Nov, 2023

时变速条件下的实时基于振动的轴承故障诊断

PDF
TL;DR该研究论文提出了一种高效的实时卷积神经网络（CNN）来诊断多个滚动轴承故障，针对不同噪声水平和时变转速的实际应用环境。并且，使用一种新颖的基于 Fisher 的频谱可分离性分析（SSA）方法，阐明了所设计 CNN 模型的有效性。实验证实了该模型在三个方面优于最先进方法：精度提高高达 15.8%，在各种信噪比下具有噪声鲁棒性，且实时处理速度是采集速度的五分之一。此外，通过所提供的 SSA 技术，我们揭示了该模型在应对实际挑战方面的有效性。
rolling-element bearing faultsproactive maintenance strategiesconvolutional neural networkspectral separability analysisreal-world challenges
发现论文，激发创造
  • 用于诊断轴承故障的振动信号二次时频分析

    利用时间频率分析和深度学习技术，本文提出了一种诊断滚动轴承故障的方法，在时间变化的速度和不同噪声水平下取得了显著的准确率提升，解决了现有方法在这些条件下应用受限的问题。

    Jan, 2024

  • 一种基于多尺度核的自适应卷积神经网络用于轴承故障诊断

    提出了一种基于多尺度核的自适应卷积神经网络（MSKACNN）的数据驱动诊断算法，使用原始轴承振动信号作为输入，提供了振动特征学习和信号分类能力，以识别和分析轴承故障，特别是针对球混合等难以用传统方法检测的故障。结果显示，MSKACNN 能够高效准确地诊断轴承不同工况，具有良好的适应性和通用性，为实时的轴承故障诊断系统提供了轻量级的模块实现。

    Mar, 2022

  • 基于生成对抗增强的多尺度卷积神经网络模型的滚动轴承故障诊断方法

    基于生成对抗增强多尺度卷积神经网络模型的滚动轴承故障诊断方法，通过编码滚动轴承的时间域信号并生成特征图，扩展训练样本集并提取故障特征，应用注意力机制进行特征加权和深度特征提取，通过 softmax 分类器完成故障诊断，具有更好的泛化性能和抗噪性能。

    Mar, 2024

  • 基于卷积神经网络和 STM32 微控制器的实时轴承故障诊断

    本文使用卷积神经网络模型，识别基于振动信号的轴承故障，并将该模型成功应用于 STM32 单片机，每个诊断的运行时间为 19 毫秒。同时设计了一套完整的实时通信框架，通过串口传输数据并在 TFT-LCD 屏幕上展示诊断结果。

    Apr, 2023

  • 轴承故障分类方法的深入研究

    滚动轴承故障诊断是近年来备受关注的课题，该研究探讨了振动数据在故障分类模型开发中的重要性，并提出了真实场景中的模型开发考虑因素。

    Sep, 2023

  • 基于卷积方法的振动信号故障检测集成

    本研究探讨了如何使用基于卷积核的方法，包括 ROCKET 和一维卷积神经网络，在多变量时间序列分类中实现故障检测。使用三个不同的基于卷积核的分类器，该方法在测试数据中表现出超过 98.8％的准确性，优于其他曾有的方法。

    May, 2023

  • FaultFormer：基于 Transformer 的轴承故障预测

    在此工作中，我们提出了一种基于 Transformer 的框架（FaultFormer），用于分析振动信号以预测不同类型的轴承故障。通过使用数据增强和提取傅里叶模态的方法，我们训练了一个 Transformer 编码器，以实现最先进的准确度，并分析了注意机制和模型输出，以确认 Transformer 自动提取信号特征和学习全局和局部关系以进行分类的能力。最后，我们提出了两种预训练策略，为大型可推广 Transformer 的开发铺平了道路，使其能够适应生产现场的新数据、情况或机械设备。

    Dec, 2023

  • 基于二维化序列的多尺度融合故障诊断方法在复杂场景中的应用

    本文提出了一种改进的 Gram 角场方法 (GAF) 结合灰度图像的卷积神经网络方法，用于滚动轴承的异常检测，具有可行性和工业部署的潜力。

    Apr, 2023

  • 基于深度卷积自动编码网络的球磨机故障预测

    该论文介绍了一种基于深度卷积自编码神经网络（DCAN）的异常检测方法，用于解决球磨机轴承故障检测问题。该方法利用正常运行期间收集的振动数据进行训练，克服了有监督学习方法常遇到的标注问题和数据不平衡等挑战。DCAN 模型包括卷积特征提取和转置卷积特征重建模块，展示了在信号处理和特征提取方面的优秀能力。此外，论文描述了基于 DCAN 的异常检测模型在武汉钢铁资源集团的球磨机轴承故障检测中的实际部署，利用了来自 NASA 轴承振动数据集的故障数据。实验结果验证了 DCAN 模型在识别故障振动模式方面的可靠性。该方法有望提高轴承故障检测效率，减少生产中断，并降低维护成本。

    Nov, 2023

  • 基于人工智能的风力涡轮机轴承故障诊断方法 - 从声学信号入手

    开发了一个用于风力涡轮机发电机轴承故障分类的深度学习模型，通过使用来自五种预定义故障类型的音频数据进行构建和训练。该模型在训练样本上表现出色，验证过程中也展示出优秀的泛化能力，对于测试样本，模型的分类性能出色，整体准确率超过 99.5%，正常状态的误报率低于 1%。该研究的发现对于风力发电的故障诊断和维护提供了重要支持，并具有提高风力发电的可靠性和效率的潜力。

    Mar, 2024