基于SDP图像和深度卷积网络的发动机故障诊断

为提高发动机故障诊断精度,提出一种基于对称极坐标(Symmetrized Dot Pattern,SDP)图像和深度卷积网络(Deep Convolutional Neural Network,CNN)的发动机故障诊断新方法。该方法以SDP变换为基础,将发动机故障振动信号转换为SDP图像,而后将SDP图像作为CNN的输入,实现发动机故障的CNN自适应特征提取和诊断。进行发动机典型故障实验,并利用所提方法进行故障诊断,结果表明,根据SDP图像可以直观地对发动机典型故障进行区分且耗时较少,而根据CNN网络可以有效地对SDP图像进行识别,诊断精度达到99.14%,相比于其他几种方法,诊断精度和计算效率均得到提升。

基于ITD-SDP图像特征和DSCNN的道岔转辙机故障诊断

针对道岔转辙机故障诊断问题,提出一种基于ITD-SDP图像形状特征和深度可分离卷积神经网络的故障诊断方法。首先对时域压力信号使用固有时间尺度分解算法进行分解,获得一系列固有旋转分量;然后进行对称点模式变换,将分解得到的固有旋转分量映射为雪花图像;最后通过深度可分离卷积神经网络算法实现道岔转辙机的故障诊断,同时与传统的CNN模型进行对比。实验结果表明:图像特征能够有效表征道岔转辙机的工作状态,深度可分离卷积神经网络模型对道岔转辙机4种状态的平均诊断准确率达到98.5%,验证了本方法的有效性和优越性。

基于SDP图像和MobilenetV2的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法准确率偏低和故障特征难以提取的问题,提出了一种基于SDP图像和MobilenetV2的滚动轴承故障诊断方法。将经去噪处理后的滚动轴承振动信号转化为SDP图像,并输入到MobilenetV2网络中自适应地提取故障特征和分类,诊断出具体的故障类型。试验表明,在适量的训练样本下,所提方法的诊断准确率能达到98.2%。相比于其它传统深度学习方法,所提方法在诊断正确率和稳定性方面具有一定优势。在原始轴承振动信号中加入5 dB的高斯白噪声后,故障识别准确率仍能达到94.4%,证明了所提出诊断方法具有一定的抗噪性能和泛化能力。

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。

基于SVD和SDP的旋转机械设备齿轮箱故障特征分析

大型旋转机械设备是工业生产的动力传输枢纽,精准的设备故障诊断是工业安全生产的重要保障。传统故障诊断方法由于难以处理高噪声振动信号而不能精确诊断设备故障类型。提出基于奇异值分解(Singular Value Decomposition,SVD)降噪和对称点阵图像分析(Symmetrized Dot Pattern,SDP)的旋转机械设备齿轮箱故障特征分析方法,利用Hnakel矩阵奇异值分解降低噪声信号,并通过信号重构获得故障一维序列信号;利用SDP对称点阵图像法将故障信号的一维序列映射成二维空间图像,由此清晰地表征振动信号中的故障特征;最后,利用机械故障综合实验平台(MCDS)进行算法验证,实验结果表明该方法能够有效去除振动信号中的噪声,准确提取齿轮箱内部齿轮与轴承振动信号中的故障特征信息,故障匹配度显著提升。

基于多尺度加权融合特征学习的转子故障诊断

针对一维振动信号表达故障特征信息不全面及转子故障信噪比低的问题,提出一种基于多尺度加权融合特征学习的转子故障诊断方法。首先,对时域振动信号的幅值进行标准化处理,利用对称点模式(SDP)原理将多传感器振动信息融合为二维SDP图像,通过选取适当的时间滞后系数和角增益,突出不同故障下SDP图像的特征;其次,构建了一种多尺度加权卷积神经网络(MSW-CNN)模型,利用3个不同的感受野分别提取图像特征,通过对多通道图像特征进行加权融合提高了模型的分类精度;最后,利用MSW-CNN模型对6种故障状态的SDP图像进行特征提取并分类。实验结果表明,与其他3种方法相比,所提方法的转子故障诊断精度更高,达到99.31%,在噪声干扰下的诊断精度为96.23%,验证了所提方法的有效性。