改进残差网络和迁移学习的齿轮箱故障诊断

针对齿轮箱故障诊断问题,提出一种基于多尺度特征提取与融合混合注意力机制的残差网络模型。该模型直接对原始振动信号进行特征提取,通过增加混合注意力机制来增加网络深度,提取关键信息,提高网络稳定性与故障识别准确率;串联首层多尺度特征提取模块,增加网络宽度,提取不同频率特征值的同时避免了梯度爆炸问题,最终故障诊断精度达到99.9%;通过噪声实验,验证网络具有较强鲁棒性。网络使用迁移学习的方式,解决了实际工业中数据量不足的问题,并验证了网络的泛化能力。所提网络具有公开性与实用性。     

齿轮箱故障诊断技术及其发展

综述了机器故障诊技术的重要组成部分－齿轮箱的故障诊断技术及其发展状况，从齿轮和轴承两个方面介绍了各种故障的诊断方法以及作的研究成果。     

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...     

基于联合近似对角化的盲源分离在齿轮箱故障诊断中的应用

提出一种采用盲源分离技术对齿轮箱混合故障进行诊断的方法．该方法利用白化信号自相关矩阵的联合近似对角化算法，从观测信号中分离故障特征源信号，并根据分离信号的频谱成功地提取了混合故障的特征信息，有效地诊断出齿轮箱所处的故障状态．     

基于收敛趋势变分模式分解的齿轮箱故障诊断方法

从中心频率的角度出发,深入分析变分模式分解算法中不同初始中心频率的分解特性;利用分解特性对变分模式分解中使用的初始中心频率进行合理更新,在没有先验知识的情况下自适应分解信号的整个分析频带;根据峭度准则,从分解的子信号中选取包含故障信息最丰富的故障分量;对选出的最佳故障分量进行平衡参数优化和稀疏编码收缩处理,并进行包络分析;基于变分模式分解的特性,构建一套完整的基于收敛趋势变分模式分解的齿轮箱故障诊断方法,并应用诊断方法于汽车变速器齿轮箱中齿轮早期局部损伤故障识别和齿轮接触疲劳试验机中齿轮箱故障诊断。研究结果表明：在变分模式分解算法中存在着收敛趋势现象,随着初始中心频率的逐渐增大,所提取模式的收敛中心频率与其相对应的初始中心频率具有特定的收敛关系;提出的方法无需参数先验知识,可自适应地将振动信号进行分解;试验1中提出的方法分解得到的故障分量峭度为3.056,优化处理后故障分量的峭度为24.812,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为2.830和2.421,快速谱峭度分析方法未能提取出故障分量;试验2中诊断方法分解得到的故障分量峭度为3.467,优化处理后故障分量的峭度为19.780,传统的2种初始化中心频率变分模式分解方法的故障分量最大峭度分别为3.231和3.361,快速谱峭度分析方法未能提取出故障分量;提出的方法能够增强瞬态特征和故障特征频率,在齿轮箱故障诊断方面更具准确性和优越性。     

基于改进ACGAN的齿轮箱多模式数据增强与故障诊断

针对现有生成对抗网络(GAN)难以高效率生成多模式的故障样本和训练不稳定问题,提出了一种改进辅助分类生成对抗网络(ACGAN),并将其用于齿轮箱多模式数据增强和智能故障诊断,以确保运载工具的安全运行;引入独立的分类器构建新型ACGAN框架,改善了经典ACGAN的分类精度与判别精度之间的兼容性;使用Wasserstein距离定义具有平滑特性的新型对抗损失函数,以此克服GAN易出现模式崩塌和梯度消失的缺点;引入谱归一化方法替代权重裁剪,限制判别器的权重参数,提高对抗训练过程的稳定性;为验证改进ACGAN的有效性和优越性,对齿轮箱的6类健康状态样本进行试验分析。分析结果表明：改进ACGAN生成的故障样本在数据层面和特征层面取得了更好的质量评估结果,其中基于结构相似度的评估指标平均优于对比方法0.249 3,基于最大平均差异的评估指标平均优于对比方法0.696 6;改进ACGAN的训练过程更加稳定,其损失函数具有更优的收敛性,同时在多模式故障诊断情景下具有更高的效率,其训练时间缩减为对比方法的20%;针对故障样本缺失的情况,改进ACGAN的生成样本能有效辅助深度学习智能故障诊断模型的训练,可将诊断精度由75.34%提升至97.06%。     

基于深度主动学习的MVB网络故障诊断方法

多功能车辆总线MVB （multiple vehicle bus）用于传输重要的列车运行控制指令和监视信息,准确地诊断MVB网络故障是列车智能运维的基础,为此,提出一种将主动学习和深度神经网络相结合的MVB网络故障诊断方法. 该方法采用堆叠去噪自编码器自动提取MVB信号物理波形特征,并将该特征用于训练深度神经网络来实现MVB网络故障模式分类;基于不确定性和可信度的高效主动学习方法,可解决实际应用中标记样本不足和人工标记成本高昂的问题,使用少量标记训练样本就能得到高性能的深度神经网络模型. 实验结果表明:为达到90%以上分类准确率,所提方法只需要600个标记训练样本,小于随机采样方法所需标记训练样本数的2 800个;在相同标记训练样本数下,所提方法在3种性能指标下均优于传统方法.      

高速列车齿轮箱疲劳可靠性及故障诊断研究现状

随着高速列车速度不断提高牵引齿轮箱服役环境越发复杂,齿轮箱服役性能也面临更大的考验.基于齿轮箱内、外及耦合激励对其振动响应的影响,国内外学者对高速列车齿轮箱的振动特性和故障诊断做了大量的研究;针对已有的研究成果,主要从齿轮箱强度、可靠性及寿命、箱体故障诊断及监测方面归纳总结,详细阐述了高速列车齿轮箱振动特性分析及故障诊...     

基于贝叶斯网络的内燃机故障诊断研究

介绍了贝叶斯网络模型的数学描述，该方法对于设备诊断问题中存在不确定性、关联性问题具有很大的优势．将其模型应用在内燃机的故障诊断中，建造贝叶斯网络，并根据底事件的先验概率进行故障概率的计算，并给出维修建议．实例说明了该方法的有效性．     

基于网络技术的汽车故障诊断系统

伴随无线通讯技术、基于模型的诊断技术、人机接口技术、电子技术和嵌入式系统技术的快速发展,汽车诊断方式产生巨大的变化。可以在汽车正常行驶的同时,通过网络远程诊断来维护汽车。分析基于网络的汽车远程诊断的现状、特点及发展趋势。     

基于深度迁移学习的车辆悬架高频异常振动故障诊断

在车辆悬架故障诊断过程中,深度学习故障诊断模型在面对少量样本数据时模型训练效果不佳,导致诊断模型的接收者操作特性曲线(receiver operating characteristic, ROC)的曲线下面积(area under curve, AUC)较小的问题,利用经验模态分解(empirical mode decomposition, EMD)方法,对采集的车辆悬架高频振动信号进行分解处理,根据每个经验模态分量(intrinsic mode functions, IMF)的能量,提取高频异常振动故障特征,构建了基于深度迁移学习的诊断模型;以深度卷积神经网络算法为基础,对小样本特征矢量信息进行故障知识迁移处理,通过参数微调更新权值,优化故障诊断模型。实验结果表明：优化后模型的AUC值为0.89,模型故障诊断结果具有较高准确性。     

基于多尺度卷积类内迁移学习的列车轴承故障诊断

考虑变工况下列车轴承振动数据分布不一致情况下, 传统深度学习诊断模型的泛化能力下降, 提出了一种多尺度卷积类内自适应的深度迁移学习模型; 模型利用改进的ResNet-50网络分析振动数据的频谱, 得到了中间层次特征, 构造了多尺度特征提取器, 从不同尺度处理中间层次特征得到高层次特征; 将高层次特征作为分类器的输入, 同时计算了伪标签以缩短在不同工作条件下收集的振动信号的条件分布距离来进行类内匹配; 为了验证模型的通用性和优越性, 将提出的模型分别用于列车轮对轴承数据集和凯斯西储数据集的多个工况进行试验验证和分析。研究结果表明: 通过对齐不同域中同一类样本的高层次特征作为分类器的输入, 提出的模型获得了更为理想的故障诊断精度; 在列车轴承6个变工况诊断实例中, 平均诊断精度为90.75%, 与传统深度学习模型相比, 模型诊断精度平均提高了约10%, 召回率为0.927;在凯斯西储数据集的12个变工况诊断实例中, 模型平均诊断精度达99.97%, 比传统模型提高约10%。可见, 利用伪标签减小了不同域之间的条件分布差异, 很好地处理了源域和目标域数据分布不一致的问题; 多尺度特征提取器能从不同尺度对齐样本的高层次特征, 增强了模型的泛化性与鲁棒性, 是解决变工况列车轴承故障诊断问题的一种有效模型。     

基于小波网络的船舶柴油机燃油系统故障诊断

采用小波变换和BP神经网络的辅助式结合,通过小波变换提取故障特征向量作为BP神经网络的输入值,设计并组建了小波神经网络;利用小波变换模极大值分析高压油管燃油压力信号的奇异性,提取故障特征向量;根据故障采集数据并建立学习样本,通过网络训练建立BP神经网络输入和输出间良好的非线性映射,进而通过特征向量输入BP神经网络来诊断故障。实验数据分析表明:该方法具有良好的诊断效果。     

基于工作过程的发动机故障诊断学习情境设计——汽油发动机无法启动故障诊断

文中阐述了“汽油发动机无法启动故障诊断”学习情境设计,以奇瑞A3发动机无法启动故障（包括有故障码故障和无故障码故障）为例,详细叙述了故障诊断与排除的过程。是基于典型工作过程的学习情境设计,以学习情境为载体使学生掌握相关知识,激发学生的兴趣和思维,从而提高学生综合职业能力。     

B＆K2033A信号分析仪的联机开发及汽车齿轮箱的故障诊断

将丹麦B&K2033A信号分析仪与IBM-PC微型计算机联接,建立了一套强功能实时信号分析系统,并应用此系统对沈阳汽车齿轮厂的金杯牌面包车齿轮减速箱进行了噪声、振动测试及信号分析,提出了相应的减振降噪措施及改进生产工艺的可行性方案。     

锚链轮齿轮箱有限元分析与测试

随着现代船舶运输的发展,船用机械逐步向重载方向发展,对机械的设计要求也日益提高.研究基于patran有限元分析平台,采用solidworks进行锚链轮齿轮箱模型设计,导入nastran求解器求解设计模型的应力场,并通过试验测试验证了计算结果的正确性.在此基础上进行齿轮箱筋板的相关优化分析.     

网络故障诊断常用策略研究

本文介绍了计算机网络常用故障诊断的工具，并讨论了基于OSI模型的故障检测的常用策略。