基于深度置信网络和对称点模式电机轴承故障诊断研究 被引量：8

1

作者 张苏颖 竺兴妹 许曙青 《噪声与振动控制》 CSCD 北大核心 2022年第3期98-104,143,共8页

电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障... 电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98%以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。 展开更多

关键词 故障诊断:电机轴承 对称点模式 深度置信网络

在线阅读 下载PDF 职称材料

对称点模式-深度卷积神经网络的红外光谱识别方法 被引量：13

2

作者 郝惠敏 梁永国 +2 位作者 武海彬 卜明龙 黄家海 《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2021年第3期782-788,共7页

红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据... 红外光谱分析在自然科学、工程技术等诸多领域发挥着重要作用。随着计算机和人工智能技术的不断发展,对红外/近红外光谱分析提出了更高的要求。深度学习以人工神经网络为架构,通过对数据进行分层特征提取完成特征/表征学习,在解析数据细节特征方面具有独特的优势,在计算机视觉、语音识别、疾病诊断等多领域得到成功应用。尽管深度学习在图像、音频、文字分析方面获得了较好的效果,但是在红外/近红外光谱数据分析中的应用还十分有限。针对深度学习的卷积运算,首先将一维傅里叶变换(Fourier tran sform infrared spectroscopy,FTIR)红外光谱数据通过对称点模式(symmetrized dot patterns,SDP)变换为二维RGB彩色图像,然后将SDP变换得到的彩色图像数据作为VGG(oxford visual geometry group)深度卷积神经网络的输入进行深度学习,建立基于红外光谱数据的分类识别模型。对不同浓度甲烷(CH_(4))、乙烷(C_(2)H_(6))、丙烷(C_(3)H_(8))、正丁烷(C_(4)H_(10))、异丁烷(iso-C_(4)H_(10))、正戊烷(C_(5)H_(12))、异戊烷(iso-C_(5)H_(12))七种单组分烷烃及其混合气体SDP转化获得的224×224彩色(RGB)图像,呈现出显著差别,且更符合VGG卷积运算的数据格式。将SDP-VGG方法应用于气测录井中甲烷浓度范围的识别:气测录井气体为上述七组分烷烃气体的混合气体,其中主要成分甲烷的浓度范围按照<20%,20%~40%,40%~60%,60%~80%,80%~100%分为5类,不同七组分烷烃混合气体样本的红外光谱由红外光谱仪在波数范围为4000~400 cm^(-1)、间隔12 nm的条件下扫描获得。在未经过特殊预处理和特征提取的情况下,采用随机选择的4500个样本,由SDP-VGG法建立的七组分混合气体甲烷浓度范围识别模型,对5种甲烷浓度范围的识别准确率达到91.2%,优于相同红外光谱数据所建立支持向量机(support vector machine,SVM)和随机森林(random forest,RF)模型的识别准确率88.7%和86.2%。研究表明,SDP结合深度学习可以准确提取红外光谱数据的关键特征,提高了红外光谱识别的准确率,是一种更为有效的红外光谱分析方法,具有广阔的应用前景。 展开更多

关键词 对称点模式图像 VGG深度卷积神经网络 FTIR 光谱分析

在线阅读 下载PDF 职称材料

基于点对称变换的乙丙橡胶电缆终端缺陷诊断 被引量：11

3

作者 周利军 刘聪 +2 位作者 权圣威 曹伟东 项恩新 《电工技术学报》 EI CSCD 北大核心 2022年第9期2388-2398,共11页

为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SD... 为解决高速动车组车载电缆健康状况的智能化诊断受限于天窗期短的问题,该文提出一种基于点对称(SDP)的乙丙橡胶(EPR)电缆终端缺陷局部放电诊断方法。首先,搭建局部放电试验平台获取局部放电信号;然后,提出一种车载电缆局部放电信号的SDP参数确定方法,并基于SDP变换将不同类型缺陷局部放电信号映射到极坐标系中形成SDP图像;最后,对比三种常见的深度学习网络——卷积神经网络(CNN)、栈式自编码器(SAE)及深度置信网络(DBN)提取不同类型缺陷的SDP图像深层特征,并基于网络尾端Softmax分类器进行识别。结果表明:针对四种典型的电缆缺陷,DBN网络与SDP图像的结合效果最佳,缺陷识别率达到了96.1%,相比于传统诊断方法,识别准确率提高了10%左右,由此验证了通过深度学习算法自适应提取SDP图像特征的方法,可有效应用于电缆缺陷诊断领域,具有较好的工程应用前景。 展开更多

关键词 乙丙橡胶 深度学习 对称点模式 状态识别

在线阅读 下载PDF 职称材料

基于SSA-VMD和SDP的双通道CNN轴承故障识别方法 被引量：3

4

作者 蒋丽英 高铭悦 李贺 《机电工程》 北大核心 2025年第2期257-266,共10页

针对滚动轴承故障振动信号具有非线性和非平稳性等特征,以及单通道卷积神经网络(CNN)提取故障特征不显著的问题,提出了一种基于麻雀算法-变分模态分解(SSA-VMD)和对称点模式(SDP)的双通道CNN滚动轴承故障诊断方法。首先,结合样本熵和皮... 针对滚动轴承故障振动信号具有非线性和非平稳性等特征,以及单通道卷积神经网络(CNN)提取故障特征不显著的问题,提出了一种基于麻雀算法-变分模态分解(SSA-VMD)和对称点模式(SDP)的双通道CNN滚动轴承故障诊断方法。首先,结合样本熵和皮尔逊相关系数,构建了新的综合适应度函数,利用麻雀算法(SSA)进行了自适应寻优,确定了最佳的变分模态分解(VMD)参数K和α。将原始振动信号经过VMD分解后,得到了本征模态函数(IMF)分量,通过计算各IMF分量的峭度值进行了筛选,将筛选出的信号进行重构后得到了一维特征信号;然后,根据互相关系数选择了合适的对称点模式(SDP)参数值,将原始振动信号转化为极坐标下的SDP图像,获得了具有良好可分性的二维特征图;最后,将一维和二维特征作为双通道CNN的输入进行了联合训练,将训练好的网络用于故障类型识别,在西储大学和江南大学的轴承数据集上对其有效性进行了验证。研究结果表明:通过网络训练,其故障诊断的准确率分别达到了98.5%和100%。该结果验证了该方法在准确识别故障特征方面具有优越性和普适性。 展开更多

关键词 一维特征信号构建 二维特征转换 卷积神经网络 麻雀算法 变分模态分解 对称点模式

在线阅读 下载PDF 职称材料

基于信息融合和深度学习的转子复合故障诊断方法

5

作者 尹文哲 夏虹 +2 位作者 冉文豪 赵纯洁 姜莹莹 《哈尔滨工程大学学报》 北大核心 2025年第11期2305-2312,共8页

为了准确识别转子复合故障,本文提出了一种基于信息融合和深度学习的智能故障诊断方法。利用对称点模式分析将多个传感器采集的转子振动信号分别转换为相应的对称点模式图像;在此基础上,基于多个残差神经网络提取各通道对称点模式图像... 为了准确识别转子复合故障,本文提出了一种基于信息融合和深度学习的智能故障诊断方法。利用对称点模式分析将多个传感器采集的转子振动信号分别转换为相应的对称点模式图像;在此基础上,基于多个残差神经网络提取各通道对称点模式图像中包含的特征信息,并对这些特征信息进行融合以得到融合特征;采用支持向量机识别融合特征,以实现转子复合故障诊断。结果表明,该方法能够准确识别转子复合故障,其准确率、精度以及F1分数均超过了99%,并且在不同诊断方法对比测试中表现最佳。本文结论可以为实际工程中转子系统的智能故障诊断提供技术支撑。 展开更多

关键词 转子 复合故障 故障诊断 信息融合 深度学习 对称点模式 残差神经网络 支持向量机

在线阅读 下载PDF 职称材料

基于EMD-SDP图像特征和改进DenseNet车用PMSM故障诊断 被引量：6

6

作者 王建平 马建 +4 位作者 孟德安 赵轩 边琦 张凯 刘启全 《汽车工程》 EI CSCD 北大核心 2024年第4期703-716,690,共15页

永磁同步电机(permanent magnet synchronous motor,PMSM)因转速范围宽、输出转矩大、调速响应快、尺寸小、质量轻等优点被广泛应用于电动汽车驱动系统。受恶劣气候、异常振动和频繁起动-制动工况因素影响,PMSM易发生匝间短路、退磁、... 永磁同步电机(permanent magnet synchronous motor,PMSM)因转速范围宽、输出转矩大、调速响应快、尺寸小、质量轻等优点被广泛应用于电动汽车驱动系统。受恶劣气候、异常振动和频繁起动-制动工况因素影响,PMSM易发生匝间短路、退磁、轴承磨损等故障。本文针对PMSM相似故障单一维度信号下难区分以及工作条件发生变化时传统诊断方法鲁棒性差的问题,提出了一种基于经验模态分解-对称点模式(empirical mode decomposition-symmetric dot pattern,EMD-SDP)图像特征和改进DenseNet相结合的车用永磁同步电机故障诊断方法。首先,通过实验获取不同状态的电机在多种工况下振动信号,将预处理的振动信号进行EMD处理,求解不同层级本征模态函数(intrinsic mode function,IMF);其次,将原始振动信号转化为SDP图像,对不同层级IMF转化为RGB色彩特征在SDP图像上显示出来;然后,通过融合scSE注意力机制改进DenseNet学习图像数据集构建分类网络模型;最后,按照信号-图像-网络的流程对待测电机状态进行评估与诊断。诊断结果表明:所提出的方法在稳态和变速瞬态工况下均表现良好的性能。在恒速恒载工况下,所提的方法达到最高的故障诊断准确率(99.72%),相比基准的DenseNet的准确率(98.06%)提升了1.66个百分点。改进后的DenseNet模型和DenseNet模型的ROC曲线最接近左上角,AUC均值分别为0.9974和0.9745;在加速恒载和减速恒载工况下,改进后的DenseNet模型也达到了最高的诊断准确率,分别为96.88%和97.08%。AUC均值分别为0.9877和0.9869。本文所提出的方法的总体性能优于传统方法,能有效地用于速度变化时的故障诊断。 展开更多

关键词 永磁同步电机 故障诊断 经验模态分解 对称点模式 scSE DenseNet

在线阅读 下载PDF 职称材料

基于SDP和改进SAM⁃MobileNetv2的滚动轴承故障诊断方法研究 被引量：3

7

作者 张天缘 孙虎儿 +1 位作者 朱继扬 赵扬 《机械强度》 CAS CSCD 北大核心 2024年第4期787-794,共8页

针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图... 针对传统的滚动轴承故障诊断方法难以准确高效的实现故障分类,提出了一种融合对称点模式(Symmetrized Dot Pattern,SDP)和改进SAM⁃MobileNetv2的滚动轴承故障分类方法。首先,将轴承振动信号通过SDP算法转化为含有丰富特征信息的二维图像。然后,将二维图像输入到改进SAM⁃MobileNetv2网络模型中,对故障特征信息进行提取和分类。在改进SAM⁃MobileNetv2网络中,使用自适应激活函数ACON(Activate or not)对SAM⁃MobileNetv2中的ReLU6激活函数进行替换,提高模型分类性能。最后,将本模型与多种网络模型做对比。试验结果表明,本模型可以准确高效地实现对滚动轴承故障的分类,使用凯斯西储大学轴承故障数据的准确率为99.5%,使用渥太华大学轴承故障数据的准确率为97.2%。 展开更多

关键词 滚动轴承 对称点模式 SAM⁃MobileNetv2模型 故障诊断

在线阅读 下载PDF 职称材料

基于融合特征与注意力网络的刀具状态监测

8

作者 王楠 钱炜 +2 位作者 江小辉 郭维诚 李星 《组合机床与自动化加工技术》 北大核心 2024年第10期82-88,94,共8页

刀具磨损是影响零件加工质量的重要因素之一,为了准确可靠地监测刀具磨损状态,提出了一种基于融合特征和注意力机制卷积神经网络的刀具状态预测模型。首先,在铣削过程中采取切削力与振动信号,提取了有效的加工信号;其次,利用对称点模式... 刀具磨损是影响零件加工质量的重要因素之一,为了准确可靠地监测刀具磨损状态,提出了一种基于融合特征和注意力机制卷积神经网络的刀具状态预测模型。首先,在铣削过程中采取切削力与振动信号,提取了有效的加工信号;其次,利用对称点模式、小波包分解等信号处理技术对力与振动信号进行重构,建立了不同磨损状态下的信号特征二维图,并对不同工艺参数进行灰度化表征;最后,构建基于SE注意力机制的卷积神经网络模型,利用融合的信号特征图与工艺参数灰度图对刀具磨损状态进行预测。结果表明,基于融合特征与注意力网络的识别模型对于刀具的磨损状态预测有较好的识别效果。 展开更多

关键词 刀具磨损 卷积神经网络 注意力机制 对称点模式 特征融合

在线阅读 下载PDF 职称材料

基于深度特征学习的汽轮机转子状态识别方法 被引量：19

9

作者 朱霄珣 罗学智 +2 位作者 叶行飞 韩中合 刘铟 《中国电机工程学报》 EI CSCD 北大核心 2021年第2期432-441,共10页

复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状... 复杂汽轮机转子振动信号的非平稳性和非线性等问题,会严重影响到汽轮机转子的状态识别。为了保证汽轮机转子的安全运行,提出一种基于对称点模式(symmetrized dot pattern,SDP)特征融合的卷积神经网络(convolutionneural network,CNN)状态识别方法。该方法通过基于SDP分析方法对汽轮机转子各方向、各位置的信号进行特征融合,获取融合特征的SDP图,最终基于CNN进行融合特征SDP图像识别,实现转子故障状态识别。与其他状态识别方法相比,该方法提高了不同状态特征的表征差异,进而提高了学习效果和识别精度。同时,对比实验结果表明,相较于其他状态识别方法,该方法对转子振动状态识别精度最高,达到了96%。 展开更多

关键词 汽轮机转子 深度学习 卷积神经网络 对称点模式 状态识别

在线阅读 下载PDF 职称材料

基于参数优化SDP分析的转子故障诊断方法 被引量：6

10

作者 万周 何俊增 +2 位作者 姜东 李坚 张大海 《振动与冲击》 EI CSCD 北大核心 2023年第1期81-88,共8页

针对存在多种故障类型不同故障严重程度的转子故障诊断问题,提出了一种基于参数优化对称点模式(symmetrized dot pattern,SDP)分析的智能诊断方法。首先,利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像;然后,以基于欧氏... 针对存在多种故障类型不同故障严重程度的转子故障诊断问题,提出了一种基于参数优化对称点模式(symmetrized dot pattern,SDP)分析的智能诊断方法。首先,利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像;然后,以基于欧氏距离定义的图像区分度函数为适应度函数,基于天牛须搜索(beetle antennae search,BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值;最后,利用SDP图像训练卷积神经网络(convolutional neural network,CNN)获得转子故障诊断模型。试验研究表明,该方法相较于其他故障诊断方法具有更高的诊断精度,且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异,提高了故障诊断精度。 展开更多

关键词 转子 对称点模式(SDP) 天牛须搜索(BAS)算法 卷积神经网络(CNN) 故障诊断

在线阅读 下载PDF 职称材料

基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法 被引量：1

11

作者 朱雅魁 赵莎莎 李争 《中国测试》 CAS 北大核心 2023年第8期28-35,66,共9页

针对复杂电能质量扰动信号非平稳性和非线性导致的信号特征难以直接提取和识别的问题,该文提出一种基于自适应遗传算法优化(adaptive genetic algorithm,AGA)的栈式稀疏自编码器(stacked sparse autoencoder,SSAE)和对称点模式(symmetri... 针对复杂电能质量扰动信号非平稳性和非线性导致的信号特征难以直接提取和识别的问题,该文提出一种基于自适应遗传算法优化(adaptive genetic algorithm,AGA)的栈式稀疏自编码器(stacked sparse autoencoder,SSAE)和对称点模式(symmetrized dot pattern,SDP)域转换的暂态电能质量扰动识别方法。首先,通过Matlab仿真随机生成6种单一扰动信号和9种复合扰动信号,通过SDP方法将原始时域扰动信号转换至极坐标域,实现扰动信号可视化并生成对应的扰动图谱,对扰动图谱进行参数优化;然后,基于Tensorflow开源框架搭建SSAE识别模型,并由AGA算法完成模型结构及其参数的优化,实现扰动图谱的深度特征提取与挖掘;最后,由末端分类器进行无监督学习分类,比较常见扰动识别方法的优劣。结果表明:该文提出的基于AGA-SSAE和SDP域转换的暂态电能质量扰动识别方法能够对暂态扰动进行高效、准确的识别分类,平均测试准确率为97.89%,优于传统方法10%左右;同时所提方法的架构清晰,且具有较好的收敛性和泛化能力,适用于电力系统电能质量暂态扰动的快速、精确识别。 展开更多

关键词 电能质量 对称点模式 栈式降噪自编码 暂态系统

在线阅读 下载PDF 职称材料

基于EMD-SDP特征融合的CNN轴承保持架故障诊断研究 被引量：13

12

作者 郑一珍 牛蔺楷 +2 位作者 熊晓燕 祁宏伟 谢宏浩 《机电工程》 CAS 北大核心 2021年第1期81-87,共7页

针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,... 针对滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取等问题,提出了一种基于EMD-SDP特征融合的CNN轴承保持架故障诊断方法。采用了SDP信息融合方法对保持架故障振动信号的EMD固有模态分量进行了特征信息融合,展示了不同保持架故障振动信号的时频特性;分析了滚动轴承保持架不同故障状态下的SDP特征图像差异;之后,结合CNN模型进行了SDP图像识别,设计出了一种基于EMD与SDP特征融合的CNN轴承保持架故障诊断方法模型;最后,通过旋转机械故障试验台,对轴承保持架故障进行了模拟实验。研究结果表明:该方法能够实现99%以上的故障识别率,进一步验证了通过深度学习算法自适应提取SDP信息融合图像特征的方法,可有效应用于轴承保持架故障诊断中。 展开更多

关键词 保持架故障诊断 经验模态分解 对称点模式 卷积神经网络 特征融合

在线阅读 下载PDF 职称材料