共查询到14条相似文献，搜索用时 656 毫秒
1.
针对滚动轴承变工况条件下卷积神经网络在特征提取过程中无法充分提取全局特征信息的问题,该研究提出一种MSCNN-Swin滚动轴承故障诊断方法。首先,在数据处理模块中利用连续小波变换(continuous wavelet transform, CWT)将一维振动信号转化为二维时频图像,以保留原始信号的时频特性;然后,在局部感知模块中利用多尺度卷积神经网络(multiscale convolutional neural networks, MSCNN)对故障信息的局部特征进行提取,并使用卷积块注意模块(convolutional block attention module, CBAM)提取关键信息;进一步构建特征提取模块,引入残差连接提高前后特征信息的利用效率,通过SwinT网络(swin transformer)学习故障信息的全局特征;最后使用全局平均池化代替全连接层进行故障识别。使用美国凯斯西储大学轴承数据集与自制数据集进行试验验证,试验结果表明,本文方法在可视化试验中的故障识别准确率为99.67%,在变工况试验中的故障识别准确率为95.01%～99.66%,不同编码方式试验中的故障识别准确率为100%。在自制数据集中,故障诊断准确率达到99.18%。与CWT-LeNet5、CWT-VGG16、CWT-ResNet18和CWT-Swin相比,本文方法在变工况条件下的平均故障识别准确率分别提高8.79、8.64、3.49和3.18个百分点,在自制数据集中分别提高5.23、2.74、1.40和1.26个百分点。本文方法实现了变工况等复杂条件下滚动轴承不同故障状态的识别,能够充分提取轴承故障的全局特征信息,具有较高的故障诊断准确率和良好的泛化能力,可为变工况条件下的滚动轴承故障诊断提供参考。 相似文献
2.
自适应最大相关峭度反褶积方法诊断齿轮轴承复合故障 总被引：2，自引：2，他引：0
为了解决传统最大相关峭度反褶积(maximum correlated kurtosis deconvolution,MCKD)在故障诊断中容易出现因参数选择不当而影响诊断效果的问题,该文提出了一种基于量子遗传算法(quantum genetic algorithm,QGA)的自适应最大相关峭度反褶积方法(maximum correlated kurtosis deconvolution with quantum genetic algorithm,QMCKD)用于齿轮和轴承复合故障诊断。通过量子遗传算法自适应选择最大相关峭度反褶积的2个关键参数滤波器长度(L)和反褶积周期(T)。使用QMCKD处理原始振动信号,提取复合故障信号中的所有单个故障信号,分别对单个故障信号进行频谱分析从而识别故障特征。在对齿面磨损-滚动轴承外圈损伤复合故障诊断中,QMCKD能够识别齿轮故障频率及其2~4倍频,识别轴承故障频率及其2~6倍频,且主要频率成分周围干扰谱线很少,故障类型容易识别。与直接频谱分析和变分模态分解(variational mode decomposition,VMD)相比,该方法在诊断效果上具有优越性。在对齿根裂纹-轴承滚动体损伤复合故障诊断中,QMCKD能够突出齿轮故障频率及其2~5倍频,突出轴承故障频率及其2~8倍频,齿轮和轴承故障特征明显,验证了方法的稳定性。试验结果表明QMCKD能够有效识别复合故障中齿轮和轴承的故障特征,可用于齿轮箱的齿轮、轴承复合故障诊断。 相似文献
3.
基于小波和径向基函数神经网络的滚动轴承故障模式识别 总被引：6，自引：2，他引：6
利用振动信号对滚动轴承的状态监测和故障诊断是工程中面临的难题之一，传统的基于平稳信号假设的方法不适于故障轴承的非平稳信号，有效提取故障轴承的故障特征和将故障特征准确分类是解决问题的两个关键。小波分析具有良好的时-频局部化特征，因而非常适于对瞬态或时变信号进行分类, 而人工神经网络可完成非线性系统辨识和模式分类。利用上述原理根据滚动轴承振动信号的频域变化特征，首先采用小波包分析对其建立频域能量特征向量，然后利用径向基函数神经网络完成滚动轴承故障模式的识别。试验结果表明，系统不仅能够检测到轴承故障的存在，而且能够比较准确地识别轴承的内外环故障模式，可以满足工程中的需要。 相似文献
4.
基于奇异值分解和支持向量机的滚动轴承故障模式识别 总被引：1，自引：1，他引：1
提出了基于奇异值分解和支持向量机进行滚动轴承故障诊断的新方法。对故障轴承的状态特征提取和故障特征准确分类是解决该问题的两个关键。奇异值分解可以将高维相关变量压缩为低维独立的主特征矢量，而支持向量机可以完成模式识别和非线性回归。利用上述原理根据轴承振动信号的变化特征，采用奇异值分解对其提取状态主特征矢量，然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别。试验结果表明，奇异值分解后的主特征矢量与支持向量机相结合可以很好的分辨出轴承的正常和故障状态，并且对未知故障有良好的识别能力。与常用的人工神经网络方法相比，该诊断方法具有更好的有效性、鲁棒性和精确性。 相似文献
5.
采用HHT算法与卷积神经网络诊断轴承复合故障 总被引：4，自引：4，他引：0
针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。 相似文献
6.
《农业工程学报》2020,(4)
针对农业机械装备中滚动轴承复合故障特征提取与智能诊断问题,该文提出了一种将希尔伯特-黄变换的改进算法(improved hilbert-huang transform,IHHT)与卷积神经网络(convolution neural network,CNN)相结合的诊断方法。首先,通过多种群差分进化改进的集合经验模式分解(multiple population differential evolution-ensemble empirical mode decomposition,MPDE-EEMD)和敏感固有模态函数筛选方法来改进HHT,提取出故障信号时频特征。然后,在AlexNet网络模型基础上遍历所有可能的CNN模型组合,构建出适应于滚动轴承故障诊断的CNN网络模型。再将训练集生成的IHHT时频图输入CNN中进行学习,不断更新网络参数;并将该模型应用于测试集,输出故障识别结果。最后,通过滚动轴承单一故障和复合故障2种试验,将所提出的IHHT+CNN方法分别与传统的BP神经网络、DWT+CNN和STFT+CNN方法进行比较。研究表明,该文的IHHT+CNN方法对单一与复合故障的正确率分别达到100%和99.74%,均高于其他3种方法,实现了不同工况下端到端的轴承复合故障智能诊断,并具有较好的泛化能力和鲁棒性。 相似文献
7.
基于LMD和MED的滚动轴承故障特征提取方法 总被引：4，自引：4，他引：0
机械系统所拾取的振动信号包含着许多复杂的信息成分,微弱故障信号的提取往往会受到这些成分的影响,故障识别非常困难,尤其是滚动体故障识别,往往比内圈和外圈故障识别更困难。提出局域均值分解(local mean decomposition,LMD)与最小熵反褶积(minimum entropy deconvolution,MED)结合的方式,提取强噪声、强确定性成分下微弱故障信号的特征。先用LMD对信号做预处理,自适应地分解为若干个乘积函数(product function,PF)分量,再对前4个PF分量做MED处理以放大故障脉冲特征,最后对MED处理后的信号进行包络分析。通过对强噪声背景下滚动轴承滚动体的故障实例分析,该方法得到的输出频谱故障特征频率处峰值与200 Hz内所有峰值均值的比值较原信号的增加了96.4%,同时信噪比提高了18.3%,成功地提取了故障特征,取得了良好的效果,该研究可为强噪声环境下轴承故障识别和诊断提供参考。 相似文献
8.
基于MED-EEMD的滚动轴承微弱故障特征提取 总被引：4，自引：4，他引：0
针对滚动轴承在强噪声环境下故障信号微弱、故障特征难以提取等问题,提出了基于最小熵反褶积(minimum entropy deconvolution,MED)和总体平均经验模态分解(ensemble empirical mode decomposition,EEMD)两者相结合的方法来提取滚动轴承微弱故障特征。通过对仿真信号和风电齿轮箱的振动信号分析,结果表明:为了弥补在强背景噪声下EEMD对微弱信号特征提取的局限性,该文选取MED作为EEMD的前置滤波器,最后对敏感的本征模态函数进行循环自相关函数解调分析,得出了风电齿轮箱的故障来自于高速轴的微小弯曲和高速轴输出端#10轴承外圈点蚀。同时与EEMD进行对比分析,表明了这种方法对微弱故障特征提取有较好的适用性。该文为多故障共存并处于强背景噪声下的微弱特征提取提供了参考。 相似文献
9.
基于EMD多尺度特征熵的水轮机尾水管涡带信息提取 总被引：1，自引：1，他引：0
水电机组故障诊断的关键是从状态信号中提取故障特征,因此采用经验模态分解和指标能量相结合的方法,进行水轮机尾水管动态特征信息提取。首先,对信号进行经验模态分解,然后,根据得到的本征模式分量函数计算指标能量,最后,建立基于指标能量的多尺度特征熵,并以此熵值作为故障模式识别的特征向量。以原型水轮机尾水管压力脉动信号为例,进行了应用检验。结果表明,该方法准确性高,并具有良好的水轮机特征向量提取能力,适合分析复杂而特殊的水轮机动态特征信息。 相似文献
10.
多尺度融合卷积神经网络的黄瓜病害叶片图像分割方法 总被引：3，自引：3，他引：0
黄瓜病害叶片中的病斑区域分割是病害检测与类型识别的关键步骤,分割效果将直接影响病害检测和识别的精度。针对传统方法对于黄瓜病害叶片图像分割精度低和泛化能力弱等问题,提出一种基于多尺度融合卷积神经网络(Multi-ScaleFusionConvolutionalNeuralNetworks,MSF-CNNs)的黄瓜病害叶片分割方法。MSF-CNNs由编码网络(EncoderNetworks,ENs)和解码网络(DecoderNetworks,DNs)两部分组成,其中ENs为一个多尺度卷积神经网络组成,用于提取病害叶片图像的多尺度信息;DNs基于九点双线性插值算法,用于恢复输入图像的尺寸和分辨率。在MSF-CNNs模型训练的过程中,使用一种渐进微调的迁移学习方法加速模型的训练,提高模型的分割精度。在复杂背景下的作物病害叶片图像数据库上进行病害叶片图像分割试验,并与现有的分割方法全卷积网络(FullyConvolutional Networks,FCNs)、Seg Net、U-Net、Dense Net进行比较。结果表明,该MSF-CNNs能够满足复杂环境下的黄瓜病害叶片图像分割需求,像素分类精度为92.38%、平均分割准确率为93.12%、平均交并比为91.36%、频率加权交并比为89.76%。与FCNs、Seg Net、U-Net、Dense Net相比较,MSF-CNNs的平均分割精度分别提高了13.00%、10.74%、10.40%、10.08%和6.40%。使用渐进学习训练方式后,训练时间缩短了0.9 h。该方法为进一步的黄瓜病害检测和识别方法研究提供了参考。 相似文献
11.
基于自适应频率切片小波变换的滚动轴承故障诊断 总被引：4，自引：4，他引：0
频率切片小波变换(frequency slice wavelet transform, FSWT)在汲取短时傅里叶变换和小波变换优势的基础上引入了频率切片函数,使传统的傅里叶变换实现了时频分析功能。FSWT通过对比不同频带处理的结果以确定最合适的中心频率及最佳带宽,实现了对信号任意频带及局部特征的重构及描述,但这种方法效率很低、无自适应性且无法保证手动筛选出的频段中包含所需要的故障信息。针对这个问题,该文提出一种自适应频率切片小波变换(adaptive frequency slice wavelet transform, AFSWT)。首先,连续分割信号的频谱,频谱分割覆盖了全频带且避免了手动选取频谱边界的过程,均分的方式可提高计算效率。其次,引入谱负熵作为评价依据,计算每一个频段内信号的复杂程度以筛选可能包含周期性冲击的循环平稳信息。最后,选取其中谱负熵最大的频段并将其定义为最佳的中心频率和带宽,重构该频段信号分量并包络解调分析,实现故障诊断。该方法均匀分割频谱并依据谱负熵筛选信号分量可以提高计算效率且提高筛选准确率。通过模拟信号及实验信号证明了该方法可应用于滚动轴承圈故障诊断。 相似文献
12.
基于EMD和MLEM2的滚动轴承智能故障诊断方法 总被引：2，自引：2，他引：0
针对旋转机械的自主故障诊断,提出一种基于EMD和MLEM2的智能解决方法。利用EMD预处理振动信号,在最适合的IMF分量上提取6个时域指标和5个频域指标构成无量纲的轴承故障特征向量。根据设备运行数据形成决策表,使用改进的MLEM2算法挖掘诊断规则,再结合改进的规则匹配策略进行状态识别。EMD能够剥离故障最本质的信息,提高所选分量的信噪比,而MLEM2算法无需对连续属性事先离散化,获得的诊断规则更完备、准确。SKF6203轴承试验表明,该方法诊断精度达到93.75%,相当于能够自主获取知识的专家系统,且只要一次初始设定,无需后续人工干预,是一种有效的智能诊断方法。 相似文献
13.
基于卷积神经网络提取多尺度分层特征识别玉米杂草 总被引：3，自引：10，他引：3
为提高作物与杂草识别的准确率、稳定性和实时性,该文以幼苗期玉米及杂草为研究对象,提出了基于卷积神经网络提取多尺度分层特征的玉米杂草识别方法。首先建立卷积神经网络模型,以从图像的高斯金字塔中提取多尺度分层特征作为识别依据,再与多层感知器相连接实现图像中各像素的识别;为了避免目标交叠所带来的问题,对图像进行超像素分割,通过计算每个超像素内部的平均像素类别分布确定该超像素块的类别,再将相同类别的相邻超像素合并,最终实现图像中各目标的识别。试验结果表明:该方法的平均目标识别准确率达98.92%,标准差为0.55%,识别单幅图像的平均耗时为1.68 s,采用GPU硬件加速后识别单幅图像的平均耗时缩短为0.72 s。该方法实现了精确、稳定和高效的玉米与杂草识别,研究可为精确除草的发展提供参考。 相似文献
14.
为实现滚动轴承复合故障自适应诊断,该研究提出了基于循环含量比-归一化谐波比例（Ratio of Cyclic Content-Normalized Proportion of Harmonics,RCC-NPH）融合指标改进的最大二阶循环平稳盲解卷积（Maximum second order cyclostationary blind deconvolution,CYCBD）方法。首先,构建了RCC-NPH融合指标,解决了CYCBD算法循环频率确定依赖先验知识及遍历所有故障频率空间耗时的问题。其次,根据RCC-NPH融合指标图估计CYCBD的循环频率集,实现了CYCBD参数的自适应选择。再次,采用自适应参数CYCBD方法对输入信号进行解卷积运算,提取了不同循环频率对应的故障信号。最后,对提取的故障信号进行Hilbert包络解调分析,完成故障的辨识。利用该方法分别对仿真信号和轴承复合故障信号进行试验,均能有效检测信号中包含的故障成分,实现了复合故障的自适应诊断。与其他指标相比,该方法能够有效避免噪声和谐波的干扰,适用于复合故障诊断。 相似文献