智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型...智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型来解决这个问题。首先,通过小波变换将振动信号转换为时频图片。其次,采用空间变换网络和注意力机制以提高分类的准确性。然后,使用Sigmoid Linear Unit(Silu)激活函数代替Rectified Linear Unit(Relu)激活函数。最后,使用类平衡损失函数解决数据类型不均衡的问题。实验通过设置多个不平衡数据集,并结合变工况条件,对改进后的ResNet模型进行验证。实验结果表明,这里所提出的方法结果优于其他方法,且具有良好的鲁棒性和泛化能力。展开更多
文摘智能故障诊断因为其高效、准确的特点,近些年来受到越来越多的关注。然而,在实际的工业应用中,工作负载是会发生变化的,并且健康状态下的数据远多于故障数据,这就导致了故障诊断准确率的降低。这里提出了一种改进的深度残差网络的模型来解决这个问题。首先,通过小波变换将振动信号转换为时频图片。其次,采用空间变换网络和注意力机制以提高分类的准确性。然后,使用Sigmoid Linear Unit(Silu)激活函数代替Rectified Linear Unit(Relu)激活函数。最后,使用类平衡损失函数解决数据类型不均衡的问题。实验通过设置多个不平衡数据集,并结合变工况条件,对改进后的ResNet模型进行验证。实验结果表明,这里所提出的方法结果优于其他方法,且具有良好的鲁棒性和泛化能力。
文摘针对在多传感器下变转速且带有不同程度噪声的工况下故障特征被淹没的问题,提出一种基于改进卷积长短时记忆网络(Convolutional LSTM, ConvLSTM)的故障诊断方法:首先将多个传感器采集的一维振动信号切分为二维矩阵序列;再利用由改进ConvLSTM单元构成的特征提取层提取信号内的时间特征和空间特征,改进ConvLSTM单元是将传统ConvLSTM单元输入门中的普通卷积换成膨胀卷积,在相同的卷积核其有更大的感受野读取输入信息;最后通过由卷积层和全局平均池化(Global Average Pooling,GAP)构造的分类输出层得到诊断结果。试验使用CWRU滚动轴承数据集和XJTU-SY滚动轴承数据集进行验证。试验结果表明,与其他对比模型相比,改进ConvLSTM模型在变转速且带有不同程度噪声下达到较高的精确率并且受样本量的影响更小。
