Fractional Envelope Analysis for Rolling Element Bearing Weak Fault Feature Extraction

The bearing weak fault feature extraction is crucial to mechanical fault diagnosis and machine condition monitoring.Envelope analysis based on Hilbert transform has been widely used in bearing fault feature extraction. A generalization of the Hilbert transform, the fractional Hilbert transform is defined in the frequency domain, it is based upon the modification of spatial filter with a fractional parameter, and it can be used to construct a new kind of fractional analytic signal. By performing spectrum analysis on the fractional envelope signal, the fractional envelope spectrum can be obtained. When weak faults occur in a bearing, some of the characteristic frequencies will clearly appear in the fractional envelope spectrum. These characteristic frequencies can be used for bearing weak fault feature extraction.The effectiveness of the proposed method is verified through simulation signal and experiment data.

频域特征提取联合双流CNN的轴承故障诊断方法

针对传统方法提取到的轴承各类故障特征混杂,部分类别故障不易区分的问题,设计一种双流卷积神经网络(Convolutional Neural Network,CNN)的故障诊断模型。首先将振动信号转换到频域,为减少低频微弱信号的干扰,过滤频域信号,设定滤波器通带和阻带衰减值以保证信号不失真,进而确定频率带宽,在该带宽值下求得信号振幅占比最大值的范围,同时以正常信号振幅平均值作为高频信号的阈值确定频率最高值。用上述参数分别作为滤波器的参数,过滤信号得到频谱信号和构建时频图像。将提取频谱信号和时频图作为模型两个通道的输入,在卷积层和池化层后加入特征融合层,通过加权融合的方式将两个通道的特征融合,使得各类故障特征区分度显著提高。实地搭建故障平台采集数据验证,实验结果表明,该方法能提取到每类故障独有的特征,轴承故障识别准确率达到98.95%。

基于改进的时频自适应胶囊网络轴承故障诊断方法

轴承是保障旋转机械安全运行的关键部件,传统的故障诊断方法在轴承复杂多变的运行环境中故障特征提取难且识别难度大。为此,提出了一种基于改进的时频自适应胶囊网络轴承故障诊断方法。首先,将一维原始振动信号通过EEMD-HHT特征增强方法转化为复合时频结构数据,增强非平稳信号特征的可分性;然后,改进原胶囊网络卷积层,用于自适应深度提取振动信号的时频结构特征;最后,针对卷积神经网络的平移不变性引入胶囊层,采用动态路由算法学习储存特征信息,并实现故障类型智能诊断。试验结果表明,所提方法较现有方法具有更强的故障敏感特征挖掘能力、更高的诊断精度及工况自适应能力。

变频调速器逆变单元故障自动化诊断仿真

变频器在切换过程中会产生过电流冲击,引起电网电压波动,造成设备逆变单元频繁跳闸。为降低变频调速器的故障风险,提出变频调速器逆变单元故障自动化诊断方法。通过比较逆变单元正常状态下电压信号与故障发生后电压信号,建立谱残差预测方程。利用最小二乘估计法,更新逆变单元信号谱残差预测值,通过加窗短时傅里叶变换以及哈特莱算法,提取出逆变器故障特征,将故障特征输入BP神经网络中训练,输出值即为故障诊断结果。实验结果表明,迭代次数达到200次研究方法的函数损失率降至0,且故障诊断精度接近100%。

基于高低频特征分解的深度多模态医学图像融合网络

多模态医学图像融合旨在利用跨模态图像的相关性和信息互补性,以增强医学图像在临床应用中的可读性和适用性。然而,现有手工设计的模型无法有效地提取关键目标特征,从而导致融合图像模糊、纹理细节丢失等问题。为此,提出了一种新的基于高低频特征分解的深度多模态医学图像融合网络,将通道注意力和空间注意力机制引入融合过程,在保持全局结构的基础上保留了局部纹理细节信息,实现了更加细致的融合。首先,通过预训练模型VGG-19提取两种模态图像的高频特征,并通过下采样提取其低频特征,形成高低频中间特征图。其次,在特征融合模块嵌入残差注意力网络,依次从通道和空间维度推断注意力图,并将其用来指导输入特征图的自适应特征优化过程。最后,重构模块形成高质量特征表示并输出融合图像。实验结果表明,该算法在Harvard公开数据集和自建腹部数据集峰值信噪比提升8.29%,结构相似性提升85.07%,相关系数提升65.67%,特征互信息提升46.76%,视觉保真度提升80.89%。

基于变分时频分解与随机森林的柴油机气门故障诊断方法

柴油机气门间隙异常作为常见的柴油机故障,对其进行状态监测和诊断对柴油机的高效正常运行具有重要意义。针对柴油机气门间隙异常典型故障,提出一种基于变分时频分解与随机森林算法的气门故障诊断方法。首先,由于不同气门故障所引起的冲击信号存在冲击差异,利用变分时频分解方法可以自适应提取冲击信号中的单频率单冲击成分的特点,实现振动信号的分解并进行特征值提取;然后,利用随机森林算法对特征值进行训练;最后,在柴油机试验台上通过调整气门间隙开展模拟试验。实际试验结果表明,所提方法在气门间隙异常故障诊断中的整体准确率为96.42%,验证了所提方法的有效性。

基于改进MFCC算法的风力机叶片故障诊断方法

针对传统声信号特征处理方法无法有效提取叶片声音特征、导致叶片故障诊断准确率低的问题,提出一种基于改进梅尔频率倒谱系数(MFCC)算法的风力机叶片故障诊断方法。首先采用快速傅里叶变换(FFT)分析不同风速下叶片声音信号和风噪的频率特性,明确叶片声音信号的频率分布区域,将全频段分为三部分;然后采用粒子群优化算法(PSO)对梅尔(Mel)函数在不同频段上的敏感度进行优化,在迭代过程中将MFCC算法提取的叶片声音特征进行聚类,以轮廓系数作为适应度函数;最后基于支持向量机(SVM)构建分类器,实现风力机叶片故障的准确识别。以华北某风电场的叶片声音采集数据为算例,考察该算法在不同风速工况下的适应性,验证该方法的有效性。

基于时频域特征参数的风电机组滚动轴承故障诊断方法及应用

针对风电机组滚动轴承工作环境恶劣、工况多变且振动信号成分复杂等特点,将33项时域和频域特征参数及其特性应用于风电机组滚动轴承状态监测和故障诊断中,利用奇异值分解重构法(Singular Value Decomposition,SVD)将滚动轴承振动故障信号中的噪声等干扰成分去除,降噪重构后的信号经过基于经验模式分解法(Empirical Mode Decomposition,EMD)的希尔伯特-黄变换,实现故障冲击信号的共振解调处理,将低频周期故障调制信号筛选出来,最终结合滚动轴承各部件故障特征频率、振动信号时频分析结果和时频特征参数诊断结果实现滚动轴承的状态监测和故障识别。并通过振动测试信号分析,验证了该方法对提取风电机组滚动轴承故障特征的有效性。

基于振动信号的断路器机械故障诊断研究

随着智能化配电网的发展,断路器的健康状态保障着电力系统的稳定运行。断路器在运行中易出现机械故障,因此,准确、及时地发现故障种类,有针对性的状态检修可以避免电力故障带来的安全问题。断路器的故障诊断可以从以下方面来总结:获取信号、特征提取、故障分类和状态检修。信息和传感器技术的进步、智能算法的应用改变了以往的专家系统诊断方式。文章所提方法给断路器的故障识别提供参考依据,最后,讨论了电力设备断路器的故障诊断与在线监测未来发展方向。

基于频谱分析的油田注水柱塞泵故障诊断

针对传统注水柱塞泵故障诊断高度依赖经验,实时处理能力不足,准确率低的问题,提出了一种柱塞泵频域信号在线诊断方法。采集了柱塞泵正常和16种故障状态下的振动信号,采用傅里叶变换进行分析,通过建立故障模型库,在线获取振动信号并进行故障特征提取,通过多次连续时间与模型库的均方根误差进行故障诊断,同时对故障中传感器贡献率进行排序并使传感器降维减少计算量。研究结果表明:采用该方法对轴向柱塞泵故障进行诊断,准确率从66.7%提高到80%以上,计算量降低为原来的26.7%。

基于SNRgram方法的滚动轴承故障特征提取

针对平方包络信号的负熵对随机脉冲敏感以及平方包络谱的负熵易受离散谐波干扰,从而导致信息图法对随机脉冲和离散谐波分析时鲁棒性差的问题,引入信噪比测度作为轴承故障信息的评估指标,识别包含丰富故障信息的共振频带,并进一步提出基于SNRgram的包络分析方法提取滚动轴承故障特征。仿真和试验结果表明,相对于信息图和其他典型频带识别方法,SNRgram方法处理随机脉冲和离散谐波时具有更强的鲁棒性以及更高的频带识别准确性,能够有效识别轴承故障相关共振频带并提取轴承故障脉冲特征。

基于高频重构信号与Bayes-XGBoost的低压电弧故障辨识方法研究

针对低压配电系统中单个用电负载支路串联电弧故障辨识困难的问题,提出一种基于高频重构信号和Bayes-XGBoost的低压电弧辨识方法。首先,搭建多支路、多负载类型的低压电弧故障真型实验平台,并采集相关数据。其次,基于故障前后主线路电流高频信号变化规律,提出信号微弱变化叠加法重构故障有效信号。最后,建立适用于单个负载支路电弧故障辨识的XGBoost模型,并采用Bayes算法对模型多个超参数进行优化。实验结果表明,所提方法在多种工况下对单个负载支路电弧故障具有较高的辨识准确率。与6种主流故障分析方法对比,所提方法在精度、训练速度和泛化能力等方面展现出了显著的优越性,有利于实现低压配电系统单个负载支路电弧故障的可靠辨识。

基于频域特征变分自编码器的轴承故障诊断研究

以往基于深度学习的机械故障诊断模型的泛化能力差,且网络复杂;训练一个通用的特征提取方法,对提取的特征进行分类,这一方法能够很好地解决此问题;针对这一问题,从两个方面展开研究:1)改进特征提取算法:将频域特征提取自编码器与变分自编码器结合,提出频域特征变分自编码器,使得提取到的特征更为鲁棒;2)离群点剔除:在特征提取之后,加入局部异常因子算法对离群点进行剔除,防止分类器过拟合,使得分类器泛化性能更好;故障诊断整体流程是,首先将样本数据输入变分频域特征提取自编码器进行特征提取,其次使用局部异常因子对离群点进行剔除,最后将特征输入分类器进行故障诊断。通过实验验证在不同损伤程度下特征提取的界限清晰,分类效果较好,同时表现出可迁移性,为后续故障诊断和迁移学习方法有一定的应用价值。

基于参数化滤波的旋转设备特征频率提取

针对强背景噪声下的特征提取问题,提出一种基于参数化滤波的旋转设备特征频率提取方法。对目标特征频率进行瞬时频率的初步提取;利用傅里叶基函数对初始瞬时频率进行拟合,得到所需特征频率的瞬时频率;根据提取出的瞬时频率和瞬时幅值重构出提取后的频谱图,从而达到对噪声进行抑制并准确提取所需特征频率的目的。使用仿真信号验证了该方法的有效性,对齿轮传动系统中行星齿轮箱振动数据、轴承外圈故障振动数据及轴承外圈早期故障进行试验分析。结果表明,该方法能有效提高信号的信噪比,准确提取特征频率,增强故障特征。

基于时间重排多重同步压缩S变换的轴承故障诊断

状态监测信号中的冲击特征往往能够指示旋转机械的故障。为了准确提取振动信号中的冲击分量,提出一种新的时频分析方法—时间重排多重同步压缩S变换(time-reassigned multisynchrosqueezing S-transform,TMSSST)。首先对信号进行S变换得到一个相对模糊的时频分布(time-frequency representation,TFR);然后在时间方向对TFR进行能量重排,同时实施多次迭代以提高时频分布的可读性;最后引入一种脉冲提取算法用于降低信号中的噪声。所提方法结合了S变换自适应调节时频分辨率的优势和多重同步压缩能量集中度高的特性。模拟轴承故障信号和实验信号验证了所提方法在工程应用中的优越性和鲁棒性。

基于改进OTSU-CNN的轴承智能故障诊断

针对传统故障诊断方法在小样本数据集下诊断准确率低且故障特征提取难的问题,提出了一种改进大津阈值分割算法(OTSU)和卷积神经网络(CNN)相结合的智能故障诊断方法。首先,对采集到的振动信号进行希尔伯特变换(Hillbert)得到信号的包络谱,同时使用小波变换对包络谱信号处理,获取二维特征时频图;其次,建立最大类间方差目标函数模型,通过算术优化算法(AOA)得到时频图的最佳分割阈值,再将变换后的阈值分割图像作为CNN的输入得到最优训练模型,最后得到分类结果。试验结果表明:所提方法相比于传统OTSU方法,所提取的故障特征更为突出,为模型提供了优秀的训练样本;在较小数据样本条件下,所提方法的准确率达99.01%,远高于传统故障诊断方法,且模型有着良好的泛化能力。

自适应频域字典的机车轮对轴承稀疏诊断方法

稀疏分解是强噪声环境下故障特征提取的一种有效方法,构造与故障振动信号匹配的字典对稀疏分解效果至关重要。小波参数字典因小波的灵活多变性和良好的局部时频特性而被广泛应用于轴承故障诊断领域。然而,现有小波参数字典多是通过时域相关滤波法(CFA)以小波与故障冲击间的相关系数为指标获取字典原子的最优中心频率、阻尼比等参数,时域滤波耗时长、抗噪性差,相关系数指标没有考虑冲击发生的周期性特点,导致字典匹配性欠佳。针对上述问题,提出一种自适应频域滤波进行参数字典设计的机车轮对轴承故障诊断方法。该方法以新提出的时频域指标——加窗包络谱峭度(WESK)和相似度指标——皮尔逊相关系数(PCC)作为字典原子参数选取依据,以粒子群优化算法(PSO)优化的Morlet小波带通滤波器确定轴承故障产生的系统共振频率作为字典原子的中心频率,按照PCC值最大原则选取最优阻尼比完成字典原子的构造,改变时移变量张成小波字典后,结合正交匹配追踪算法(OMP)稀疏重构原始信号,提取故障特征频率。自制试验台数据以及机车轮对轴承的工程实际应用均验证了所提方法和新指标(WESK)的有效性和稳定性,诊断效果优于现有时域相关滤波法(CFA)以及常用可调品质因子小波变换法(TQWT),具有一定的工程实用价值。

基于VMD-EWT-IASSP-EBILSTM的短期电力负荷预测

电力系统在国家工业基础设施中起着举足轻重的作用,维持系统负荷高精度预测是保障电力系统高效供应的关键。针对负荷数据的非平稳性、随机性与非线性,负荷预测误差较大的问题,结合变分模态分解(variational mode decomposition, VMD)、经验小波变换(empirical wavelet transform, EWT)、改进的空洞卷积金字塔模块(improved atros spatial pyramid pooling, IASSP)、集成双向长短时记忆模块(ensemble BiLSTM,EBiLSTM),提出了一种短期电力负荷预测模型。为解决负荷数据的非平稳性引起的模型预测波动问题,通过变分模态分解方法与经验小波变换的结合分解为若干子序列,显著降低了原始负荷序列的复杂性;为提高模型预测精度,将分解的负荷子序列利用过零率指标划分高低频序列,在低频序列中构建一种时序依赖捕获模块EBiLSTM提取长期负荷特征,高频序列中构建特征提取模块IASSP提取局部负荷特征,最后累加各子序列的预测结果,实现电力系统负荷的短期预测。选取行业通用客观评价指标:平均绝对误差、均方根误差,在宁夏某地电站的实测数据上对比前沿算法进行仿真实验验证。结果表明,该算法平均绝对误差(mean absolute error, MAE)降低了37%~75%,具有较高的准确性与可靠性。

FMSWFormer:基于频率分离和自适应多尺度窗口的视觉Transformer

由于Vision Transformer具有二次方的patch复杂度和较差的局部归纳偏置,导致需要大量的数据和更专业的数据增强策略及更多的训练技巧来超越高效卷积网络。为了解决这些问题,从多尺度特征提取和图像频率的角度进行研究,提出具有轻量注意力机制的FMSWFormer。FMSWFormer采用卷积-自注意力机制混合模块构建起不同频率间的通信,通过窗口划分实现局部注意力机制,以此限制过高的计算成本;参考自适应尺度感知卷积的做法,并创新性地将多尺度算子引入到自注意力计算中,从而实现了多头自注意力机制的自适应尺度感知能力。在各种基准识别任务数据集上进行广泛的实验,结果表明了FMSWFormer的有效性,在多个数据集中都取得了优越的性能,且不增加时间成本。其中在CIFAR100数据集上,FMSWFormer比SepViT的性能高出4.2%,延迟降低了47.8%;在参数量比EfficientNetv2减少了22%的情况下,FMSWFormer的性能依然能高出3.94%。

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明:在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明:基于D-MDCNN的模型是一种有效的轴承故障诊断模型。