基于EMD-SDP图像特征和改进DenseNet车用PMSM故障诊断

永磁同步电机(permanent magnet synchronous motor,PMSM)因转速范围宽、输出转矩大、调速响应快、尺寸小、质量轻等优点被广泛应用于电动汽车驱动系统。受恶劣气候、异常振动和频繁起动-制动工况因素影响,PMSM易发生匝间短路、退磁、轴承磨损等故障。本文针对PMSM相似故障单一维度信号下难区分以及工作条件发生变化时传统诊断方法鲁棒性差的问题,提出了一种基于经验模态分解-对称点模式(empirical mode decomposition-symmetric dot pattern,EMD-SDP)图像特征和改进DenseNet相结合的车用永磁同步电机故障诊断方法。首先,通过实验获取不同状态的电机在多种工况下振动信号,将预处理的振动信号进行EMD处理,求解不同层级本征模态函数(intrinsic mode function,IMF);其次,将原始振动信号转化为SDP图像,对不同层级IMF转化为RGB色彩特征在SDP图像上显示出来;然后,通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型;最后,按照信号-图像-网络的流程对待测电机状态进行评估与诊断。诊断结果表明:所提出的方法在稳态和变速瞬态工况下均表现良好的性能。在恒速恒载工况下,所提的方法达到最高的故障诊断准确率(99.72%),相比基准的DenseNet的准确率(98.06%)提升了1.66个百分点。改进后的DenseNet模型和DenseNet模型的ROC曲线最接近左上角,AUC均值分别为0.9974和0.9745;在加速恒载和减速恒载工况下,改进后的DenseNet模型也达到了最高的诊断准确率,分别为96.88%和97.08%。AUC均值分别为0.9877和0.9869。本文所提出的方法的总体性能优于传统方法,能有效地用于速度变化时的故障诊断。

基于参数优化SDP分析的转子故障诊断方法

针对存在多种故障类型不同故障严重程度的转子故障诊断问题,提出了一种基于参数优化对称点模式(symmetrized dot pattern,SDP)分析的智能诊断方法。首先,利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像;然后,以基于欧氏距离定义的图像区分度函数为适应度函数,基于天牛须搜索(beetle antennae search,BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值;最后,利用SDP图像训练卷积神经网络(convolutional neural network,CNN)获得转子故障诊断模型。试验研究表明,该方法相较于其他故障诊断方法具有更高的诊断精度,且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异,提高了故障诊断精度。

基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法

针对复杂电能质量扰动信号非平稳性和非线性导致的信号特征难以直接提取和识别的问题,该文提出一种基于自适应遗传算法优化(adaptive genetic algorithm,AGA)的栈式稀疏自编码器(stacked sparse autoencoder,SSAE)和对称点模式(symmetrized dot pattern,SDP)域转换的暂态电能质量扰动识别方法。首先,通过Matlab仿真随机生成6种单一扰动信号和9种复合扰动信号,通过SDP方法将原始时域扰动信号转换至极坐标域,实现扰动信号可视化并生成对应的扰动图谱,对扰动图谱进行参数优化;然后,基于Tensorflow开源框架搭建SSAE识别模型,并由AGA算法完成模型结构及其参数的优化,实现扰动图谱的深度特征提取与挖掘;最后,由末端分类器进行无监督学习分类,比较常见扰动识别方法的优劣。结果表明:该文提出的基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法能够对暂态扰动进行高效、准确的识别分类,平均测试准确率为97.89%,优于传统方法10%左右;同时所提方法的架构清晰,且具有较好的收敛性和泛化能力,适用于电力系统电能质量暂态扰动的快速、精确识别。

基于SDP法诊断发动机的异响

针对发动机异响特征与声信号的复杂性,提出了基于SDP(Symmetrized Dot Pattern)的发动机异响诊断方法。通过将测得的发动机各个局部位置的声信号将其时域波形转换为极坐标图形,利用正常发动机与产生异响发动机SDP图形之间的相关系数来判断所测发动机是否存在异响,与传统诊断方法即对时域与频域信号幅值不同进行对比分析相比具有分析时间短、辨别直观等优点。试验结果证明,SDP法能快速准确地分辨出正常发动机与异响发动机的差别,达到了对发动机异响诊断的目的。

基于LMS和SDP的发动机异响诊断方法研究

为有效提取发动机声信号特征,以诊断发动机的异响,提出了一种以最小均方算法和对称点图形算法相结合的发动机异响诊断方法。采用最小均方算法去除信号中的噪声,还原发动机声信号,而利用SDP图形技术将信号转换为极坐标图形,得以判断发动机是否产生异响。通过仿真与试验,验证了该方法的有效性。

基于声纹SDP-CNN的变压器局部放电模式识别

变压器的可靠性是电网运维和运行控制的重要支撑,其绝缘劣化状态的在线检测一直是研究热点。传统的超声检测方法不能实现从声音信号到图像信号的高表征度转换和高精细度识别。文章设计了3种典型类型的变压器局部放电缺陷模型,利用超声传感器采集放电信号中的“声音”属性数据,并利用共振稀疏分解的方法有效提取特征信号,然后采用改进的对称点模式(symmetrized dot pattern,SDP)方法将声纹图像化,构建“声纹库”。最后,构建了自适应的声纹SDP-CNN模型实现了特征信息的自动融合,简化了诊断过程并把复杂放电的识别准确率提高到了98.67%。

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明:SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。

基于ADR-SDP-DCNN算法的非稳定工况下港口起重机轴承故障诊断

针对港口起重机起升机构及运行机构中减速器频繁启停这一非稳定工况而导致的轴承故障难以诊断的问题,提出一种港口起重机轴承故障智能诊断方法。该方法应用角域重采样(angular domain resampling,ADR)技术将非稳定工况下的轴承时域振动信号转化为稳定工况下的角域振动信号;通过自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)对信号进行分解与重构来实现去噪的目的,并对重构的信号进行对称点阵(symmetrized dot pattern,SDP)图像可视化;应用深度卷积神经网络(deep convolutional neural network,DCNN)对SDP图进行故障诊断。通过UT6818轴承故障试验台进行3种非稳定工况模拟试验,结果表明,所提方法能够对采集的故障轴承信号进行有效诊断,诊断准确率都达到95%以上,优于相同试验条件下的数种常用算法。

基于全息SDP的船舶推进轴系轴承故障诊断研究

[目的]针对船舶推进轴系轴承的故障诊断问题,提出一种基于全息对称点图形(SDP)和相似性识别的可视化诊断方法。[方法]首先,多方位采集轴承振动信号,全面监测轴承发生故障时的规律性冲击在时域和频域中引起的非平稳性变化特征;然后,基于SDP对称点分布原理,将多个维度信号的时域和频谱融合至同一个二维图形,以放大信号之间的差异性;最后,基于相似性识别方法对轴承进行简易诊断。[结果]轴承故障实验平台的验证结果表明,该方法可以实现多个信号的有效图形融合,全面展示设备信号的状态特征,从而准确地诊断故障。[结论]研究成果可为船舶推进轴系轴承的可视化故障简易诊断提供参考。

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SDP和DG-ResNet的齿轮箱轴承故障诊断研究

在复杂工况下,齿轮箱轴承运行会产生诸多故障,且各种故障之间相互影响,依靠传统的故障诊断方法难以满足高精度、智能化的故障分类要求,提出了一种结合对称点图像(SDP)算法技术和膨胀分组卷积残差网络(DG-ResNet)的齿轮箱轴承故障诊断方法。首先,将一维轴承振动信号数据通过SDP方法转化为二维图像,在不减少原始数据的前提下,图像可以清楚地显示出振动数据的原始特征;然后,将图像作为模型的输入,输入到DG-ResNet神经网络模型中,对图像进行了轴承故障特征的提取和分类,膨胀分组卷积残差块增加了卷积个数和感受野尺寸,可以让网络提取到高阶图像特征,实现了对轴承故障的高精度、智能化分类;最后,将该方法和多种经典卷积神经网络算法,进行了故障诊断准确率的对比。研究结果表明:与多种经典卷积神经网络算法相比,所提方法对轴承故障诊断的准确率远高于其他网络,诊断的平均准确率达到93%,该结果验证了所提方法的有效性;该方法能够对轴承故障进行高效分类,可以用于齿轮箱轴承的实际故障分类。

基于SDP和SURF特征提取的异步电机故障诊断方法

在工业方面,电机长期运行中,电机的健康状态会下降,需对其进行故障诊断。传统检测方法在不同负载条件下对于电机故障诊断的准确率较低,本文提出了一种图像特征提取的新型故障诊断方法。通过对称点模式(SDP)和加速鲁棒特征算法(SURF),建立电机故障与图像特征之间的映射关系,通过字典模板统计匹配点来判断电机故障的状态,通过对比其他图像特征识别算法,该方法数据训练量和学习量较小,且准确率较高,获得了不错的故障诊断效果。

融合SDP和CNN的旋转机械齿轮箱故障诊断方法

针对旋转机械齿轮箱的齿轮与轴承故障,提出一种融合对称点图案SDP(Symmetrized Dot Pattern,SDP)和卷积神经网络CNN(Convolutional Neural Network)的故障诊断方法。首先,以模拟实验台MCDS获取大量故障实验数据,经过预处理产生的一维振动信号再经SDP转化为特征信息丰富的二维雪花图像;然后将SDP图像输入至CNN自动提取特征,再用分类器识别故障特征。实验证明,该方法能够有效和准确地识别齿轮箱的故障,各类故障的识别正确率在96%以上。

基于多传感器信息融合与混合感受野残差卷积神经网络的调相机转子故障诊断

大型调相机是电网对无功调节的关键设备之一,预防调相机因转子故障而产生的安全事故极为重要;为了有效利用设备实际监测过程中多源传感器同步采集的海量数据,并考虑传统卷积神经网络(CNN,convolutional neural network)模型的特征学习能力差、感受野尺度单一等缺点,提出了一种基于SDP-MRFRCNN的调相机转子故障诊断方法;首先通过对称点模式(SDP,symmetrized dot pattern)将调相机多个传感器的振动信号进行信息融合,获取融合多源振动信息的图像,然后构建混合感受野残差卷积神经网络(MRFRCNN,mixed receptive field residual CNN)进行学习,实现调相机转子状态识别;实验结果表明,该方法增强了不同状态特征间的辨别度,具有更高识别精度,分类准确率达到了99.33%。

基于倒谱-对称点图谱-卷积神经网络的内燃机增压器滚动轴承故障诊断

针对内燃机增压器滚动轴承振动信号易受噪声影响、故障特征微弱的问题,提出了一种基于倒谱(cepstrum)-对称点图谱(symmetrizeddotpattern,SDP)-卷积神经网络(convolution neural network,CNN)的智能故障诊断方法。通过倒谱对原始信号进行故障特征提取,获取能够反映滚动轴承故障类型的特征向量。然后应用对称点图谱方法将一维倒谱数据映射到极坐标空间,并进行灰度化处理得到SDP特征灰度图,将特征图导入到卷积神经网络进行特征挖掘和故障识别。最后通过滚动轴承外滚道、内滚道和滚动体出现损伤的故障试验,构建了9类故障状态原始信号,验证了基于倒谱-SDP-CNN的智能故障诊断方法。结果表明:倒谱-SDP-CNN方法具有运算简便、快捷、受噪声影响较小等优点,对试验测试集的故障识别准确率达到97.5%,可以较为准确地诊断增压器滚动轴承的故障状态和严重程度。

基于深度特征学习的汽轮机转子状态识别方法

复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状态识别方法。该方法通过基于SDP分析方法对汽轮机转子各方向、各位置的信号进行特征融合,获取融合特征的SDP图,最终基于CNN进行融合特征SDP图像识别,实现转子故障状态识别。与其他状态识别方法相比,该方法提高了不同状态特征的表征差异,进而提高了学习效果和识别精度。同时,对比实验结果表明,相较于其他状态识别方法,该方法对转子振动状态识别精度最高,达到了96%。

基于点对称变换的乙丙橡胶电缆终端缺陷诊断

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像;最后,对比三种常见的深度学习网络——卷积神经网络(CNN)、栈式自编码器(SAE)及深度置信网络(DBN)提取不同类型缺陷的SDP图像深层特征,并基于网络尾端Softmax分类器进行识别。结果表明:针对四种典型的电缆缺陷,DBN网络与SDP图像的结合效果最佳,缺陷识别率达到了96.1%,相比于传统诊断方法,识别准确率提高了10%左右,由此验证了通过深度学习算法自适应提取SDP图像特征的方法,可有效应用于电缆缺陷诊断领域,具有较好的工程应用前景。

基于点对称变换与图像匹配的变压器机械故障诊断方法

变压器本体的振动信号与其机械状态密切相关,利用该特点可实现对变压器机械故障的判别。该文提出了一种基于点对称变换(SDP)与图像匹配的变压器机械故障诊断方法。首先通过集合经验模态分解(EEMD)对初始信号进行分解,并选择合适的分量对信号进行重构,去除变压器自身及外界环境的干扰;接着通过SDP获得重构后的振动信号的SDP图像,并在每类故障中选择部分图像,利用聚类模板提取共同特征获得该类故障下的典型故障模板;最后通过比较未知故障信号的SDP图像与各类典型故障模板SDP图像的相似度实现最佳匹配,完成变压器机械故障的诊断。变压器的实验结果表明:不同类型的机械故障SDP图像间存在明显特征差异,该方法可以实现机械故障的有效判别。与传统的机械故障诊断方法相比,该文所提方法考虑了外界高频干扰,避免了提取多个特征量的繁琐步骤,操作简单且准确率高。

基于点对称图像的变压器局部放电信号故障诊断

局部放电是变压器工作过程中常见的故障,该文提出一种基于点对称图像的局部放电信号处理及故障诊断研究方法。对局部放电故障的点进行观测及采集数据,进而分解及处理得到所需状态信号,并通过点对称图形的方法将数据的形式转换成图像,提取出信号所含的显著特征,对比正常和故障信号的图像,实现局部放电故障是否发生的判断。相对于其他特征提取方法,该方法可以更加准确直观地展示出不同状态之间的差异。文章进行实验验证,并对比多组数据,最终实现变压器故障与否的判别,证明该文方法的有效性和先进性。