基于注意力机制的互特征融合旋转机械故障检测技术

旋转机制在生产生活中的应用愈加广泛;但旋转机械存在应用环境较为复杂,生产环境恶劣,各部件相互影响,单一信号无法完整表现故障特征等问题;针对此问题,研究根据注意力机制构建卷积神经网络,在网络结构中引入自注意力模块,采用多信号源进行数据提取,将不同信号特征互补融合并构建旋转机械故障检测模型,同时使用傅里叶变化进行数据优化;实验结果表明,构建模型的故障分类准确率为99.92%,比第二优的算法高出1.89%,故障检测精度达到了99.64%,数据进行傅里叶变换后的检测精度平均提升了17.32%;由此可得,构建的故障检测模型能够有效提取并融合不同数据采集的故障特征,大幅提升旋转机械的故障检测精度,且将数据特征融合模块加入模型中能够有效减少单独计算的运行成本,提高运算速度,减少因机械故障产生的生产安全事故。

基于信息熵贴近度的旋转机械故障诊断

基于信息融合的思想,研究了反映振动能量的旋转机械故障状态的各种信息熵特征,如奇异谱熵、功率谱熵、小波空间状态特征谱熵和小波能谱熵.通过转子试验,给出了旋转机械的不平衡、不对中、支座松动、轴裂纹典型故障下的各信息熵的变化范围.根据越相似的模式间距离越短原理,提出采用贴近度来进行模式识别的方法.首先利用贴近度原理和熵带构建了信息熵贴近度模型,其次计算出待识别状态与各典型故障之间的信息熵贴近度值,则对应于待识别状态之间的信息熵贴近度最大的即为待识别状态的故障模式,最后通过实例描述了基于信息熵贴近度的旋转机械故障诊断方法的可行性.

基于信息熵距的旋转机械振动故障诊断方法

介绍了信息融合的基本概念和目前在旋转机械振动故障诊断当中用得比较多的一些融合诊断方法。从信息融合的思想出发,利用时域的奇异谱熵、频域的功率谱熵、时-频域的小波能谱熵和小波空间特征谱熵,通过特征级的信息融合,提出了一种基于信息熵距的旋转机械振动故障监测和诊断的方法。数学推导表明,信息熵距符合模糊理论中最大隶属度原则,将它作为判别指标是可行的。实例计算表明,信息熵距能够较好的区分故障类别,在此基础上,通过多转速下的熵距曲线图可以提高转子故障诊断的准确性。

旋转机械振动故障的信息诊断方法

目前绝大多数旋转机械的故障诊断方法都是依靠提取振动波形中的特征量来进行诊断。振动信号的分析往往是针对特定测点在某一瞬间采集的一段波形,因此它是状态的一种表现。如果产生故障,在某一状态下,振动波形不一定含有明显的故障信息,或故障信息被淹没在其他信息中。这时,依靠随机抽取的状态信息来进行故障诊断的方法就不能很好区分这些故障。但是,如果故障发生,一定会有所表现。一种故障在某一时刻或某一状态下引起的振动表现具有一定的分散性和随机性,但在一个过程中却有其规律性。以信息熵方法为基础,通过定义一个全新的判别指标——信息来描述振动过程的这种变化规律,从而提出一种基于过程的信息故障诊断的新方法。

回转机械故障诊断中的三维全息谱技术

介绍了基于多传感器信息融合理论的三维全息谱的构成原理及其矩阵表示,对三维全息谱及其差谱的物理含义做了清晰的解释,提出了一种基于三维全息差谱的故障诊断方法.试验研究表明,三维全息差谱的初相点相位和配重方位,以及初相点矢径大小和配重大小均呈线性关系.因此,三维全息差谱可以在几个支承面同时反映转子所受激振力大小和方位的变化.诊断实例表明,以三维全息差谱、三维全息谱分解为基础的三维全息谱诊断技术能全面利用转子各测量面的振动信息,在不增加额外诊断设备的情况下,确诊回转机械常见的振动故障,且在现场动平衡领域有着广阔的应用前景.

基于多尺度特征融合残差神经网络的旋转机械故障诊断

轴承、齿轮等旋转部件常在复杂工况下运行,环境噪声干扰大,导致故障特征微弱而难以准确诊断。基于此,该研究提出一种新的多尺度特征融合残差块(multi-scale feature fusion residual block,MSFFRB)设计方法,基于此构建了一维残差神经网络用于旋转机械故障诊断。该模型能够将不同尺度的网络卷积层级联在一起提取多尺度特征信息,在残差块内部实现了多尺度特征信息的有效融合,兼顾了残差网络跨层恒等映射与多尺度特征提取的优势,克服了传统卷积操作只能提取单一尺度特征信息的缺点。所构建的残差神经网络可以直接输入样本数据,不需要进行任何数据预处理,而且模型结构具有较高的灵活性,易于扩展。试验分析表明,所提网络可有效用于旋转机械的故障诊断,相比传统CNNs、ResNets、1D-LeNets、1D-AlexNets、MC-CNNs等5种当前常用网络,具有更好的抗噪性能,故障分类准确率更高,这为旋转机械故障诊断提供了一种新的途径。

过程功率谱熵在转子振动定量诊断中的应用

针对旋转机械振动过程的复杂性和振动故障产生的随机性,提出了1种以信息熵理论为基础,通过多测点、多转速下的功率谱信息熵(功率谱熵)差矩阵来描述旋转机械振动过程变化规律的故障定量诊断方法。采用在转子试验台模拟转子振动的4种典型故障,得到4个测点多转速下的振动故障数据;对这些故障数据进行分析和处理,求其功率谱熵矩阵。结果表明:通过对转子振动故障信号进行实例计算和分析,该方法在转子振动故障分类和故障严重程度判断方面效果良好。

多通道信息融合与深度迁移学习的旋转机械故障诊断

针对单通道信号特征信息不充分的问题,提出了一种多通道信息融合与深度迁移学习的旋转机械故障诊断方法。首先使用小波变换将多传感器采集的一维信号生成多幅时频图,然后将时频图信息融合为多通道图像,最后将预训练的深度残差网络作为迁移模型对旋转机械进行故障诊断。圆柱滚子轴承、某局机务段机车轴承和齿轮箱数据集的识别准确率分别为99.23%、99.78%和99.50%,凯斯西储大学轴承数据集的跨工况迁移试验识别准确率达93.12%,这表明所提方法具有一定的优越性和可扩展性。

基于数据融合的旋转机械故障诊断模式研究

讨论了数据融合以多学科理论为基础 ,对按时序从各个信息源获得的数据在一定准则下加以自动分析、综合及判断 ,辅助人们完成所需要的估计和决策任务而进行的数据处理过程。并研究将数据融合技术应用于旋转机械故障诊断是可行的 ,而且有实际的应用价值和发展前景。

基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法

提出基于矢功率谱和D-S证据理论分层融合的旋转机械故障诊断方法,该方法把转子的2个截面信息分别以矢功率谱进行数据层融合,提取矢功率谱的特征输入到径向基概率神经网络分类器进行故障识别,最后把两截面诊断结果输入D-S证据理论融合中心进行决策层融合.实验结果表明,该方法可降低故障诊断的不确定性,并提高故障决策准确率.

基于矢双谱分析的旋转机械故障诊断研究

基于数据融合思想,将矢谱分析方法延拓到非平稳信号领域,与高阶谱分析结合,提出了矢双谱分析方法,给出了其定义、算法和性质。仿真和试验结果均表明,矢双谱能有效消除机械系统的高斯噪声,与单通道分析相比,能更全面、准确地反映系统的非线性特征,为故障诊断提供有力依据,并可应用于工业现场的在线诊断,具有实用价值。

基于空洞卷积神经网络的旋转机械故障诊断方法

由于旋转机械的振动信号具有非平稳、复杂多样、数据量大的特点,传统的方法难以较好地实现旋转机械故障诊断。近年来,基于深度学习的故障诊断算法发展迅速,其中,卷积神经网络(Convolutional Neural Network,CNN)由于可实现自动提取特征、运算效率高等优点受到广泛关注,但在识别准确率等方面仍然存在部分问题。为实现多传感器监测状态下的旋转机械故障诊断,在经典卷积神经网络结构的基础上,引入了多通道数据融合处理、空洞卷积层、批标准化处理、PReLU激活函数、全局平均池化层等改进方法,构造了一种新型的、高效的空洞卷积神经网络(Atrous Convolution-Convolutional Neural Network,AC-CNN),并基于该模型进行了旋转机械故障诊断实验。实验结果表明,提出的故障诊断模型分类准确率可达99%以上,对比其他神经网络方法具有明显优势。

基于极限学习机的多传感器旋转机械故障诊断

为了更好的对旋转机械故障进行识别与分类,文章提出了一类基于极限学习机的多传感器融合故障识别方法.首先,利用FFT对数据进行预处理,并对多传感器的预处理结果进行加权融合,以单传感器历史数据识别得到的正确率为融合系数.然后,对极限学习机进行训练和测试.结果表明基于融合数据特征的识别率表现优于基于单传感器数据特征的识别率.

旋转机械信息融合故障诊断方法及其发展状况

简要综述旋转机械信息融合故障诊断技术的发展,介绍了信息融合的基本概念,回顾和小结了在旋转机械融合诊断中常用的一些融合方法,包括多种融合方法相结合的形式,并预测了旋转机械融合诊断今后的发展方向.

遗传编程和加权证据理论融合的旋转机械故障诊断

为了提高旋转机械故障诊断的准确性,提出了遗传编程和加权证据理论融合的旋转机械故障综合诊断方法。首先,利用遗传编程提取多个故障特征参量,实现对旋转机械故障的初步诊断;其次,将特征参量对各故障的初步诊断结果作为证据体,特征参量对各故障的诊断准确度作为证据的权重分配,实现故障诊断的历史数据对当前诊断结果的修正;最终,采用加权证据理论对多个证据进行融合决策,减小故障诊断的不确定性,实现对故障的准确诊断。实验结果表明,该方法提高了故障诊断的准确性。

一种面向噪声环境中旋转机械故障诊断的多模态耦合输入神经网络

旋转机械设备是工业生产中的关键性设备,对其进行高效故障诊断,对于保障工业安全生产具有重要意义.传统的旋转机械设备智能故障诊断方法采取人工特征提取策略,存在依赖专家经验知识、特征泛化性差、特征完备性不足等局限性,导致故障诊断模型精度差,特别是在噪声环境下性能下降明显.对此,提出一种用于旋转机械故障诊断的多模态耦合输入神经网络模型.首先,利用信号分解方法将原始输入信号分解为多个子信号,并将子信号与原始信号成对组成二维矩阵并输入到神经网络中,使得网络能够提取其间重要的相关特征;然后,利用双通道并行的卷积神经网络和长短期记忆网络分别提取信号中的时空间特征并融合,大大提高网络模型的特征表达完备性,实现对旋转机械设备的高精度故障分类.通过实验验证了所提出模型相较于传统故障模型具有更高的准确率,并且对于噪声干扰也有较好的适应性.