Mar, 2024

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

PDF
TL;DR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。
发现论文，激发创造
  • 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

  • 使用真实世界数据进行铁路车辆轴承故障的空气声分析

    本文介绍了一种通过分析铁路车辆运行期间录制的声学信号来检测轴承故障的方法，使用 Mel Frequency Cepstral Coefficients 作为特征，输入到一个简单的 Multi-Layer Perceptron 分类器中进行分类。实验结果表明，在训练集中未包含的轴承损伤情况下，使用所选择的 MFCC 特征可以可靠地检测轴承故障。

    Apr, 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

  • 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

  • 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

  • 电机故障诊断的主动基础模型

    利用基于模型的主动学习和对比自监督学习技术来优化未标记的振动数据，提出了一种新的机械故障诊断方法，通过少量标记样本和大量未标记数据的有效组合，实现了比现有方法更出色的性能。

    Nov, 2023

  • 一种可解释的深度学习方法用于轴承故障诊断

    利用卷积神经网络和 Grad-CAM 激活图可视化技术，提出一种对轴承故障进行分类的可解释型深度学习方法，通过识别训练样本的特征重要性形成了一个诊断知识库，在模型评估过程中根据特征重要性的相似性检索预测基础样本，实验结果表明该方法能够选择直观且具有物理意义的预测基础样本，提高模型对人类用户的可靠性。

    Aug, 2023

  • 基于多任务学习的声音无人机故障分类

    通过构建一个包含机械故障声音数据集的深度神经网络故障分类器，利用多任务学习和方向分类，成功地对无人机进行了机械故障的检测，相比于单一任务方法，该多任务方法在用较少的训练数据的情况下也能更好地分类故障。

    Apr, 2023