基于改进LSTM神经网络的化工过程故障诊断

针对现代化工过程中数据非线性、高维度以及动态时序等特点,传统的故障诊断模型对化工过程的故障诊断精度较低.基于此,设计了一种基于改进的长短时记忆神经网络(LSTM)故障诊断方法.首先,将采集的故障数据输入卷积神经网络(CNN),对数据进行特征提取和降维;其次,将处理过的数据输入改进的LSTM网络,进行深层特征提取;最后,把提取的深层特征信息输入到注意力机制进行特征“聚焦”,实现特征融合后输入softmax分类器实现故障分类.由田纳西-伊斯曼(TE)过程诊断实验结果表明,基于改进的LSTM网络的故障诊断方法在故障分类精度、训练速度方面都更优于递归神经网络(RNN)、门控循环神经网络(GRU)、卷积神经网络(CNN)和深度自编码网络(DAEN),在实际化工过程的应用有一定的优势.     

基于VMD-TEO窗和DBiLSTM的早期轴承故障诊断

针对现代滚动轴承早期故障监测因数据量增大所带来的诊断困难问题,提出了基于变分模态分解(VMD)与TEO窗特征提取的深层双向长短记忆神经网络(DBiLSTM)轴承故障诊断方法。首先,利用改进果蝇算法优化的VMD-TEO窗函数,提取轴承振动信号的瞬时能量特征,构造具有时序特性的特征矩阵;其次,利用训练集对DBiLSTM模型进行学习以确定模型参数;最后,用测试集对模型进行验证,输出轴承状态识别结果。试验采用凯西西楚大学轴承故障数据集,结果表明:该方法在处理数据量较大的滚动轴承故障诊断问题时,能有效地对多种故障类型,不同损伤等级的滚动轴承振动信号进行识别。     

基于WDCNN-DLSTM的滚动轴承故障诊断方法

滚动轴承是机械设备中的核心部件,其运行状态对设备的运转有重要影响。深度学习作为滚动轴承故障诊断的重要方法越来越受到重视。由于传统的故障诊断方法没有充分利用数据时序性,提出了一种将第一层为宽卷积核的深度卷积神经网络(deep convolutional neural networks with wide first-layer kernels, WDCNN)和深度长短时记忆网络(deep long short-term memory networks, DLSTM)相融合的模型(WDCNN-DLSTM)。WDCNN将传统的CNN第一层卷积核尺寸加宽,提高了模型对一维振动信号中的空间特征信息的提取能力;DLSTM将多个LSTM模块进行堆叠,提高了模型对一维振动信号中时序信息的提取能力。WDCNN-DLSTM将二者通过连接层融合,优势互补,提高了模型的判别能力。通过实验结果表明,相较于一些其他模型,所提出的方法具有更高的精确度。在变负载的情况下,也仍然实现了更好的分类效果。     

多尺度时空信息融合驱动的图神经网络故障诊断方法

行星齿轮箱作为机械系统中常见的减速装置,由于长期在强噪声环境和变工况工作条件下运行,导致采集到的振动信号故障特征微弱、信号模式多变难以识别,针对行星齿轮箱故障诊断效果不佳,泛化能力差的问题,提出一种多尺度时空信息融合驱动的图神经网络故障诊断方法来提高故障诊断模型准确率和泛化能力。该方法首先构建多尺度卷积核对原始时序信号进行不同尺度特征提取,削弱强噪声信号对有效信息的掩盖作用并增强故障特征的表达能力;然后再构造通道注意力机制,根据通道特征重要程度,给不同尺度卷积核提取的特征自适应分配不同权重,对含有关键故障特征的信息片段进行特征强化;最后对卷积输出的多尺度特征,构造空域下的图数据并通过图卷积网络聚合多尺度特征,从而有效利用数据的时序多维信息和空域结构关联信息,实现多尺度下时空域故障信息的深度融合,提高诊断的准确精度和模型的泛化性能。通过利用具有行星齿轮箱结构的风电装备故障数据集对所提方法进行验证,并与其他深度学习方法（第一层宽卷积核深度卷积神经网（WDCNN）、长短时记忆网络（LSTM）、残差网络（ResNet）、多尺度卷积神经网络（MSCNN））进行比较,结果表明：本研究提出的方法在跨...     

CNN-LSTM深度神经网络在滚动轴承故障诊断中的应用

针对大数据下的滚动轴承振动信号自适应故障特征提取与智能诊断问题,提出了一种结合卷积神经网络(CNN)与长短时记忆网络(LSTM)的故障诊断模型。首先通过网格搜索算法寻找到当前模型的最优初始参数;然后以原始一维振动信号作为模型的输入,利用网络CNN层自适应提取短时特征信并降维后作为LSTM层输入;接着利用LSTM层学习特征信息并训练神经网络模型;最后,网络输出层利用Softmax函数实现多故障模式识别,完成故障诊断。使用Spectra Quest机械故障综合模拟试验台实测数据集对模型进行验证,试验结果表明,与多层感知器、LSTM网络以及经典的LeNet5、AlexNet、VGG相比,所提出的CNN-LSTM模型的分类平均准确率可达99%以上,且模型结构比其他模型更简单,训练时间更短;同时,通过K折叠交叉验证算法对模型进行评价,结果表明CNN-LSTM模型计算误差较小且网络训练充分,未出现过拟合或欠拟合情况。     

基于CNN-Transformer的锂离子电池健康状态估计

目的 健康状态是评估锂离子电池状态的关键参数,对锂离子电池的安全使用有着十分重要的意义,为了获得准确可靠的健康状态估计结果,建立基于卷积神经网络和Transformer的锂离子电池健康状态估计方法,利用不同模型的数据挖掘特性,将健康指标的深层信息和随循环周期增加的时序信息并行提取。方法 从锂离子电池放电过程中的部分电压和温度曲线中提取3个与健康状态相关性较强的健康指标作为模型输入,利用卷积神经网络强大的特征提取能力挖掘健康指标的局部特征,利用Transformer的顺序处理能力挖掘健康指标的时序特征,将健康指标的局部特征和时序特征进行特征融合,通过卷积和全局平均池化层输出健康状态估计值。结果 本研究使用MIT数据集进行实验验证,并与卷积神经网络和长短时记忆神经网络进行对比分析,所提出的方法的均方根误差和平均绝对误差是最低的,为0.11和0.08,最小相对误差为0.61%。结论 所提出的CNN-Transformer健康状态估计采用不同模型挖掘健康指标不同的特征信息,能够充分利用锂离子电池放电数据,且具有良好的估计效果。     

基于并行LSTM-CNN的化工过程故障检测

为保证生产过程的安全稳定运行，避免因故障导致损失，及时检测出异常工况并对异常工况进行准确诊断十分重要。针对化工过程的复杂性，提出一种并行长短时记忆网络和卷积神经网络（Parallel Long and Short-Term Memory Network and Convolutional Neural Network,PLSTM-CNN）模型进行化工生产过程故障检测。该模型有效结合LSTM对时间序列数据全局特征提取能力和CNN模型善于提取局部特征的能力，减少了特征信息的丢失，实现了较高的故障检测率。采用一维稠密卷积神经网络作为CNN的主体，结合LSTM网络对序列信息变化敏感的特点，在构建更深层网络的同时避免模型过拟合。采用最大互信息（Maximum Mutual Information Coefficient,MMIC）数据预处理方法，提高了数据的局部相关性以及从不同初始条件下PLSTM-CNN模型检测故障的效率。以TE(Tennessee Eastman)过程为研究对象，PLSTM-CNN模型在故障平均检测率和漏报率等指标上明显优于传统循环神经网络。     

基于特征金字塔卷积循环神经网络的故障诊断方法

变工况、变载荷设备部件不同故障的特征在信号中所占比例和位置不固定,且包括大量不同场景下的原始振动信号的多尺度复杂性.对此,提出一种基于特征金字塔网络(FPN)的卷积循环神经网络(CRNN)滚动轴承故障诊断方法.利用卷积神经网络(CNN)框架,并联CNN的卷积层和循环神经网络(RNN)中的长短时记忆(LSTM)层,形成新的CRNN,以充分利用CNN对空间域信息和RNN对时域信息的学习能力;在每一层中权值共享,减少网络参数;利用FPN构建全新特征图,输入一维信号和堆叠后形成的二维信号,对传感器采集的信号进行特征提取,实现故障诊断.利用行星齿轮箱进行故障试验,并进行5折交叉验证,该方法的诊断准确率平均值为99.20%,比基本神经网络模型至少高3.62%,表明该方法诊断精度高、鲁棒性强;利用凯斯西储大学轴承数据集进行验证,证明该方法具有良好的泛用性;利用t-SNE方法对模型的特征学习效果进行可视化分析,结果表明不同故障类别特征具有良好的聚类效果.     

多尺度卷积循环神经网络的情感分类技术

结合卷积神经网络对于特征提取的优势和循环神经网络的长短时记忆算法的优势,提出一种新的基于多尺度的卷积循环神经网络模型,利用卷积神经网络中的多尺寸滤波器提取出具有丰富上下文关系的词特征,循环神经网络中的长短时记忆算法将提取到的词特征与句子的结构联系起来,从而完成文本情感分类任务.实验结果表明:与多种文本情感分类方法相比,文中算法具有较高的精度.     

一种基于深度融合模型的滚动轴承故障诊断方法

针对噪声环境下滚动轴承故障难以诊断的问题,提出一种基于深度学习融合网络的轴承故障识别新方法。该方法首先对轴承振动信号进行一定程度的随机损坏,并将加噪后的数据输入卷积降噪自编码器(convolutional denoising autoencoder, CDAE)中对网络进行训练,目的是降低信号中的噪声干扰并提取浅层特征;然后,利用深度信念网络(deep belief network, DBN)学习深层特征并建立轴承状态识别模型,输出故障识别结果。在融合模型中,将卷积降噪自编码器作为网络的第一层以增强网络的抗干扰能力,提高故障的识别精度。使用凯斯西储大学(CWRU)滚动轴承数据对所提模型进行验证,结果表明提出的融合模型在噪声环境下能够较好地实现轴承的故障状态识别。     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

一种基于压缩感知和小波信息熵的滚动轴承特征提取方法

为降低滚动轴承在线监测和故障诊断过程中振动信号采集、传输、存储和处理负担,基于压缩感知理论和小波包分析技术,提出一种基于压缩感知和小波信息熵的滚动轴承特征提取方法,用于滚动轴承故障诊断。应用部分哈达玛矩阵采集振动信号实现压缩,通过小波包分解提取滚动轴承状态特征,计算其小波信息熵作为故障诊断特征。在标准数据集上进行振动信号特征提取,并采用四种分类方法完成故障诊断实验,结果表明本文特征提取方法能够在较高的数据压缩率条件下,保持较高的故障诊断精度,适用于滚动轴承在线监测和故障诊断。     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...     

基于粒子群-蛙跳算法优化BP神经网络的滚动轴承故障诊断方法

针对滚动轴承故障诊断方法存在的局限性及缺陷,在利用小波分析提取滚动轴承故障信号特征向量基础上,提出基于粒子群 蛙跳算法优化的BP神经网络滚动轴承故障诊断方法。该方法采用粒子群 蛙跳算法优化BP神经网络结构参数,利用改进BP算法和样本数据训练BP神经网络,实现滚动轴承运行正常和4种不同故障状态的诊断。实验验证结果表明,基于粒子群 蛙跳算法的BP神经网络方法诊断误差最大值仅为005,为未优化的神经网络诊断误差的1/16;与其他算法相比,基于粒子群 蛙跳算法优化的BP神经网络方法的训练时间、训练误差和诊断精度各项指标均为最优,可实现滚动轴承故障的快速、准确、有效诊断。     

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。     

滚动轴承故障诊断系统研究

在对滚动轴承振动信号特征分析的基础上，建立了AR模型，利用AR模型参数建立径向基函数神经网络，并用该网络对滚动轴承的故障模式进行了识别。最后应用Matlab语言强大的计算功能，建立了滚动轴承故障诊断系统。理论和试验证明了该系统的有效性，且具有较高的识别精度。     

基于鲁棒局部均值分解与二阶瞬态提取变换的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时存在故障特征提取困难以及提取特征不明显的问题.针对此问题,提出了 一种基于鲁棒局部均值分解(robust local mean decomposition,RLMD)以及二阶瞬态提取变换(second-order transient-ex-tracting transform,S...     

小波减噪和双谱分析在轴承故障诊断中的应用

提出了基于小波减噪技术和双谱分析的滚动轴承故障诊断的方法。利用小波变换及其减噪技术对滚动轴承早期微弱故障振动信号的特征频率进行提取，采用双谱估计可绘出滚动轴承故障信号的特征图谱。实验表明，小波减噪和双谱分析方法可以敏感地监测滚动轴承工作状态，并且利用特征图谱可以有效地识别滚动轴承不同的故障特征。     

基于小波包分解-峭度值指标-希尔伯特包络解调融合方法处理声发射信号的滚动轴承故障诊断

为实现对航空发动机主轴承进行故障诊断,以复杂传递路径下声发射信号的波形分析为基础,提出一种基于小波包分解(wavelet packet decomposition, WPD)、峭度值指标(kurtosis index, KI)以及希尔伯特包络解调(Hilbert envelope demodulation, HED)相结合的滚动轴承故障特征信息提取方法。采用WPD方法对滚动轴承声发射信号分解获得节点分量,基于KI对节点分量排序筛选进行信号重构,进而对重构信号进行HED分析,提取出轴承故障特征频率用于对比诊断。开展简单以及复杂传递路径下滚动轴承故障模拟试验,采用建立的方法分别针对滚动轴承外圈、内圈典型故障试验数据进行分析和诊断。结果表明：该方法可有效提取滚动轴承故障特征频率及其倍频,且针对复杂传递路径下处于工作状态的滚动轴承,仍可实现精准的特征信息提取和有效的故障诊断。     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.