包络解调法在气阀弹簧失效故障诊断中的应用

考虑到往复式压缩机振动具有振源丰富、信息干扰大的特点，利用包络解调法分离出系统固有频率成分的振动信号。该包络信号每一峰值对应阀片的每一个冲击。对气阀半个周期内(包含气阀开启到关闭一次的过程)的时域信号进行包络解调处理，提取气阀开启、关闭、颤震等几处故障的时频特征信息来诊断弹簧失效故障，同时给出了弹簧失效系数的计算公式。以塔里木油田16SGT／MH-66注气压缩机为例进行了试验，故障诊断准确率大于85％，分析结果证明了该方法的正确性及有效性。     

包络解调法在气阀弹簧失效故障诊断中的应用

考虑到往复式压缩机振动具有振源丰富、信息干扰大的特点,利用包络解调法分离出系统固有频率成分的振动信号。该包络信号每一峰值对应阀片的每一个冲击。对气阀半个周期内(包含气阀开启到关闭一次的过程)的时域信号进行包络解调处理,提取气阀开启、关闭、颤震等几处故障的时频特征信息来诊断弹簧失效故障,同时给出了弹簧失效系数的计算公式。以塔里木油田16SGT/MH 66注气压缩机为例进行了试验,故障诊断准确率大于85%,分析结果证明了该方法的正确性及有效性。     

基于数据挖掘的往复压缩机气阀故障诊断方法研究

往复式压缩机气阀是整个机体中故障率最高的部件,针对其故障模式复杂难以辨识的特点,选取部分气阀振动信号的时域和频域参数作为特征参数,采用C-means模糊聚类的方法对气阀故障和运行状态进行评判,挖掘出了故障特征,并给出了诊断实例。     

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%。     

随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断

针对已有的柴油机失火故障诊断方法需要精细且耗时的时频特征提取过程,且对实际含有噪声的样本诊断准确率低的问题,提出了一种随机丢弃和批标准化的深度卷积神经网络柴油机失火故障诊断方法。在不同的转速工况下进行柴油机失火故障模拟试验,将采集到的原始缸盖振动信号作为深度卷积神经网络的输入,并在输入端引入随机丢弃抑制输入噪声,通过一维卷积操作自动提取失火故障模式特征,接着在各卷积输出层对特征信号进行批标准化处理,以减少信号在深度卷积层内部的方差偏移,最后基于多分类函数完成失火故障分类。不同噪声环境和方法的对比试验结果表明,所提方法的分类准确率最高可达100%,同时在保证算法准确率的前提下,其鲁棒性优于依赖时频提取特征的方法。     

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.     

基于特征评估和神经网络的机械故障诊断模型

为了克服在无先验知识的情况下，人为选择时域无量纲指标作为故障敏感特征的盲目性，提出了一种基于特征评估和径向基函数（RBF）神经网络的机械故障诊断模型．该模型分别采用小波包和经验模式分解方法对原始振动信号进行分解，分别提取原始信号和各分解信号的时域无量纲指标组成联合特征，然后对联合特征进行评估，计算评估因子，并根据评估因子的大小选取敏感特征作为RBF神经网络的输入，实现对机器不同状态的自动识别．实验结果和工程应用表明，这种集成了小波包、经验模式分解、特征评估方法和RBF神经网络的机械故障诊断模型能够精细地获取故障信息，从大量的故障特征中筛选出敏感特征，因而减小了网络规模，提高了分类准确率，具有很强的鲁棒性．     

基于多尺度一维卷积神经网络的弯管冲蚀损伤智能检测方法

针对高压管汇损伤需要提高检测效率和准确率的问题,提出一种基于多尺度一维卷积神经网络(multi-scale one-dimensional convolutional neural network, MS-1DCNN)的弯管冲蚀损伤智能检测新方法,即用多尺度卷积层代替传统的单一尺度卷积层。在MS-1DCNN模型中,把通过模拟实验所得弯管冲蚀损伤原始时域信号作为多尺度一维卷积神经网络的输入,这样能解决传统方法依赖人工提取特征和专家知识的问题;然后,通过多尺度卷积层和池化层的交替连接对输入信号进行特征提取;最后,经由输出层输出弯管冲蚀损伤分类结果。模型试验结果表明：基于MS-1DCNN弯管冲蚀损伤检测方法可以有效检测出弯管冲蚀损伤,且平均检测准确率达到99.18%。研究可为高压管汇冲蚀损伤智能检测提供一种新思路。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。     

基于RP与NMF的内燃机气阀故障诊断方法

针对传统的内燃机故障振动诊断方法,难以有效提取故障特征,诊断精度较低的缺点,提出一种基于递归图(recurrence plots,RP)与非负矩阵分解(non-negative matrix factorization,NMF)的内燃机故障诊断新方法。该方法是利用图像的方法来进行故障诊断:首先通过递归图将采集到的内燃机缸盖表面振动信号生成图像,然后用非负矩阵对得到递归图进行特征参数提取,最后用分类器进行分类识别完成故障诊断。将该方法应用于气阀机构8种工况下振动信号诊断实例中,结果表明:该方法克服了传统的振动诊断方法从时域或频域进行分析时参数选取和故障特征提取的难题,直接将信号生成图像,对图像进行自适应特征参数提取、分类识别,能有效诊断出内燃机气阀机构故障,故障识别精度高,为内燃机振动诊断探索了一条新途径。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备，而压缩机结构复杂、故障率高，其中气阀故障是其主要的故障形式之一。同时，负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂，增加了故障诊断的难度。为此，探究了变负荷及气阀故障工况下示功图几何特征的变化规律，提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类，首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷，再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度，将加权证据融合理论应用于故障分类过程，最终获得精准的气阀故障评估结果。基于实验台数据，对不同泄漏率的气阀故障进行实验验证，负荷预测的准确率为97.5%，气阀泄漏故障识别的准确率为96.1%。     

基于一维倒残差轻量级网络的无人机个体识别方法

在无人机的个体识别问题中，针对传统的识别方法存在网络模型参数量大和算法时效性差等问题，提出基于一维倒残差轻量级神经网络(1D-IRLNN)的无人机个体识别方法。首先提取反映无人机个体间差异的I/Q包络一维特征作为无人机的浅层特征；其次将深度可分离卷积与倒残差结构等设计思想和一维神经网络模型相结合，设计出跳跃级联的一维倒残差轻量级神经网络；最后利用网络模型提取一维I/Q包络数据中的深层特征，从而实现对无人机个体的快速准确识别。实验结果表明，1D-IRLNN模型的计算量分别是同等体量的深度模型1D-CNN与1D-ResNet的305%和238%，网络模型规模分别是深度模型1D-CNN与1D-ResNet的387%和297%，所提方法相较于其他方法，在保持较高识别准确率的同时具有更快的识别速度且占内存更小。     

基于小波能量谱和粗糙集的离心式压缩机振动故障诊断

结合小波能量谱和粗糙集理论各自优点,采用尺度小波能量谱计算公式对实测的时域信号进行尺度小波能量谱计算.以尺度小波能量谱为特征参数,对应故障为决策属性,结合粗糙集理论进行故障诊断规则获取,从而提出一种基于小波能量谱和粗糙集理论的离心式压缩机振动故障诊断方法.研究结果表明:测试样本对象诊断正确率为100%;该方法不需要精确计算离心式压缩机振动的故障特征频率,与传统的提取时域和频域参数方法相比,诊断正确率达88.5%.     

基于注意力机制BiLSTM的设备智能故障诊断方法

状态监测与故障诊断是保证机械设备安全稳定运行的必要手段.本文提出一种基于注意力机制双向LSTM网络(ABiLSTM)的深度学习框架用于机械设备智能故障诊断.首先,将传感器采集的设备原始数据进行预处理,并划分为训练样本集与测试样本集;其次,训练多个不同尺度的双向LSTM网络对原始时域信号进行特征提取,得到设备故障多尺度特征;再次,通过引入注意力机制,对不同双向LSTM网络提取特征的权重参数进行优化,筛选保留目标特征,滤除冗杂特征,以实现精准提取有效故障特征;最后,在输出端利用Softmax分类器输出故障分类结果.通过利用发动机气缸振动实验数据和凯斯西储大学滚动轴承实验数据进行故障诊断实验,故障识别准确率均达到99%以上.实验结果表明,ABiLSTM模型可以实现对原始时域信号的多尺度特征提取和故障诊断,通过与深度卷积网络(CNN)、深度去噪自编码器(DAE)和支持向量机(SVM)等方法进行对比,ABiLSTM模型的故障识别性能优于各类常见模型.另外,通过利用凯斯西储大学滚动轴承在不同工况条件下的数据,对ABiLSTM模型进行泛化性能实验,变工况样本的故障识别准确率仍然能够达到95%以上.     

基于M-WDLS和PCA的转子故障诊断方法

针对不同故障特征属性交互重叠导致的故障类别辨识困难问题,提出一种基于Manhattan距离作为特征之间相似度信息测度的权值判别拉普拉斯分值特征选择方法.该方法采用Manhattan距离衡量高维特征矢量之间的相似度,并将数据样本标记信息融入权值计算中以增强权值的判别性,提升了LS算法的敏感特征筛选性能.将M-WDLS和主成分分析相结合,提出基于M-WDLS和PCA的转子故障诊断方法.首先提取原始振动信号的时域、频域、时频域特征构造混合域特征集;然后利用M-WDLS选择敏感特征组成敏感特征矩阵;最后对敏感特征矩阵进行PCA降维处理,并将结果输入到K-近邻分类器中进行模式识别.对比实验的结果表明,该方法能有效提取转子系统振动信号的状态特征,有助于提高故障辨识的准确率.     

基于无限学生t混合模型聚类的机械故障预警方法

往复式压缩机、柴油机等复杂机械的振动信号往往呈现较强的非平稳特性，导致传统单特征门限报警法的报警准确率较低。针对该问题，提出一种基于无限学生t混合模型（infinite student's t-mixture model，iSMM）聚类的机械故障预警方法：首先，通过提取机械振动信号特征构建高维特征空间，并采用iSMM对其进行建模，以描述机械设备的状态；其次，利用基于匹配的KL散度近似算法计算机械设备在历史正常状态和观测状态下的模型间距离；最后，将该距离与基于3σ准则自学习出的报警阈值进行比较，实现故障预警。利用往复式压缩机故障案例对所提方法进行验证，结果表明本文方法较单特征门限报警法报警准确率高且时效性好，可有效地对复杂机械进行故障预警。     

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。     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

变工况下基于加权理论的气阀泄漏诊断方法研究

往复式压缩机是石油化工等行业中不可或缺的关键设备,而压缩机结构复杂、故障率高,其中气阀故障是其主要的故障形式之一。同时,负荷调节工况与气阀故障工况的相互耦合使得示功图变化规律更加复杂,增加了故障诊断的难度。为此,探究了变负荷及气阀故障工况下示功图几何特征的变化规律,提出一种针对变负荷与气阀故障耦合工况下的气阀故障诊断方法。该方法利用反向传播（BP）神经网络进行特征分类,首先分别依据示功图几何特征（包括面积、形心和形心主惯性矩等）以及灰度矩阵统计特征得到压缩机的负荷,再进一步结合故障特征判断气阀的故障类型。为提高诊断结果的准确度,将加权证据融合理论应用于故障分类过程,最终获得精准的气阀故障评估结果。基于实验台数据,对不同泄漏率的气阀故障进行实验验证,负荷预测的准确率为97.5%,气阀泄漏故障识别的准确率为96.1%。     

旋转式压缩机气阀故障的振动诊断机理分析

通过分析小型旋转式压缩机气阀的运动规律,着重研究阀片振动的机理,建立相应的振动力学模型,指出了在阀片以旋转转子频率为基频的各阶谐频成分和阀片卷绕升程限制器自由振动成分上可以发掘出阀片的故障信息,并结合实例进行阐述,为振动诊断压缩机气阀提供了理论依据.