基于DBN特征提取的雷达辐射源个体识别

针对传统特征参数难以表征复杂体制雷达信号个体特征的问题,基于深度置信网络DBN的深层特征提取和高维数据处理能力,提出一种基于DBN特征提取的雷达辐射源个体识别算法。首先建立基于多层受限玻耳兹曼机的DBN模型,然后通过DBN无监督提取脉冲包络前沿特征,再利用标签数据对模型参数进行有监督微调完成训练,最后输入未知辐射源信号脉冲包络前沿特征实现辐射源个体识别。与传统算法相比,该方法能够自适应地提取脉冲深层次细微差异,提取过程减少了对人为经验的依赖。实验结果表明,该算法对脉冲包络特征提取效果明显,有较高的识别精度。     

一种基于一维卷积神经网络的旋转机械智能故障诊断方法

状态监测和故障诊断对于维护系统性能和保证运行安全具有重要意义.针对传统智能识别方法需要复杂的特征提取过程和大量的诊断经验等问题,结合振动信号自身的一维性的特点,提出一种基于一维卷积神经网络(1-Dimensional Convolutional Neural Network,1DCNN)的旋转机械智能故障诊断方法.首先将数据信号通过傅里叶变换转换成频域信号并进行预处理,然后训练卷积神经网络自动提取特征,最后通过Softmax回归进行分类.在基准数据集上的实验结果表明,1DCNN模型不仅能有效地从原始信号中进行多种工况、多种故障位置、多种故障程度的特征提取和诊断,而且具有很高的故障识别精度,获得了优于主流故障诊断方法的结果.     

经验模态分解(EMD)在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征，提出了基于经验模态分解(Empiri-cal Mode Decomposition，简称EMD)和神经网络的滚葡轴承故障诊断方法，首先对原始信号进行了经验模态分解，将其分解为多个平稳的固有模态函数(Intrinsic Mode functioll，简称IMF)之和，再选取若干个包含主要故障信息的IMF分量，并从中提取时城特征措标——峭度或裕度因子作为神经网络的输入参数来识别滚动轴承的故障模式，对滚动轴承的内圈、外圈故障信号的分析结果表明，以EMD为预处理器提取时域特征参数的神经网络诊断方法比直接从原信号中提取时域特征参数的诊断方法有更高的故障识剐率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于深度特征提取神经网络的滚动轴承故障诊断

滚动轴承作为旋转机械的重要组成部分,其运行安全性受到大量关注,但传统的基于信号处理的时频分析故障诊断方法较为依赖专家知识从而难以广泛应用。结合应用较广的卷积神经网络和长短时记忆网络模型的优点-自动提取振动信号的深层特征信息以及可识别所提取的长时连续的振动信号时序特征信息,提出一种深度特征提取神经网络模型,将原始的振动信号作为模型输入,进而通过多层卷积与长短时记忆网络对振动信号进行故障特征信息提取,可以有效提取滚动轴承振动信号中的深层时序故障特征信息,进而准确辨识滚动轴承不同的故障模式,并且避免了复杂的信号预处理与人工进行信号特征提取的过程。通过凯斯西储大学滚动轴承故障实验的10类健康状态数据验证了所提方法的有效性,并对实验结果进行分析,解释了在迭代过程中出现精度波动的可能原因。     

基于奇异值分解和深度信度网络多分类器的滚动轴承故障诊断方法

提出一种基于奇异值分解(SVD)和深度信度网络(DBN)多分类器的滚动轴承故障诊断方法.对滚动轴承的振动信号进行相空间重构,得到相应的特征矩阵;对特征矩阵进行SVD分解,并用所得整个奇异值序列构造特征向量,建立DBN多分类器模型,以实现滚动轴承的故障诊断;同时,将所提出的方法与DBN、反向传播神经网络、支持向量机等算法进行对比.结果表明,所提出的方法能够更加稳定、可靠地识别滚动轴承的故障类型和故障程度.     

基于Teager能量算子和深度置信网络的滚动轴承故障诊断

针对传统的分类器对滚动轴承早期微弱故障进行诊断时泛化能力不强的问题,提出基于Teager能量算子(TEO)和深度置信网络(DBN)的滚动轴承故障诊断方法。先用TEO提取滚动轴承振动信号中的瞬时能量,构造相应的特征向量;采用层次优化算法调整DBN结构参数,生成合适的分类器。应用美国西储大学轴承实验振动信号,对不同类型、不同损伤程度的滚动轴承进行故障诊断,对比分析DBN、支持向量机(SVM)和邻近算法(KNN)的分类准确性。研究结果表明:DBN能更准确、稳定地识别滚动轴承各种故障,具有较强的泛化能力。     

基于VMD-DBN的滚动轴承故障诊断方法

为揭示滚动轴承故障振动信号的典型特征规律,结合变分模态分解(VMD)与深度置信网络(DBN)的优势,提出轴承振动信号特征的提取方法.将信号先进行基于VMD的分解,根据各模态分量频谱图确定其模态参数,得到若干个模态分量.然后,基于DBN强大的特征提取能力,采用DBN无监督特征提取方法,将得到的模态分量映射到一维,并融合各分量的DBN特征形成特征向量,将其作为粒子群优化支持向量机(PSO-SVM)的输入进行故障诊断.实验验证与对比分析证明了VMD-DBN方法的可行性与优越性.     

基于FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

基于小波包和径向基神经网络轴承故障诊断

针对滚动轴承故障精密诊断的需要,采用小波包分析方法提取了滚动轴承故障的特征信号.通过小波包分析将高频信号分解到8个频带中,以频带能量作为识别故障的特征向量.应用RBF径向基神经网络建立了从特征向量到故障模式之间的映射.现场采集的数据分析表明,采用小波包和神经网络相结合的方法可以比较准确地识别滚动轴承的故障.     

基于模拟机匣的中介轴承微弱故障特征提取技术

中介轴承是航空发动机支承传动系统中的重要零件,其运行状态直接影响航空发动机的工作状态和运行安全。围绕航空发动机中介轴承微弱故障特征信号提取的问题,以振动信号分析和处理为基础,开展航空发动机中介轴承微弱故障特征信号提取实验。仿照某型涡扇发动机机匣结构设计加工了模拟机匣,用来模拟振动信号的复杂传递路径。基于包络谱分析和经验模态分解（Empirical Mode Decomposition）包络谱分析处理振动信号,对比二者对滚动轴承微弱故障特征信号的提取效果。实验结果表明,在中介轴承微弱故障特征信号提取中,模拟机匣可以有效地模拟振动信号的复杂传递路径,EMD包络谱分析法比单一采用包络谱分析的方法能够更加明显有效地提取中介轴承微弱故障信号。     

基于虚拟仪器和神经网络的电力电子电路故障诊断

电力电子电路中晶闸管开路和短路故障最为常见，为实现故障的在线自动诊断，以三相整流电路为例，利用虚拟仪器进行数据采集、分析及特征信号提取，特征信号作为神经网络的输入进行电力电子电路在线故障诊断，通过实验验证，该方法误诊率极低，达到了较为理想的效果。     

基于深度置信网络和信息融合技术的轴承故障诊断

提出一种基于深度置信网络(DBN)和信息融合技术的轴承故障诊断新方法。首先采用集合经验模式分解将轴承振动时域信号分解为若干个固有模态函数,并分别输入至若干个DBN中进行故障状态识别,然后通过简单投票法将每个DBN识别的结果进行决策层信息融合,从而得到轴承故障的最终诊断结果。通过对单负载和多负载下不同类型和不同损伤程度的滚动轴承故障诊断进行实例分析,验证了本文方法的有效性和精确性。     

基于CNN-LSTM-Attention神经网络的高压电缆局部放电预测方法研究

为了更迅速、准确地识别出高压电缆的局部放电故障,本文提出一种基于卷积长短期注意力(convolutional long short-term attention, CNN-LSTM-Attention)神经网络的高压电缆局部放电预测方法.首先,对高压电缆局部放电信号进行实时监测,并用小波分析将其离散,把长信号切分成多段信号且提取每段信号的统计特征量;其次,根据特征量构建神经网络分类模型,其由能够提取轮廓特征的卷积层、提取信号时序特征的长短期记忆层以及具有时序重要部分捕捉能力的注意力层构成;最后,通过实际数据进行仿真.结果表明：所提方法能准确识别较高采样率的异常放电信号,且相比传统神经网络,CNN-LSTM-Attention神经网络的故障识别准确率有明显提高,其马修斯相关系数(Matthews correlation coefficient, MCC)为0.871 03.     

基于分形和神经网络的柴油机振动诊断方法

提出了一种基于分形理论和神经网络技术的柴油机振动诊断方法,首先对柴油机的振动信号进行小波降噪,然后提取相应的不同迭代阶数的广义分形维数,并将其作为RBF神经网络的输人参数,以运行工况作为输出参数训练神经网络模型．训练后的神经网络可以利用测量的振动信号来判断柴油机的故障状况．实验及仿真结果表明：采用的小波降噪技术可以较好地再现振动信号特征,有效提高故障识别率;同时基于分形和神经网络技术的诊断方法在柴油机故障诊断中是有效可行的,对于单个故障的正确识别率达到了100％,具有较高的工程适用性,对其他复杂机械的振动诊断同样具有参考价值．     

基于深度置信网络的道岔故障智能诊断方法

传统的道岔故障诊断方法往往依赖于复杂的信号处理过程以及丰富的专家经验，需要对信号进行精确的分段，过程繁琐，不利于现场使用。采用粒子群算法(PSO)优化的深度置信网络(DBN)的方法，直接对道岔功率原始数据提取特征，利用受限玻尔兹曼机（RBM）逐层拟合数据特征同时实现对数据的降维。然后采用极限学习机（ELM）对故障进行分类，提高了诊断的速度。研究结果表明：与PSO优化的支持向量机（SVM）方法相比，准确率提升了4%，达到了96%，所用时间也大大减少。     

液压泵故障诊断稀疏编码方法研究

针对液压泵故障特征难以提取、诊断过程复杂、自动化程度低等特点,将稀疏编码方法应用于液压泵故障诊断.通过对液压泵泵壳处振动信号进行时频域变换,将变换后的信号作为样本,采用K-SVD算法对训练样本进行字典学习以获取字典,利用正交匹配追踪算法对测试信号进行分解与重构,通过不同类别字典对测试信号的重构率大小进行故障种类识别,实现液压泵故障分类.通过试验验证并与BP神经网络、支持向量机对比,结果表明稀疏编码方法具有对故障识别速度快、准确率高、稳定性好等优点,可以有效地实现对液压泵故障的诊断.      

基于小波神经网络的轴承未知异常诊断

针对滚动轴承振动信号复杂,故障类型难以预知的问题,提出基于小波-神经网络技术的滚动轴承未知异常诊断的新方法.利用小波包对滚动轴承振动信号进行分解与重构,获得振动信号的突变信息,提取与滚动轴承故障相关的特征信息,将其作为特征向量输入自组织特征映射(Self-Organizing Feature Maps,SOFM)神经网络,对其进行自动分类识别,根据数据映射位置,可实现对滚动轴承未知异常的诊断,并为专家系统知识的自动获取提供了一条新途径.通过对仿真结果的分析,证实这种诊断方法的可行性.     

高精度故障电弧检测多传感器数据融合算法

 由于故障电弧的物理特性复杂, 且电路中存在与故障电弧波形相似的负载, 因此传统 检测故障电弧的方法误判率较高. 提出了一种多传感器数据融合算法, 用于提高故障电弧的检测精度. 该算法包括自适应加权融合算法和神经网络融合算法, 实现了对温度传感器、声音传 感器和弧光强度传感器所获取的传感信号的数据融合. 自适应加权融合算法克服了单个传感 器的不确定性, 实现了同质传感器中故障电弧特征的提取, 为神经网络融合算法提供了精确的测试样本数据; 神经网络融合算法可自行调整各类异质传感器的权重, 使故障电弧的辨识率更高. 实验结果表明, 该算法可有效提取故障电弧的特征, 辨识精度超过98%, 实现了高精度的故障电弧检测.     

模糊诊断技术在旋转机械设备故障诊断中的应用

在复杂的机械系统中,一种故障状态可能引起多种故障征兆,而一种故障征兆也可能在不同程度上反映多种故障状态。根据振动信号频谱分析结果,提取频谱特征,获取各种故障征兆信息。在已知故障征兆的情况下,对多故障同时发生和多故障具有相同征兆的诊断问题,利用模糊诊断技术,确定机械设备故障类别的隶属度值,经模糊综合诊断后确定设备的故障。     

小波神经网络在输电导线断股故障诊断中的应用

讨论了小波降噪用小波奇异性检测的原理，并利用这些原理对输电导线断股故障信号进行了二进小波分解，提取Ｗ２＾３￣Ｗ２＾５尺度上的特征参数作为神经网络的输入，而经过训练后的神经网络的输出分别为断股故障类型和故障位置信息。