运用时域和频域分析方法提取故障征兆,并结合故障诊断专家推理机制实现对轴承状态的分析诊断。应用表明,该方法能对轴承运行状态实时集中监测,同时实现对轴承故障的及时诊断,可为电站机组的运行检修提供参考。

600MW机组11号瓦振动故障诊断和消除

由于600MW机组的发电机和集电环转子采用三轴瓦支撑方式,所以其末端轴瓦容易发生振动问题。通过深入分析振动特征,找到了造成振动11号轴瓦振动大的主要原因,并由此制定了消振措施。彻底消除11号轴瓦振动大的问题,证实了振动故障诊断的准确性,消振措施的有效性。

基于小波变换的风电机组滚动轴承故障KPI计算及故障诊断

风电机组一般采用滚动轴承支撑结构,滚动轴承不同故障模式对应的振动冲击间隔频率存在差异。为了准确地从振动信号中提取滚动轴承故障征兆,在分析风电机组滚动轴承故障机理、信号特征的基础上,提出了基于小波变换的风电机组滚动轴承故障KPI计算方法,首先对风电机组的振动信号进行小波变换及阈值去噪,并计算振动信号的小波能量谱分布图,然后以小波能量谱分布图的统计参数作为滚动轴承故障诊断的KPI,采用椭圆型判决函数法实现滚动轴承的故障诊断,现场实测信号的诊断结果验证了该方法的有效性。