推荐文章
2023, 43(1):119-125.
DOI: 10.16450/j.cnki.issn.1004-6801.2023.01.018
摘要:
采用低弹性模量且具有高介电常数的材料作为电容式压力传感器的介电层，是一种提高传感器灵敏度与初始电容信号的理想方法，然而这2个材料特性往往相互冲突。针对这一问题，提出了一种液态金属弹性体泡沫，其具有较低的弹性模量（10.2 kPa）、较强的可压缩性（70%应变）与高介电常数（5.5~20.9）。以该泡沫作为介电层，并设计带有屏蔽层的柔性电极，研制了一种高灵敏度、大初始电容信号的柔性电容式压力传感器。试验结果表明，该传感器灵敏度高达0.36 kPa-1，响应/恢复速度快（<49 ms），迟滞低（8.7%），同时可检测低至4.9 Pa的微小压力，具有良好的稳定性与可靠性。此外，通过驰张筛筛板弯曲挠度变化测试验证了所研发传感器的有效性，与激光位移传感器的测量结果对比表明，该柔性压力传感器可准确检测弛张筛筛板弯曲挠度的变化。
采用低弹性模量且具有高介电常数的材料作为电容式压力传感器的介电层，是一种提高传感器灵敏度与初始电容信号的理想方法，然而这2个材料特性往往相互冲突。针对这一问题，提出了一种液态金属弹性体泡沫，其具有较低的弹性模量（10.2 kPa）、较强的可压缩性（70%应变）与高介电常数（5.5~20.9）。以该泡沫作为介电层，并设计带有屏蔽层的柔性电极，研制了一种高灵敏度、大初始电容信号的柔性电容式压力传感器。试验结果表明，该传感器灵敏度高达0.36 kPa-1，响应/恢复速度快（<49 ms），迟滞低（8.7%），同时可检测低至4.9 Pa的微小压力，具有良好的稳定性与可靠性。此外，通过驰张筛筛板弯曲挠度变化测试验证了所研发传感器的有效性，与激光位移传感器的测量结果对比表明，该柔性压力传感器可准确检测弛张筛筛板弯曲挠度的变化。
2023, 43(1):24-30.
DOI: 10.16450/j.cnki.issn.1004-6801.2023.01.004
摘要:
由于在工程实际中采集的故障振动数据分布不同且难以标记，使得卷积神经网络（convolutional neural network， 简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题，提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先，建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练；其次，利用最大均值差异（maximum mean discrepancy， 简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离，并通过MMD判断卷积层和全连接层能否迁移，若不能迁移则使用初始化方式补全模型；最后，使用少量标记的目标域数据再次训练模型，进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证，结果显示，该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类，并达到较高的诊断准确率。
由于在工程实际中采集的故障振动数据分布不同且难以标记，使得卷积神经网络（convolutional neural network， 简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题，提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先，建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练；其次，利用最大均值差异（maximum mean discrepancy， 简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离，并通过MMD判断卷积层和全连接层能否迁移，若不能迁移则使用初始化方式补全模型；最后，使用少量标记的目标域数据再次训练模型，进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证，结果显示，该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类，并达到较高的诊断准确率。
2022, 42(6):1233-1238.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.026
摘要:
深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题，提出了一种基于深度学习长短时记忆（long short time memory， 简称LSTM）网络结合深度置信网络（deep belief networks，简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合，提取高维故障统计特征，利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示，准确地判断故障种类，并凭借LSTM对时序信号强大的预测能力，预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。
深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题，提出了一种基于深度学习长短时记忆（long short time memory， 简称LSTM）网络结合深度置信网络（deep belief networks，简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合，提取高维故障统计特征，利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示，准确地判断故障种类，并凭借LSTM对时序信号强大的预测能力，预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。
2022, 42(6):1108-1114.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.008
摘要:
针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ，简称SNR）低的特点，提出了一种利用注意力循环机制（attention recurrent，简称AR）构建数字胶囊并与胶囊网络（capsule network，简称Caps）相融合的微弱故障诊断模型。首先，在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network，简称Bi?LSTM），对时频图中的时序特征进行提取，并建立胶囊间的非线性关联；其次，引入注意力循环机制构建数字胶囊，提高时频图中不同时间和频带的能量强度变化的影响力；然后，通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合，实现特征的多样提取；最后，利用softmax分类器将融合特征映射到输出层，实现高噪声环境下的滚动轴承故障诊断。结果表明，该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度，并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。
针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ，简称SNR）低的特点，提出了一种利用注意力循环机制（attention recurrent，简称AR）构建数字胶囊并与胶囊网络（capsule network，简称Caps）相融合的微弱故障诊断模型。首先，在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network，简称Bi?LSTM），对时频图中的时序特征进行提取，并建立胶囊间的非线性关联；其次，引入注意力循环机制构建数字胶囊，提高时频图中不同时间和频带的能量强度变化的影响力；然后，通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合，实现特征的多样提取；最后，利用softmax分类器将融合特征映射到输出层，实现高噪声环境下的滚动轴承故障诊断。结果表明，该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度，并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。
2022, 42(6):1062-1067.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.06.002
摘要:
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理，再结合神经网络进行特征提取与分类，不仅流程复杂、耗费时间，而且识别准确率不高。针对此问题，采用一维卷积神经网络（one dimensional convolutional neural network，简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类，其准确率可达80%，相较于采用传统的前馈神经网络63.9%的识别准确率，提高了15.07%；与采用支持向量机（support vector machine ，简称SVM）对故障进行分类识别相比，该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入，通过卷积、池化等一系列操作，输出最后的分类结果，简化了传统方法先进行信号处理再通过机器学习诊断的步骤，为航空发动机故障诊断提供一种可行方法。
传统的机械故障诊断方法需要将采集的故障波信号进行信号处理，再结合神经网络进行特征提取与分类，不仅流程复杂、耗费时间，而且识别准确率不高。针对此问题，采用一维卷积神经网络（one dimensional convolutional neural network，简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类，建立齿轮故障一维卷积神经网络模型，对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类，其准确率可达80%，相较于采用传统的前馈神经网络63.9%的识别准确率，提高了15.07%；与采用支持向量机（support vector machine ，简称SVM）对故障进行分类识别相比，该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入，通过卷积、池化等一系列操作，输出最后的分类结果，简化了传统方法先进行信号处理再通过机器学习诊断的步骤，为航空发动机故障诊断提供一种可行方法。
2022, 42(5):1009-1016.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.05.025
摘要:
针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN?BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。
针对变工况和噪声背景下滚动轴承故障难以诊断的问题，提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory，简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先，将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理，构建标签化的训练数据集和测试数据集；其次，把注意力机制引入到BiLSTM中提取更加重要的深层故障特征，同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题，从而得到改进的CNN?BiLSTM模型；然后，将处理后的标签化数据集输入改进的模型中训练；最后，利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证，证明该方法均有较好的泛化性和抗噪能力。
2022, 42(4):636-643.
DOI: 10.16450/j.cnki.issn.1004-6801.2022.04.002
摘要:
针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出了基于均方谐噪比（mean square harmonic noise ratio，简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter， 简称RPF）相结合的剩余寿命预测方法。首先，在局部均值进行信号分解的基础上，通过MSHNR指标实现轴承退化过程的特征提取；其次，分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型，并利用基于欧式距离的核函数实现重采样过程的改进，实现轴承健康状态评估和剩余寿命预测；最后，通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据，提高公众对核动力旋转设备运行的认识与信赖。
针对单一时频域指标不能完全诠释滚动轴承全寿命周期退化特性以及剩余使用寿命（remaining useful life，简称RUL）预测困难的问题，提出了基于均方谐噪比（mean square harmonic noise ratio，简称MSHNR）指标和改进正则化粒子滤波（regularized particle filter， 简称RPF）相结合的剩余寿命预测方法。首先，在局部均值进行信号分解的基础上，通过MSHNR指标实现轴承退化过程的特征提取；其次，分别基于Paris模型及Foreman模型构建滚动轴承稳定退化期和加速退化期的状态空间模型，并利用基于欧式距离的核函数实现重采样过程的改进，实现轴承健康状态评估和剩余寿命预测；最后，通过公开的滚动轴承加速数据验证了所述方法的有效性。相关研究成果能够为核动力旋转设备中滚动轴承的预测性维护提供参考依据，提高公众对核动力旋转设备运行的认识与信赖。
您是第位访问者
振动、测试与诊断 ® 2024 版权所有
技术支持：北京勤云科技发展有限公司
振动、测试与诊断 ® 2024 版权所有
技术支持：北京勤云科技发展有限公司