基于MTF-Swin Transformer的风机齿轮箱故障诊断

针对风机齿轮箱实际工况复杂多变及含有强噪声,传统故障诊断方法对风机齿轮箱故障诊断识别准确率较低的问题,文章提出了MTF-Swin Transformer风机齿轮箱故障诊断模型。首先,采用马尔科夫变迁场(MTF)图形编码方法将原始一维振动时序信号转化为具有关联时间信息的二维特征图谱;然后,将特征图谱作为Swin Transformer模型的输入,基于自注意力机制进行自动特征提取;最后,实现对不同故障类型的分类。仿真结果表明,该方法对齿轮箱故障诊断准确率达到了99.48%,证明了该方法的有效性和优越性。

基于改进EfficientNetV2算法的三相串联故障电弧检测

串联电弧故障在电气火灾中的成因中占据着重要的比例,在具有变频器的三相电机线路中,由于多种电弧电流复杂行为以及多种负载的存在,很难准确识别变频器后部线路中发生的串联电弧故障。为了解决这一问题,提出了一种改进的EfficientNetV2算法。搭建低电压三相电弧故障数据采集平台,采集了所需要的正常状态和故障状态的电流信号。为了充分利用机器视觉的优势,采用马尔可夫变迁场(MTF)将采集到的时域电流信号编码为图像。将MTF图像送入模型中进行训练和测试,该模型具有轻量级高效的通道注意力和双池化空间注意力,更加专注于电弧特征,提高网络性能。实验结果表明,该方法的准确率可达98.99%。

改进残差网络的逆变器开路电路故障诊断

针对传统三相电压源逆变器开路故障诊断方法存在准确率低和鲁棒性差的问题,提出一种用于故障诊断的改进二维卷积神经网络优化方法.该方法首先引入一种新的数据预处理方式,通过马尔可夫变迁场(MTF)将原始时域电压信号数据转换成二维灰度图像,有效保留特征的时空关系;其次,提出采用并行注意力机制对卷积神经网络ResNet18特征提取层提取的特征分别进行通道和空间特征筛选,并完成有效特征融合;最后,融合的特征经ResNet18全连接层和输出层得到故障分类结果.实验结果表明,所提出的改进故障诊断方法能将诊断精度提升至99.80%;在不同噪声条件下均能保持90%以上的分类准确性,验证该方法可有效提高逆变器开路故障诊断性能和鲁棒性.

基于MTF-ResDSCNN二维图像的故障诊断方法

为了有效捕获旋转机械振动信号中蕴含的故障特征,进而高效地完成故障诊断任务,设计了一种将二维特征图像和轻量化神经网络相结合的故障诊断模型。首先,将采集到的一维振动信号以改进的集成经验模态分解(Modified Ensemble Empirical Mode Decomposition,MEEMD)算法进行分解,得到本征模态函数(Intrinsic Mode Function,IMF)分量,并筛选相应的IMF分量进行求和重构,以增强振动信号的幅值波动,进而使得马尔科夫变迁场(Markov Transition Field,MTF)能够更为有效地表征重构信号中的故障特征;然后,将MTF生成的二维特征图像输入到残差深度可分离卷积神经网络(Residual Depth Separable Convolutional Neural Network,ResDSCNN)模型中,进行特征提取与故障诊断。使用行星齿轮箱故障数据集验证了模型性能。结果表明,该模型对于各类齿轮故障的诊断正确率可达98%以上。

基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法

新型电力系统中的电能质量扰动愈加复杂,为提升电能质量复杂扰动分类准确率并增强算法的噪声鲁棒性,提出了一种基于马尔可夫转换场与多头注意力机制的电能质量扰动分类方法。首先,利用马尔可夫转换场对电能质量扰动时序数据进行模态变换,得到图像模态数据;然后,将图像模态数据输入卷积神经网络进行特征提取;最后,利用多头注意力机制着重关注卷积神经网络提取特征的重要部分并进行扰动分类。与常规的图像模态转换方法相比,该方法具有更好的扰动分类效果与抗噪声能力。

基于马尔可夫转移场和深度残差网络的电能质量复合扰动多标签分类

现代电力系统的电能质量扰动逐渐复杂化和多样化,传统的分类方法难以适应复杂多样的扰动变化。依据神经网络进行识别分类的研究都采用传统的单标签分类方法,当出现标签集以外的复合扰动,该分类方法将无法使用。若要更新扰动标签集,则需要整个分类模型重新训练。因此,该文利用深度残差网络构建一种适应能力更强的多标签分类系统,该系统能够准确识别训练样本标签集以外未知标签组合的电能质量复合扰动(power quality disturbances,PQDs)。首先利用马尔可夫转移场(Markov transition field,MTF)将一维时域扰动信号转换为二维可视化图像,利用深度残差网络(ResNet)建立9个二分类器提取二维图像中涵盖的扰动特征。通过9个二分类器构成的多标签分类系统进行扰动分类,其训练样本标签集内分类正确率可达97.58%,掺杂标签集外的扰动信号平均正确率可达97.67%,远高于同级别的分类系统。

结合多通道MTF和CNN的框架结构损伤识别方法

为提高复杂框架结构损伤识别的准确率,提出了一种基于多通道马尔可夫变迁场(multi-channel Markov transition field,简称MCMTF)和卷积神经网络(convolutional neural network,简称CNN)的框架结构损伤识别方法。首先,采用MCMTF理论将原始一维振动信号转换为二维图像,实现数据升维和多通道数据融合;其次,以MCMTF转换后的图像数据集作为输入训练CNN模型;最后,经调参优化自动提取损伤敏感特征,并实现损伤识别。将该方法应用于IASC-ASCE Benchmark框架结构数值模型及3层钢框架结构模型试验,对比研究了多通道MTF、单通道MTF和原始数据矩阵3种数据输入方式,CNN、长短时记忆(long short term memory,简称LSTM)神经网络和深度神经网络(deep neural network,简称DNN)3种网络模型,以及噪声对框架结构损伤识别准确率的影响。结果表明:MCMTF与CNN结合方法的损伤识别准确率最优且具有良好的鲁棒性,其对Benchmark框架数值模型模拟损伤的识别准确率可达94.4%,对3层钢框架试验模型实际损伤的识别准确率可达98.4%。

基于MTF-DFT的小型残差网络轴承故障诊断

针对传统的一维振动信号在噪声环境下故障特征信息表现不够明显以及特征辨识性差、抗噪能力不强等问题,提出一种融合马尔可夫转移场的傅里叶变换特征提取方法和加入注意力机制的小型残差网络滚动轴承故障诊断模型。利用MTF保留信号之间的时间特性和DFT变换对于图像良好的抗噪性能,将一维轴承振动信号转换为二维灰度特征图,之后输入加入注意力机制的小型残差网络ResNet网络中进行故障特征提取,并引入通道注意力模块和空间注意力模块实现特征的自适应加权,经过softmax分类实现故障分类。采用凯斯西储大学轴承数据对模型进行验证,并对模型的抗噪性能进行分析。结果表明,该模型准确率达到99.66%。并且在信噪比为-3 dB的情况下,模型的准确率仍能达到60.29%。

基于深度学习的矿井滚动轴承故障诊断方法

针对传统卷积神经网络在煤矿井下等复杂环境中难以充分挖掘数据特征等问题,提出了一种基于马尔可夫转移场(MTF)和双通道多尺度卷积胶囊网络(DMCCN)的矿井滚动轴承故障诊断方法,构建了MTFDMCCN故障诊断模型。根据MTF和灰度图对原始振动信号进行编码后,采用双通道输入模式连接卷积网络获取浅层特征;将特征图进行融合后输入到胶囊网络,提高模型对空间信息的敏感度;在网络中引入Inception模块,聚焦多尺度特征,加强网络的特征提取能力;通过胶囊层进行向量化处理,实现滚动轴承的故障诊断与分类。消融实验、抗噪性及泛化性实验结果表明:Inception模块、灰度图输入、MTF图像输入均对轴承故障诊断具有正向促进的作用,MTF编码对模型的诊断精度提升最高;MTF-DMCCN模型具有较好的鲁棒性和抗噪声能力;MTF-DMCCN模型具有优异的变转速适应能力,在不同工况条件下具有良好的泛化性能。为进一步验证模型性能,选取格拉姆角差场(GADF)、格拉姆角和场(GASF)、灰度图、MTF等图像编码方式与不同网络相结合,采用辛辛那提大学数据集(IMS)进行对比实验,结果表明,MTF-DMCCN模型能有效识别滚动轴承故障类型,平均故障诊断准确率达99.37%。

基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别

新型电力系统中电能质量扰动问题愈加复杂和严重,多种电能质量扰动同时出现,导致传统算法识别准确率降低。提出一种基于马尔可夫变迁场和EfficientNet的复合电能质量扰动识别算法。采用马尔可夫变迁场将电能质量扰动信号可视化映射为二维特征图像;通过EfficientNet卷积神经网络处理图像数据,实现扰动信号的特征提取;利用神经架构搜索自动调节卷积神经网络超参数进行网络训练,建立电能质量扰动分类识别模型。仿真结果表明,所提方法能够准确高效地提取扰动信号特征,对复合电能质量扰动分类效果好且抗噪声能力强。

基于MTF-CNN的轴承故障诊断研究

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。

基于双图转换和融合CRNN网络的轴承故障诊断

针对一维振动序列输入制约卷积神经网络性能,且单一数据处理方法限制实际复杂工况下轴承故障特性的深层挖掘等问题,提出了一种基于双图转换与多卷积循环神经网络融合的滚动轴承故障诊断方法。分别利用格拉姆角差场和马尔可夫转移场编码方法将一维序列信号转换为二维图像。将转换后的两种模态图像同时输入多CRNN融合的Fu-CRNN网络模型,充分汲取两种转换方法优点并提高CRNN模型特征表达能力。实现轴承信号特征自适应提取及端到端诊断。为验证该方法的可靠性与优越性,选用凯斯西储大学滚动轴承数据集进行轴承故障诊断试验,并比较分析诊断性能。结果表明,所提模型识别准确率和泛化效果均优于单一模态样本输入模型,相较于其他常用算法表现更出色,可为样本构建和轴承故障诊断方法提供参考。

基于改进卷积神经网络的RFID单标签非接触手势识别研究

提出基于卷积神经网络的单标签非接触式手势识别系统,在不需要携带任何设备的情况下,利用单标签、单天线实现精准的手势识别。首先,通过人为添加干扰物,读取受多径效应影响的标签相位信号;其次,对标签相位信号进行预处理,选取动态时间规整算法(dynamic time wrapping,DTW)匹配与先验指纹库粗粒度手势识别;最后,将标签相位信号利用马尔可夫变迁场(markov transition field,MTF)生成特征图像,利用IM-AlexNet模型进行深度训练和实验测评。实验结果表明,改进后的模型训练参数减少为初始的7%,且准确率达到96.76%.该系统可大范围扩展,并具有较高的鲁棒性。

基于MTF-CNN的滚动轴承故障诊断方法

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。

基于马尔科夫概率模型的碳酸盐岩储集层测井岩性解释

苏里格气田苏东41-33区块下奥陶统马家沟组马五段碳酸盐岩储集层受沉积、成岩等因素的影响,岩性复杂多样,因此,岩性的识别是储集层评价的关键。测井和录井资料分析表明,苏东41-33区块马五段主要发育灰岩、白云岩、白云质灰岩、灰质白云岩、泥质白云岩、泥质灰岩和泥岩7种岩性。通过敏感性参数分析,选取反映岩性的自然伽马、密度、光电吸收截面指数和补偿中子4种测井参数,采用马尔科夫概率模型约束的朴素贝叶斯方法进行多参数综合解释。通过与测井和录井岩性资料分析对比,识别正确率达到85.34%,相比传统的朴素贝叶斯方法,岩性识别正确率提高12.39%.此方法得到识别精度较高的碳酸盐岩岩性测井解释模型,是一种有效的复杂岩性识别方法。

基于MTF和DenseNet的滚动轴承故障诊断方法

基于模型和基于信号处理与分析的滚动轴承故障诊断方法存在建模困难、信号特征难以提取等问题;基于浅层机器学习的滚动轴承故障诊断方法对复杂数据的特征学习能力有限;基于深度学习的滚动轴承故障诊断方法多采用卷积神经网络,但随着网络深度加深会出现梯度弥散或消失的问题,且直接将滚动轴承振动信号转换成一维或二维图像作为网络输入会无法保留信号间的时间相关性,导致信号信息丢失。针对上述问题,提出了一种基于马尔可夫变迁场(MTF)和密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号通过MTF编码后生成二维图像,保留了信号的时序信息和状态迁移信息;将二维图像作为DenseNet的输入,通过DenseNet对滚动轴承振动信号故障特征进行提取,增强了特征信息传播,使特征信息得到充分利用,进而实现故障分类识别。采用凯斯西储大学轴承数据集上的数据进行试验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.5%。为进一步验证该方法在电动机载荷发生变化情况下的故障诊断能力及优越性,选取灰度图、包络谱图、倒频谱图和MTF生成图4种网络输入图像分别与Inception,ResNet,DenseNet 3种网络相结合的方法进行对比试验,结果表明:不同方法的故障诊断准确率均在电动机载荷不变时高于电动机载荷变化时;MTF+DenseNet方法故障诊断准确率高于其他方法,在电动机载荷发生变化的情况下仍具有较高的故障诊断准确率,平均值为94.53%,泛化性能较好。

基于GAF-MTF-CNN的滚动轴承故障诊断

针对传统图像编码方式与神经网络轴承故障诊断方法测试准确率不高、模型泛化能力差等问题,提出一种基于格拉姆角场(GAF)和马尔可夫变迁场(MTF)与卷积神经网络(CNN)的滚动轴承故障诊断方法。对采样的每段轴承振动数据分别进行GAF和MTF变换生成二维图像,对其采用水平方向拼接的方法构建数据集,再将其导入搭建的加入批量归一化及随机失活操作的多层CNN中进行诊断测试。结果表明:相比于仅用GAF和MTF的数据处理方法,采用本文数据处理方法构建的数据集在搭建的CNN中训练出的模型测试准确率高,可达99.87%,搭建的CNN有较好的泛化能力与较高的网络模型准确率,证明了本文数据集构建方法在轴承故障诊断中的可行性。

基于MTF-DenseNet的滚动轴承故障诊断

针对滚动轴承振动信号的特征难以提取的问题,提出一种基于MTF-DenseNet的滚动轴承故障诊断方法。利用马尔可夫变迁场(MTF)将滚动轴承的一维时间序列信号进行编程,生成二维图像,从而很好地保留时间序列信号的时间依赖性和频率结构,之后将其输入到密集连接卷积网络(DenseNet)实现故障特征的提取,进而实现故障诊断。采用凯斯西储大学轴承数据集上数据进行实验,实验结果表明,该方法在数据集上的故障分类准确度达到99.35%,故障诊断效果良好。

基于MTF-MSMCNN的小样本滚动轴承故障诊断方法

针对样本数量不足以及工况条件复杂导致故障识别精度低下的问题,提出一种基于马尔科夫转移场与多维监督卷积神经网络(Markov transition field and multidimensional supervised module convolutional neural networks,MTF-MSMCNN)的小样本滚动轴承故障诊断方法。采用MTF编码方式将一维滚动轴承信号转化为二维特征图像,使其保留时间相关性;提出多维监督模块(Multidimensional supervision module,MSM),在空间维度和通道维度监测重要故障特征并自适应赋予权重,提升模型捕捉关键特征的能力;将MSM嵌入到卷积神经网络中,构建出MSMCNN模型;通过试验构建复杂工况条件,将MTF图像输入到所提模型进行故障诊断,并运用两种数据集验证模型有效性。试验结果表明,MTF-MSMCNN在每类故障训练集样本仅有10个且在0 dB噪声污染下故障诊断精度依然可达90%左右,对比其他诊断模型,本文所提方法在小样本、变工况以及噪声干扰条件下具有更高的识别准确率、更强的泛化能力以及抗噪性能。

一种基于多通道马尔可夫变迁场的故障诊断方法

深度学习在故障诊断中有良好的诊断能力与泛化能力,但大部分工作是直接从卷积层面上提取信号特征图,使邻近信号点未被考虑,并且采样频率不同也会对特征提取有影响。为此,本文基于MTF以及ResNet18算法提出了M2TF-ResNet算法。本文在凯斯西储大学(CWRU)轴承数据集中进行了大量实验。通过验证得出:该算法可适应不同采样频率下信号的特征提取,避免训练过拟合,并且与其他故障诊断方式相比,该算法在诊断率上的优势更突出。