课程文献中心 更多>>

关键词： 滚动轴承   变分模态分解   鹈鹕优化算法   调和均值指标   故障特征提取  

摘要： 针对列车轴箱轴承服役条件恶劣，轴承故障信号易被干扰噪声湮没，提取故障特征存在较大难度等问题，提出一种融合包络熵与峭度的调和均值指标（Harmonic Mean Index，HMI）适应度函数的变分模态分解（Variational Mode Decomposition，VMD）参数优化方法，并通过等比例试验台轴承故障数据对算法进行验证。首先，为保证综合函数表征的信号周期性与冲击性在同一个量级，引入调和均值参数，将包络熵与峭度调和均值指标作为适应度函数，采用鹈鹕优化算法（Pelican Optimization Algorithm，POA）进行全局最优值搜索；其次，通过HMI-POA算法优化筛选VMD关键参数，确定最优分解层数K和惩罚因子α，代入参数值将故障信号分解为K个本征模态函数（Intrinsic Mode Function，IMF），并根据加权峭度（Weighted Kurtosis，WK）指标确定最佳分量；最后，包络解调最佳分量信号，提取滚动轴承的故障特征成分，采用等比例试验台故障数据验证所提HMI-POA-VMD算法的有效性，并与传统方法比较，以故障特征系数（Fault Feature Coefficient，FFC）为评判依据，验证其优越性。研究结果表明：所提方法具有较高的故障频率提取率，相较与单一适应度函数优化，FFC提升49.1%，相较于传统VMD，FFC提升62.5%，极大提取了更为丰富的故障频率，实现了噪声环境下特征信息的准确提取。

关键词： 不平衡样本   CatBoost   故障诊断   SHAP   可解释性  

摘要： 针对变压器故障数据分布不平衡而导致的故障诊断模型分类性能下降和模型诊断结果不可解释的问题,提出一种基于Borderline-SMOTE-CatBoost-SHAP的变压器故障诊断方法。首先,利用Borderline-SMOTE算法在保留少数类样本分布特征的同时对数据进行均衡化处理,解决故障数据分布不平衡造成的偏倚问题;然后,构建CatBoost变压器故障诊断模型,利用变压器的实际故障数据进行仿真实验,与不同数据均衡化方法和其他变压器故障诊断模型进行对比;最后,引入SHAP模型对CatBoost故障诊断模型进行可解释性分析,解决“黑箱模型”可解释性差的问题。实验表明,基于Borderline-SMOTE-CatBoost-SHAP的变压器故障诊断模型总体诊断准确率为92.99%,F1分数为0.91,Kappa系数为0.91,同时可视化输入特征对决策的影响程度与过程,验证了所提方法的有效性。

关键词： 多源传感器数据   故障诊断   伪孪生神经网络   星雀优化算法   门控循环单元  

摘要： 为应对航空发动机轴承在极端复杂工况下的故障诊断需求，提出了一种新的航空发动机轴承高精度智能故障诊断方法。首先，构建了具有一维自适应归一化卷积神经网络模块和一维物理特性指导的卷积神经网络模块的双通道伪孪生神经网络，有效应对多源传感器数据的融合问题，提取关键特征并实现多源数据的高效融合。其次，星雀优化算法优化门控循环单元模块进行故障状态识别，提高了模型的自适应性、鲁棒性及泛化能力，特别是在复杂工况和噪声环境下。最后，通过算例验证模型的有效性，提出方法的故障诊断准确率分别达到99.99%、100%和100%，与现有几种诊断方法对比，所提方法的识别准确率最高提高了23.97%，展现出明显的性能优势。此外，进行了泛化能力验证实验与噪声对抗实验，结果表明了其优越的抗噪声能力和强大的泛化性能。

关键词： 变工况轴承故障诊断   多源信息融合   注意力机制   卷积神经网络  

摘要： 针对轴承在变工况下工作时受环境噪声和工况变化的干扰，现有的基于单源信号的轴承故障诊断方法因单源信号难以提供全面且稳定的故障信息，导致诊断效果不理想的问题，提出一种基于注意力机制的多源信息融合网络模型(MSIFNM)。该模型的多尺度特征提取模块可以提取更充足的故障特征信息；双阶段注意力模块从多个维度增强对工况变化不敏感的故障特征；多源信息特征加权模块根据不同传感器信号对不同故障的敏感程度，自适应地对多源信息进行权重分配；特征融合与类别输出模块实现对加权后的特征进一步融合与特征提取，再经全连接层和Softmax层输出分类结果。采用变转速和变负载轴承故障数据集对本文所提的MSIFNM模型进行实验验证，实验结果表明，MSIFNM可以有效实现多源信息融合特征提取，提高变工况条件下轴承故障诊断的准确性、稳定性和工况自适应性。

关键词： 油液分析   数据清洗   特征优选   集成学习   油品状态识别  

摘要： 针对传统齿轮箱油液分析方法存在的精度低和泛化能力有限的问题，提出一种基于PCA特征优选和AdaBoost集成学习的齿轮箱油品状态识别方法。首先，通过箱型图和smote插值对油液多参量数据进行清洗以提高油液数据的质量；其次，采用PCA进行油品特征优选，获取有助于识别的油品特征优选子集，在有效融合油液多参量信息的同时，可显著降低模型运行的时间复杂度；然后，利用BP神经网络建立油品状态识别基本模型，引入GWO灰狼优化算法对模型进行优化，构建具有最优初始权值与阈值的弱分类器GWO-BP，同时采取自适应提升AdaBoost算法组合多个弱分类器GWO-BP，集成为较强鲁棒性的强分类器。最后利用实验进行验证和分析，实验结果表明，所提方法效果最优，平均识别率99.30%±0.16%，平均用时32.77±1.27s，能够快速高效、准确识别出齿轮箱润滑油油品状态，为实现在线齿轮箱的油品状态识别奠定了良好基础，具有重要的工程应用价值。

关键词： 高压断路器   振动信号   小波变换   能量提取   智能运检  

摘要： 通过对高压断路器振动信号的分析,可根据不同振动特征识别故障类型。利用改进小波阈值去噪法进行断路器振动信号的数据预处理,并通过小波包变换提取各频段能量占比,在对能量分布特性开展分析的基础上实现高压断路器故障诊断。工程实例表明,该方法能够有效实现高压断路器机械故障诊断,为高压断路器智能运检提供了一种新技术手段。

关键词： 故障诊断   类间和类内非平衡   门控局部连接网络   注意力并行机制   焦点损失  

摘要： 现有智能故障诊断方法面临的挑战包括模型训练依赖于大量标签数据、故障数据获取困难且发生概率不同、对工况影响考虑不足等。为此，提出一种变工况下自适应类间和类内非平衡故障数据的齿轮箱诊断方法。首先，构建门控局部连接网络，有效降低对标签数据的依赖，直接从原始数据中挖掘数据分布本征特征；然后，设计外部注意力和内部注意力并行机制，考虑变工况下类间故障和类内故障分布差异，进一步调整提取特征权重；最后，采用焦点损失函数，更加关注少数类和困难类样本，实现高质量的非平衡诊断信息挖掘。经齿轮箱故障试验平台6组非平衡数据测试，验证了所提方法自适应识别非平衡故障数据的有效性和优越性。

关键词： 聚类识别   故障诊断   状态监测   粒子群算法   支持向量机   航空发动机  

摘要： 为了有效分析滑油状态，实现基于滑油状态分析的航空发动机关键部件磨损状况监测，开展了基于滑油磨粒聚类分析的航空发动机故障诊断研究。利用主成分分析算法提取滑油磨粒的关键特征参数；结合关键特征参数，利用支持向量机模型进行滑油磨粒的聚类识别。并通过对改进粒子群算法进行分析，利用自适应权重粒子群算法和异步收缩因子粒子群算法对支持向量机模型进行优化，以提高聚类的准确性。以滑油光谱数据为例，进行了滑油磨粒聚类试验。试验结果表明，通过2种改进粒子群优化的支持向量机模型仿真，可实现航空发动机滑油中磨粒的聚类识别，识别精度高达99.7%，且监测和诊断结果与实际故障一致。研究结果为航空发动机的滑油状态监测和故障诊断提供依据。

关键词： 转辙机   轨道交通   道岔   智能诊断   振动信号   信号分解   深度学习  

摘要： 转辙机是铁路系统中的重要设备，对列车安全运行有着重要意义。针对现有转辙机故障诊断方法存在的问题，并结合振动信号抗干扰性强及灵敏度高的特性，提出一种基于转辙机振动信号的VMD-SDP-CNN故障诊断方法。实验中采集了ZD6转辙机的五种实际工况的振动信号作为研究对象。首先，通过变分模态分解（VMD）对转辙机的振动信号进行分解，得到多个本征模态函数（IMF）分量。其次，采用对称点图案（SDP）方法将分解的IMF 分量转换为二维图像，将一维信号识别问题转化为二维图像识别问题。最后利用卷积神经网络(CNN)实现转辙机的故障诊断。实验结果表明，使用该方法对转辙机五种实际工况的诊断效果优于典型深度学习和机器学习方法，验证了其实用性和有效性。