基于卷积网络与自适应SVM的齿轮箱故障诊断

针对齿轮箱运作过程中故障诊断效果不理想的问题,提出了一种卷积神经网络(CNN)与粒子群优化的支持向量机(PSO-SVM)方法.首先利用特征参量求出信号的时频特征统计量,其次利用卷积神经网络对时频特征统计量进行二次特征提取,最后利用粒子群优化的支持向量机进行分类.经实验验证,此方法准确率不仅高于其他经典网络模型,而且训练...     

基于声发射技术的混凝土梁破坏损伤过程的试验研究

对不同特征混凝土简支梁进行了加载破坏的声发射试验,通过有限元计算确定荷载范围以及不同梁的加载应力与应变变化规律。试验加载过程中测试梁上控制点处的应变及声发射信号,通过应力变化及外观观察,记录梁的受力状态和裂纹产生的条件,通过分析试验全过程中的声发射信号能量时程图,得到简支梁破坏过程中的能量变化特征、频率分布范围及特点,以及不同特征简支梁破坏过程中声发射能量参数的变化规律。试验表明,声发射技术监测混凝土梁的状态及损伤破坏有一定的优势。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题,提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法.将归一化后整理完的原始轴承振动信号输入到网络模型中,利用具有残差连接的多个一维卷积层提取特征,再经过多个卷积池化,最后输入到Softmax层进行分类,输出轴承...     

基于多传感器数据融合的齿轮箱故障诊断方法

为了解决单通道单维度振动信号输入不能全面表达齿轮箱故障特征的问题,提出一种基于多传感器多通道数据融合的诊断模型,结合卷积神经网络应用于齿轮箱振动信号的特征学习和故障分类中.利用连续小波变换对多通道数据进行二维时频变换,得到二维时频图像;构建神经网络诊断模型,以多通道的时频图作为输入,实现多通道信号特征的故障分类.通过动...     

基于MCKD的振动信号压缩感知方法

齿轮箱在状态监测和故障诊断过程中,依据传统的奈奎斯特采样定律采集到的振动信号数据量过大,且传输速度过慢。针对这些问题提出了基于最大相关峭度解卷积(MCKD)的振动信号压缩感知(CS)方法。首先对原始信号进行MCKD降噪处理,获得比原始信号更为稀疏的信号;然后利用高斯随机矩阵作为信号压缩测量中的感知矩阵,通过离散余弦变换(DCT)生成完备字典;最后结合L_1范数重构算法对原始信号进行重构。实验结果表明,在相同压缩率下,与传统的压缩感知方法相比,本文所提的方法能有效地提高重构信号的相似度。     

基于小波神经网络的地铁盾构施工地表沉降预测研究

地铁盾构施工引起的地表沉降对施工安全影响较大,应加以预防和控制。根据影响地表沉降的主要参数,建立了基于小波神经网络的盾构施工地表沉降预测模型,分析了预测结果的可行性,对比了它在收敛速度、预测精度等方面较传统BP神经网络的优势。结合北京地铁6号线实地测量数据,验证了小波神经网络用于沉降预测的准确性和可行性。     

基于改进残差网络的齿轮箱故障诊断研究

深度残差网络中的残差模块能较大程度解决特征的丢失和损耗问题,从而能够搭建更深的层数来改善神经网络的训练效果,但是冗余噪声会干扰机械故障诊断精度.残差收缩模块(RSNB)利用注意力机制根据重要程度不同来对特征进行加权,自动地给各个样本设置不同的阈值,在降噪的同时最大程度的保护数据的原始特征.为加快网络训练速度,引入权值均...     

形态小波变换在轴承故障信号处理中的应用

基于数学形态学的形态小波变换是对信号基于形态特征的非线性分解，选取合适的信号分解算子既能够抑制噪声，又能够提取信号中的冲击成分。形态小波变换只有加减法和取极大、极小运算，与通用的时频分析方法相比计算简单。仿真数据和实验信号的分析表明：形态小波变换能够准确有效地提取轴承故障的特征频率成分，适用于轴承故障的在线诊断。     

基于EMD模态相关和形态学降噪的齿轮故障诊断研究

为了从齿轮振动信号中提取出包含有故障信息的特征频率,针对现有EMD(Empirical Mode Decomposition)降噪算法中的IMF重构问题,提出了基于EMD模态相关和形态学降噪的齿轮故障诊断方法。首先采用EMD将目标信号分解为若干个IMF分量之和,利用模态相关分选准则选取噪声主导分量和信号主导分量的分界点,并利用各个IMF分量的自相关函数来验证该准则的正确性;然后将选到的噪声主导分量进行形态学滤波,利用峭度准则优化形态学结构元素尺度,自适应的寻求最优解;最后将滤波后的噪声分量与剩余分量进行重构,得到滤波重构信号,通过频谱分析识别齿轮故障特征频率。仿真数据和齿轮裂纹故障实验测试数据的分析表明,该方法滤波效果理想,能更有效地提取出齿轮故障特征。     

基于VMD-FastICA的齿轮箱故障诊断

针对齿轮箱故障信号微弱且易受周围噪声影响的问题,提出了一种基于变分模态分解(VMD)的独立分量(ICA)算法。该方法首先将采集的信号进行MCKD降噪,将降噪后的信号利用VMD算法分解为多个不同的本征模态分量(IMF),然后依据快速谱峭度图和相关系数选取有效的IMF分量进行重构信号,对于重构信号利用FastICA再次进行降噪处理,根据FastICA降噪后得到的故障特征分量,可以有效地识别故障。结果表明:该方法可以更清晰、准确地提取出故障特征频率和找出故障发生的位置。