-
题名基于机械故障模拟实验台的多通道故障诊断实验设计
被引量：5
- 1
-
-
作者
王刚
张加斯
张晓光
于洪珍
-
机构
中国矿业大学信息与控制工程学院
-
出处
《实验技术与管理》
CAS
北大核心
2022年第12期62-68,共7页
-
基金
十三五国家重点研发计划(2017YFC0804404)
教育部产学合作协同育人项目(202002280003)
中国矿业大学教改项目(2021ZX04)。
-
文摘
该文设计了一个利用机械故障模拟实验台和Python开发的故障诊断实验方案。实验台工作时,利用拾音器构成的拾音器阵列采集滚动轴承声学信号并传输到计算机,并用Python语言编码代码来实现多通道滑窗采样、提取多通道声学信号的特征和识别故障类型。通过Transformer的编码器中的多头自注意力机制提取多通道声学信号中隐含的空间特征。实验结果表明:故障识别率达100%。该文详细介绍了实验的基本原理、具体步骤、所设计的诊断算法,以帮助学生掌握故障诊断流程。
-
关键词
机械故障模拟实验台
TRANSFORMER
层归一化
PYTHON
故障诊断
-
Keywords
mechanical fault simulation test bench
Transformer
layer normalization
Python
fault diagnosis
-
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
-
-
题名基于MTF-DARCNN的滚动轴承故障诊断方法
- 2
-
-
作者
金岩
缪成翔
-
机构
金川集团镍钴有限公司镍冶炼厂
兰州理工大学机电工程学院
-
出处
《机电工程》
北大核心
2025年第11期2084-2095,共12页
-
基金
国家自然科学基金面上项目(52465013)。
-
文摘
针对传统卷积神经网络模型由于滚动轴承的负载或转速变化而导致故障识别性能下降这一问题,提出了一种创新的基于马尔科夫转移场(MTF)与双注意力残差卷积神经网络(DARCNN)的轴承故障诊断方法。首先,采用MTF将原始信号转换为具有时间相关性的二维图像,这种转换有助于更好地捕捉信号的时序特征;然后,构建了压缩和激励-多尺度注意力模块(SE-MSAM),该模块能够有效提取不同尺度下的特征信息,以增强模型对多层次特征的理解;接着,设计了轻量级残差模块(LRM),该模块不仅降低了计算复杂度,还提升了特征学习的有效性,增强了模型的整体性能;最后,引入全局注意力模块(GAM)提升了特征区分,基于此开发MTF-DARCNN方法用于轴承故障诊断;并采用了美国凯斯西储大学及本实验室机械故障模拟(MFS)轴承数据集,在变工况条件下,对模型故障诊断的鲁棒性与泛化性能进行了实验验证。研究结果表明:MTF-DARCNN方法在变负载和变转速的工况下,平均识别准确率分别达到了99%和98.47%;此外,在不同工况下,该方法的诊断稳定性也明显优于其他诊断方法;这些高准确率的结果充分验证了MTF-DARCNN方法不仅具备卓越的故障识别能力,还展现了在面对多样化工况挑战时的更高泛化能力。这意味着在工况变化的条件下,该方法能有效进行故障诊断,确保设备的正常运行。
-
关键词
轴承故障识别准确率
马尔科夫转移场
双注意力残差卷积神经网络
压缩和激励-多尺度注意力模块
轻量级残差模块
全局注意力模块
机械故障模拟
-
Keywords
accuracy of bearing fault identification
Markov transition field(MTF)
dual attention residual convolutional neural network(DARCNN)
squeeze and excitation-multi scale attention module(SE-MSAM)
lightweight residual module(LRM)
global attention module(GAM)
mechanical fault simulation(MFS)
-
分类号
TH133.3
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
-
