Dec, 2023

旋转机械可靠故障检测中声音与振动的探索

PDF
TL;DR用振动信号进行故障检测已成为各行业预测性维护的最终目标。本研究通过提供包含声音和振动数据的新基准 Quatar 大学双机轴承故障基准数据集 (QU-DMBF)，揭示了振动信号故障检测的局限性，并提出了第一种基于声音的故障检测深度学习方法并与振动进行了比较评估。实验结果表明，基于声音的故障检测方法比基于振动的方法更加稳健，并且完全不依赖传感器位置、具有成本效益，能够达到与基于振动的方法相同水平的最佳检测性能。
fault detectionvibration-basedsound-basedbenchmark datasetdeep learning
发现论文，激发创造
  • 基于声音和振动信号的旋转机械故障诊断的新型迁移学习方法

    利用声音和振动信号的转移学习方法来解决实际运行场景中训练数据与真实数据之间的分布差异，并通过预训练和微调的骨干结构与基于深度神经网络的分类器相结合，取得了较好的故障诊断性能。

    Oct, 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

  • 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

  • 工业机器故障诊断的深度神经网络声音信号分析

    设计了基于深度学习的系统来分析工业机器产生的声音信号，将声音信号转换为 Mel 频谱图，并使用 DenseNet-169 模型对谱图图像进行分类，结果表明该方法在不同的声音噪声比水平下实验得到了 97.17% 到 99.87% 的准确率。

    Dec, 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

  • 基于深度学习和去卷积的振动源盲分离

    该研究提出了一种能够盲分离振动源的方法，不需要关于被监测设备或外部测量的任何信息。该方法使用扩张的卷积神经网络初步隔离齿轮信号，然后利用残差的平方对轴承故障信号进行估计。通过一种新颖的基于白化的去卷积方法（WBD）将传递函数的影响从两个源中移除。仿真和实验结果表明，该方法能够在没有额外信息的情况下及早检测到轴承故障。该研究考虑了局部和分布式轴承故障，并假设振动是在稳定的工作条件下记录的。

    May, 2024

  • 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

  • 用振动概念解释轴承故障检测的深度神经网络

    本研究探讨了如何在基于振动信号的深度神经网络所训练的轴承故障检测中利用已有的基于概念的解释技术，以确保人们对模型内部工作机制的理解，并通过验证底层假设的准确性来获得可信的结果。

    Oct, 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

  • 时变速条件下的实时基于振动的轴承故障诊断

    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。

    Nov, 2023