CN113434973B - 基于改进pso-som-bpnn的机械故障诊断方法 - Google Patents

基于改进pso-som-bpnn的机械故障诊断方法 Download PDF

Info

Publication number
CN113434973B
CN113434973B CN202110686659.7A CN202110686659A CN113434973B CN 113434973 B CN113434973 B CN 113434973B CN 202110686659 A CN202110686659 A CN 202110686659A CN 113434973 B CN113434973 B CN 113434973B
Authority
CN
China
Prior art keywords
fault
bpnn
som
fault diagnosis
wavelet
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110686659.7A
Other languages
English (en)
Other versions
CN113434973A (zh
Inventor
樊红卫
严杨
张旭辉
曹现刚
马嘉腾
马宁阁
樊奕霖
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xian University of Science and Technology
Original Assignee
Xian University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xian University of Science and Technology filed Critical Xian University of Science and Technology
Priority to CN202110686659.7A priority Critical patent/CN113434973B/zh
Publication of CN113434973A publication Critical patent/CN113434973A/zh
Application granted granted Critical
Publication of CN113434973B publication Critical patent/CN113434973B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/021—Gearings
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
    • G01M13/00—Testing of machine parts
    • G01M13/02—Gearings; Transmission mechanisms
    • G01M13/028—Acoustic or vibration analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/25—Design optimisation, verification or simulation using particle-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/06—Power analysis or power optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/10—Noise analysis or noise optimisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Acoustics & Sound (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)

Abstract

本发明公开了基于改进PSO‑SOM‑BPNN的机械故障诊断方法，将信号处理技术和两类神经网络串联相结合进行旋转机械状态快速、精准识别的方案，对于被诊断的旋转机械，在采集到振动信号后，即刻对其用小波分析进行消噪，并通过小波包分解提取能量特征，期间对两者的基函数和分解层数进行了优选，然后将提取的能量特征作为SOM‑BPNN输入。采用自适应方式调节PSO算法的惯性权重和学习因子，并舍弃速度项对SOM‑BPNN参数进行优化，建立一种基于自适应无速度项粒子群优化的SOM‑BPNN机械故障诊断方法，实现了旋转机械高效、准确的诊断。

Description

基于改进PSO-SOM-BPNN的机械故障诊断方法
技术领域
本发明涉及机械故障诊断领域，特别是涉及旋转机械故障诊断方向，具体涉及基于改进PSO-SOM-BPNN(Particle Swarm Optimization-Self Organizing feature Map-Back Propagation Neural Network,PSO-SOM-BPNN)的机械故障诊断方法。
背景技术
随着我国制造业的不断发展，机械设备的日趋大型化、复杂化、自动化和连续化已成为重要发展趋势，其中旋转机械的重要地位也愈来愈凸显，因此，提高旋转机械件故障诊断与维护的技术水平，保障机械设备的正常、安全运行，是伴随机械设备发展不可或缺的关键部分。
在机械***中，旋转机械件因长期处于旋转状态，极易发生故障，轻则影响工作效率和品质，重则造成机毁人亡的事故。针对这类旋转件的故障诊断方法，现采用的较多是提取准确的故障特征再基于单一神经网络进行故障诊断，在信号特征提取方面，采用的较多是先对信号进行小波消噪，再用小波包提取旋转件的特征能量，但由于两者小波基及分解层数的选取大多依靠经验选取，极易造成特征提取不准。在网络诊断模型方面，除了模型自身的局限性，还涉及到依靠人为设置参数的经验性影响。BPNN为有监督学习网络，即是在己知期望输出的前提下再展开训练，在进行故障诊断时要得到较高的准确率，必须通过大量样本的训练，增加了诊断的时效性，且易陷入局部最小值；SOM是一种无监督型网络，即网络的学习只依赖输入数据的特性。在其学习过程中，网络能够随着不断地迭代，自动摸索出输入样本间隐含的规律，在此基础上对样本进行分类。若两者结合，SOM神经网络相当对样本做了一个初级分类对于次级网络的训练有很好的促进作用。理论上，可以有效降低次级网络的训练时间，使整个串联网络以更快的速度收敛，以达到BPNN模型的优化。但是组合网络权值和阈值的取值对最终诊断结果有很大影响；PSO作为一种简单有效且易于实现的群体智能算法，主要用于对***模型的参数进行优化，己渗透到各工程领域之中，但PSO算法存在易早熟收敛、收敛精度较低、后期迭代效率不高等缺点。因此，在对诊断模型进行优化时，除了考虑优化算法的优势，也要考虑其自身劣势，并对其加以改进，再结合准确的故障特征信号，才能使诊断模型准确且及时的诊断出故障类型。
发明内容
本发明的目的在于提供基于改进PSO-SOM-BPNN的机械故障诊断方法，以解决现有技术存在的问题，本发明能够实现机械设备中轴承故障状态的智能诊断。
为达到上述目的，本发明采用如下技术方案：
基于改进PSO-SOM-BPNN的机械故障诊断方法，包括以下步骤；
1)构建旋转机械件故障特征数据集：采集旋转机械故障件的振动信号，利用小波分析对其进行消噪，并通过小波包分解提取能量特征，对小波消噪及小波包分解中的基函数和分解层数进行优选，建立故障特征数据集，并分为训练集和测试集进行归一化；
2)构建故障诊断模型：使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型；
3)构建串联网络故障诊断模型：使用SOM对步骤2)中BPNN故障诊断模型进行串联，构建SOM-BPNN故障诊断模型；
4)SOM-BPNN故障诊断模型的参数优化：对步骤3)中SOM-BPNN的权值和阈值采用PSO进行优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM-BPNN阈值和权值优化得到ANVTPSO-SOM-BPNN的故障诊断模型；
5)基于ANVTPSO-SOM-BPNN的机械故障诊断：使用步骤4)优化后的故障诊断模型进行验证，采集不同类型旋转机械故障件的振动信号，先利用小波消噪再使用小波包提取特征，输入到步骤4)中ANVTPSO-SOM-BPNN的故障诊断模型对其进行故障分类，完成基于ANVTPSO-SOM-BPNN的机械故障诊断。
进一步地，所述步骤1)中采集旋转机械故障件的振动信号，利用小波消噪对振动信号进行处理，确定小波消噪中的最优小波分解层数以及最优小波基函数；
在选取小波基函数时，将信号噪声功率p作为小波基函数选取的第1个指标，将噪声功率差Δph作为第2个衡量信号消噪效果的指标。
进一步地，最优小波基函数选择的步骤如下：
(a)确定不同小波基函数在所采集旋转机械故障件振动信号中的最优分解层数；
最优分解层数的计算公式为：
Figure BDA0003124811490000031
式中：j为最大分解层数；f0为小波基函数的中心频率；fm为有用信号的最小频率；Δt为采样周期；
对振动信号而言，尤其是故障状态信号来说，有用信号的频率分为两种：1)转动频率，2)故障频率；
(b)选取不同的小波基函数对所采集旋转机械故障件振动信号按最优分解层数进行消噪，并计算不同小波基函数下的噪声功率；
噪声功率p的计算公式为：
Figure BDA0003124811490000032
式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；
(c)对于备选的小波基函数，按照噪声功率从小到大依次排序，从h＝1开始依次增加；
(d)依次计算噪声功率差Δph；
噪声功率差Δph的计算公式为：
Figure BDA0003124811490000041
式中：sh(q)为消噪后的信号；h为小波基函数编号；当h＝0时，s0(q)为原始含噪信号；
(e)选择出最小Δph，则编号为h-1的小波基函数就是最优小波基函数。
进一步地，步骤1)中的小波包故障特征提取具体为：
最大分解层数计算公式为：
Figure BDA0003124811490000042
式中：J为最大分解层数；fs为采样频率；fsf为信号频率；Z为整数集；
将消噪后的旋转机械故障件振动信号，求取各自能量波动参数Eflu，并根据能量波动参数Eflu求出正常和故障轴承间的波动变化率E'，各类旋转机械故障件中波动变化率最大的，可知其特征能量最大，即故障特征明显，其对应小波基函数即为各类旋转机械故障件振动信号小波包分解的最优小波基函数，对各类旋转机械故障件振动信号提取故障特征，建立故障特征数据集；
能量波动参数Eflu计算公式为：
Figure BDA0003124811490000043
波动变化率E'计算公式为：
Figure BDA0003124811490000044
式中：
Figure BDA0003124811490000045
n＝0,1,L,2j-1为各频带能量占总能量百分比；
Figure BDA0003124811490000046
为最大占比；
Figure BDA0003124811490000047
为最小占比；
Figure BDA0003124811490000048
为平均占比；Enor为正常信号的能量波动参数。
进一步地，步骤1)中将故障特征数据集划分为训练集和测试集，并进行归一化处理，具体步骤如下：
1.1)将故障特征数据集中，以各类故障件所提特征数量按2:1分为训练集和测试集；
1.2)归一化计算公式为：
Figure BDA0003124811490000051
式中：
Figure BDA0003124811490000052
为归一化后特征值，xi为原始特征值，xmin为特征值最小值，xmax为特征值最大值。
进一步地，步骤2)中使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型具体为：
2.1)将归一化后的故障特征训练集和测试集输入BPNN故障诊断模型；
2.2)设置BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，检验构建BPNN故障诊断模型精度。
进一步地，步骤3)中的SOM-BPNN故障诊断模型构建具体为：
3.1)由SOM实现对步骤1)中归一化后的故障特征数据集初步分类，在对故障特征数据集完成初步分类的基础上进行次级网络的训练，其本质是为原有故障特征数据集向量增加一个维度，构建新的故障特征数据集并作为次级网络BPNN的输入，新增加的维度用于标记初级网络SOM对原有故障特征数据集的分类结果；
3.2)将新的故障特征数据集以各类故障件所提特征数量，按2:1划分为新的训练集和测试集，并进行归一化，将归一化后的训练集和测试集输入BPNN故障诊断模型；
3.3)设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，检验SOM-BPNN故障诊断模型精度。
进一步地，步骤4)中通过PSO算法实现对SOM-BPNN中的权值和阈值优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM-BPNN阈值和权值优化得到最终的故障诊断模型，基于ANVTPSO-SOM-BPNN算法的参数优化过程具体为：
4.1)根据小波包提取振动信号的故障特征，设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；将SOM所得分类结果归一化，作为一个维度，同原有故障特征数据集构成新的故障特征数据集；
4.2)根据新的故障特征数据集设置BPNN中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，明确SOM-BPNN的结构；
4.3)初始化PSO，计算其搜索空间维度a，设置种群数量、最大迭代次数Tmax；
4.4)计算PSO中每个粒子适应度值，适应度函数取训练实际输出与期望输出的均方误差函数MSE；
4.5)计算PSO初始个体最佳位置Pi和全局最佳位置Pg；
4.6)更新PSO位置、惯性权重、学习因子，得到个体、全局最优极值，将PSO位置映射得到最优权值与阈值；
位置的计算公式为：
Xia(t+1)＝w(t)Xia(t)+c1r1(Pia(t)-Xia(t))+c2r2(Pga(t)-Xia(t))
惯性权重的计算公式为：
Figure BDA0003124811490000061
学习因子的计算公式为：
Figure BDA0003124811490000062
其中，w(t)为惯性权重，t为迭代次数，c1和c2为学***均值和最小值；2为学习因子c1、c2的初始值；
4.7)将优化后的阈值与权值带入SOM-BPNN，继续调优，直至满足训练目标。
与现有技术相比，本发明具有以下有益的技术效果：
1)发明所提供的基于改进PSO-SOM-BPNN的机械故障诊断方法，对于所测振动信号的消噪和故障特征提取时，分别对小波消噪以及小波包分解中的分解层数和小波基进行最优选取，避免由于经验选择给故障特征提取带来的一些影响，使提取的特征能更加精确反映旋转机械件的运行状态，进而实现机械故障诊断。
2)本发明针对BP神经网络的自身局限性，提出将SOM神经网络的竞争层结果用作BP神经网络的输入数据，构建SOM-BPNN故障诊断模型并借助实验分析其故障诊断性能。采用自适应方式调节PSO算法的惯性权重和学习因子，并对标准PSO算法舍弃速度项以避免粒子初始速度对算法收敛速度和求解精度的影响。将其用于SOM-BPNN阈值和权值优化，以提高网络模型的收敛效率及识别准确率。适用于机械设备旋转件的故障诊断，可以有效地降低其故障发生率，从而提高其工作效率。
附图说明
图1是本发明中基于改进PSO-SOM-BPNN的机械故障诊断方法的流程示意图；
图2是旋转机械件振动信号消噪与特征提取的流程图；
图3是信号消噪前、后，各轴承子频带能量占比图，其中(a)为消噪前各轴承子频带能量占比，(b)为消噪后各轴承子频带能量占比；
图4是本发明的SOM-BPNN串联模型的结构图；
图5是本发明的ANVTPSO-SOM-BPNN串联模型与五种神经网络模型的误差曲线的对比图。
具体实施方式
下面对本发明作进一步详细描述：
基于改进PSO-SOM-BPNN的机械故障诊断方法，包括以下步骤；
1)构建旋转机械件故障特征数据集：采集旋转机械故障件的振动信号，利用小波分析对其进行消噪，并通过小波包分解提取能量特征，对小波消噪及小波包分解中的基函数和分解层数进行优选，建立故障特征数据集，并分为训练集和测试集进行归一化；
其中，采集旋转机械故障件的振动信号，利用小波消噪对振动信号进行处理，确定小波消噪中的最优小波分解层数以及最优小波基函数；
在选取小波基函数时，将信号噪声功率p作为小波基函数选取的第1个指标，将噪声功率差Δph作为第2个衡量信号消噪效果的指标。
步骤1)中最优小波基函数选择的具体步骤如下：
(a)确定不同小波基函数在所采集旋转机械故障件振动信号中的最优分解层数；
最优分解层数的计算公式为：
Figure BDA0003124811490000081
式中：j为最大分解层数；f0为小波基函数的中心频率；fm为有用信号的最小频率；Δt为采样周期；
对振动信号而言，尤其是故障状态信号来说，有用信号的频率分为两种：1)转动频率，2)故障频率。
(b)选取不同的小波基函数对所采集旋转机械故障件振动信号按最优分解层数进行消噪，并计算不同小波基函数下的噪声功率；
噪声功率p的计算公式为：
Figure BDA0003124811490000082
式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；
(c)对于备选的小波基函数，按照噪声功率从小到大依次排序，从h＝1开始依次增加；
(d)依次计算噪声功率差Δph；
噪声功率差Δph的计算公式为：
Figure BDA0003124811490000091
式中：sh(q)为消噪后的信号；h为小波基函数编号；当h＝0时，s0(q)为原始含噪信号；
(e)选择出最小Δph，则编号为h-1的小波基函数就是最优小波基函数。
由于消噪过程中一定存在消噪过度的现象，所以噪声功率最高的小波基函数不作为最优小波基函数考虑，只参与计算。
另外，故障特征提取具体为：分解层数影响故障特征提取，还决定特征向量维数，小波包分解层数须考虑信号自身特点。
最大分解层数计算公式为：
Figure BDA0003124811490000092
式中：J为最大分解层数；fs为采样频率；fsf为信号频率；Z为整数集；
小波包分解的目的是找到故障特征，因此“信号频率”可用故障特征频率代替。
将消噪后的旋转机械故障件振动信号，求取各自能量波动参数Eflu，并根据能量波动参数Eflu求出正常和故障轴承间的波动变化率E'，各类旋转机械故障件中波动变化率最大的，可知其特征能量最大，即故障特征明显，其对应小波基函数即为各类旋转机械故障件振动信号小波包分解的最优小波基函数，对各类旋转机械故障件振动信号提取故障特征，建立故障特征数据集。
能量波动参数Eflu计算公式为：
Figure BDA0003124811490000093
波动变化率E'计算公式为：
Figure BDA0003124811490000101
式中：
Figure BDA0003124811490000102
n＝0,1,L,2j-1为各频带能量占总能量百分比；
Figure BDA0003124811490000103
为最大占比；
Figure BDA0003124811490000104
为最小占比；
Figure BDA0003124811490000105
为平均占比；Enor为正常信号的能量波动参数。
归一化处理是为有效减少模型计算量并提高模型精度。
将故障特征数据集划分为训练集和测试集，并进行归一化处理，具体步骤如下：
1.1)将故障特征数据集中，以各类故障件所提特征数量按2:1分为训练集和测试集；
1.2)归一化计算公式为：
Figure BDA0003124811490000106
式中：
Figure BDA0003124811490000107
为归一化后特征值，xi为原始特征值，xmin为特征值最小值，xmax为特征值最大值。
2)构建故障诊断模型：使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型；
步骤1)中构建BPNN故障诊断模型具体步骤如下：
2.1)将归一化后的故障特征训练集和测试集输入BPNN故障诊断模型；
2.2)设置BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，检验构建BPNN故障诊断模型精度。
3)构建串联网络故障诊断模型：使用SOM对步骤2)中BPNN故障诊断模型进行串联，构建SOM-BPNN故障诊断模型；
步骤3)中的SOM-BPNN故障诊断模型构建具体步骤如下：
3.1)由SOM实现对步骤1)中归一化后的故障特征数据集初步分类，在对故障特征数据集完成初步分类的基础上进行次级网络的训练，其本质是为原有故障特征数据集向量增加一个维度，构建新的故障特征数据集并作为次级网络BPNN的输入，新增加的维度用于标记初级网络SOM对原有故障特征数据集的分类结果；
3.2)将新的故障特征数据集以各类故障件所提特征数量，按2:1划分为新的训练集和测试集，并进行归一化，将归一化后的训练集和测试集输入BPNN故障诊断模型；
3.3)设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，检验SOM-BPNN故障诊断模型精度。
4)SOM-BPNN故障诊断模型的参数优化：对步骤3)中SOM-BPNN的权值和阈值采用PSO进行优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成自适应无速度项PSO(Adaptive No Velocity Term PSO,ANVTPSO)，将其用于SOM-BPNN阈值和权值优化得到ANVTPSO-SOM-BPNN的故障诊断模型；
步骤4)基于ANVTPSO-SOM-BPNN算法的参数优化过程具体步骤如下：
4.1)根据小波包提取振动信号的故障特征，设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；将SOM所得分类结果归一化，作为一个维度，同原有故障特征数据集构成新的故障特征数据集；
4.2)根据新的故障特征数据集设置BPNN中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，明确SOM-BPNN的结构；
4.3)初始化PSO，计算其搜索空间维度a，设置种群数量、最大迭代次数Tmax；
4.4)计算PSO中每个粒子适应度值，适应度函数取训练实际输出与期望输出的均方误差函数MSE；
4.5)计算PSO初始个体最佳位置Pi和全局最佳位置Pg；
4.6)更新PSO位置、惯性权重、学习因子，得到个体、全局最优极值，将PSO位置映射得到最优权值与阈值；
位置的计算公式为：
Xia(t+1)＝w(t)Xia(t)+c1r1(Pia(t)-Xia(t))+c2r2(Pga(t)-Xia(t))
惯性权重的计算公式为：
Figure BDA0003124811490000121
学习因子的计算公式为：
Figure BDA0003124811490000122
其中，w(t)为惯性权重，t为迭代次数，c1和c2为学***均值和最小值；2为学习因子c1、c2的初始值；
4.7)将优化后的阈值与权值带入SOM-BPNN，继续调优，直至满足训练目标。
5)基于改进PSO-SOM-BPNN的机械故障诊断：使用步骤4)优化后的故障诊断模型进行验证，采集不同类型旋转机械故障件的振动信号，先利用小波消噪再使用小波包提取特征，输入到步骤4)中ANVTPSO-SOM-BPNN的故障诊断模型对其进行故障分类，完成基于ANVTPSO-SOM-BPNN的机械故障诊断。
下面结合具体实例对本发明做进一步详细说明，所述内容均为对本发明的解释，但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动就是本发明的保护范围。
参见附图1，本发明的基于改进PSO-SOM-BPNN的机械故障诊断方法，主要包含如下步骤：
1)利用齿轮传动***故障模拟平台，该实验台由三相变频电机、转子轴承***、径向加载装置以及平行轴齿轮箱组成，均为滚动轴承支撑；通过磁粉制动器模拟负载。本文选取转子左侧轴承座里的滚动轴承作为测试对象，该轴承型号为NSK-6205；其结构参数如表1所示，故障尺寸如表2所示，滚动轴承的故障特征频率如表3所示，其中，内圈和外圈采用电火花成型机加工裂纹，滚动体由TH-RFT300高速激光焊接机对其进行3秒点蚀；设置电机转速为1800r/min，径向轴向均空载，采用加速度传感器获取壳体振动，该传感器的灵敏度为103mV/g(g为重力加速度)；采集时，采样时间设为1s，采样率设为10.24kHz，采集振动加速度信号共60组，其中正常、内圈故障、外圈故障和滚动体故障轴承各15组。将不同状态下的轴承数据分割为互不重叠的5组长度为10240个点的子样本。因此，四种状态下采集到的振动加速度信号总共分割为300组子样本，其中四类轴承各75组，将信号样本以2:1分为训练集和测试集。
表1滚动轴承结构参数
Figure BDA0003124811490000131
表2滚动轴承故障尺寸
Figure BDA0003124811490000132
表3滚动轴承的故障特征频率
Figure BDA0003124811490000141
选择sym8、db3、db4、db5和db10这5个常用小波基函数作为确定最优小波分解层数以及最优小波基函数的备选小波基，上述备选小波基函数的中心频率，如表4所示，通过式(1)计算各类轴承信号基于不同小波基函数的条件下的最优分解层数，如表5所示，鉴于各类轴承故障的噪声强度大小不一，本发明采用基于stein的无偏似然估计原理计算自适应阈值，结合软阈值，通过wden函数完成信号消噪。对未进行数据分割的四类轴承数据各选10组，根据在表5中确定的统一分解层数，进行小波消噪，并按式(2)对备选小波基函数求取噪声功率p，代表性的一组数据如下，噪声功率p结果如表6所示；按式(3)计算噪声功率差Δph，结果如表7所示。基于以上计算，确定不同状态下各类数据对应的最优小波基函数，各类小波基函数在10组数据中出现次数如表8所示，取在不同状态下出现次数最多的小波基函数为四类轴承信号统一的最优小波基函数。
表4小波基中心频率
Figure BDA0003124811490000142
最优分解层数的计算公式为：
Figure BDA0003124811490000143
式中：j为最大分解层数；f0为小波基函数的中心频率；fm为有用信号的最小频率；Δt为采样周期；
本发明中“有用信号的最小频率”，是指相应轴承的故障特征频率。
表5基于小波基的最优分解层数
Figure BDA0003124811490000144
Figure BDA0003124811490000151
由表5可知，基于不同小波基函数，各类轴承信号的最优分解层数存在差异。因此，为了能最大限度保留四类轴承振动信号的有用信息，在统一分解层数的选取上，分解层数若超过6层，内圈信号可能会导致过消噪造成有用信息的丢失，经综合考虑，本文统一分层取为6。
噪声功率p：
Figure BDA0003124811490000152
噪声功率差Δpi：
Figure BDA0003124811490000153
式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；sh(q)为消噪后的信号；h为小波基函数编号；当h＝0时，s0(q)为原始含噪信号；
表6噪声功率计算值
Figure BDA0003124811490000154
表7噪声功率差计算值
Figure BDA0003124811490000155
Figure BDA0003124811490000161
表8轴承数据的最优小波基个数
Figure BDA0003124811490000162
由表7可知，四类轴承信号对应的最优小波基函数均为db5；根据表8所示，本文小波消噪中所选的最优小波基函数为db5。
采用小波包提取特征能量，对基函数和分解层数进行优选，通过式(4)计算得到分解层数，如表9所示，选取四类轴承数据各10组，对sym8、db3、db4、db5和db10这五类小波基进行小波包3层分解，进行式(5)计算，得到四类轴承数据对应的能量波动参数Eflu，并对各类状态下的参数求其均值，如表10所示；式(6)计算正常和故障轴承间的波动变化率E'，如表11所示。
小波包最佳分解层数：
Figure BDA0003124811490000163
式中：J为最大分解层数；fs为采样频率；fsf为信号频率；Z为整数集；
表9小波包分解层数
Figure BDA0003124811490000164
由表9可知，根据轴承不同故障部位的特征频率，得到小波包分解层数的最佳取值为3～5。由于当分解层数过少时，各频段信息无法完全分解，轴承特征信息未精确提取，影响故障诊断准确度。增加小波包分解层数虽能对故障信号进行更精细分析，但分解后信号数量增加，当分解层数过多时，特征向量维数过大，对故障识别效率等造成影响。因此，经综合考虑，本发明小波包分解层数取为3。
能量波动参数Eflu：
Figure BDA0003124811490000171
波动变化率E'：
Figure BDA0003124811490000172
式中：
Figure BDA0003124811490000173
n＝0,1,L,2j-1为各频带能量占总能量百分比；
Figure BDA0003124811490000174
为最大占比；
Figure BDA0003124811490000175
为最小占比；
Figure BDA0003124811490000176
为平均占比；Enor为正常信号的能量波动参数。
表10四类轴承的能量波动参数
Figure BDA0003124811490000177
表11故障轴承的波动变化率
Figure BDA0003124811490000178
由表11可知，三类故障轴承中波动变化率最大的均是db4，可知故障轴承的特征能量最大，即故障特征明显。因此，经综合考虑，选取db4作为本文四类轴承信号小波包分解的最优小波基函数。
对提取的故障特征数据通过式(7)进行归一化处理。
归一化计算公式：
Figure BDA0003124811490000179
式中：
Figure BDA00031248114900001710
为归一化后特征值，xi为原始特征值，xmin为特征值最小值，xmax为特征值最大值。
1)采用归一化后的故障特征数据集构建BPNN故障诊断模型。
2)BPNN过度依赖样本，引入SOM利用其无需大量样本数据的特点，以此降低BPNN的训练时间，使整个串联网络以更快的速度收敛，构建SOM-BPNN故障诊断模型。
3)针对SOM实现了输入样本的初步分类，依据初步分类结果，为训练样本向量增加一个维度，并将新构成的特征向量作为SOM-BPNN的输入。但SOM-BPNN的初始网络连接权值和节点阈值同BPNN一样，通常是依据经验确定的，且易陷入局部最优解，限制了网络模型的收敛效率。采用自适应方式调节PSO的惯性权重和学习因子并避免粒子初始速度对算法收敛速度和求解精度的影响，将其速度项舍去，即所谓的ANVTPSO新算法，将其用于SOM-BPNN阈值和权值优化，得到基于ANVTPSO-SOM-BPNN机械故障诊断模型，基于ANVTPSO-SOM-BPNN算法的参数优化过程具体为：
4.1)根据小波包提取振动信号的故障特征，设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；将SOM所得分类结果归一化，作为一个维度，同原有故障特征数据集构成新的故障特征数据集；
4.2)根据新的故障特征数据集设置BPNN中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1,1]之间取随机值，明确SOM-BPNN的结构；
4.3)初始化PSO，计算其搜索空间维度a，设置种群数量、最大迭代次数Tmax；
4.4)计算PSO中每个粒子适应度值，适应度函数取训练实际输出与期望输出的均方误差函数MSE；
4.5)计算PSO初始个体最佳位置Pi和全局最佳位置Pg；
4.6)更新PSO位置、惯性权重、学习因子，得到个体、全局最优极值，将PSO位置映射得到最优权值与阈值；
位置的计算公式为：
Xia(t+1)＝w(t)Xia(t)+c1r1(Pia(t)-Xia(t))+c2r2(Pga(t)-Xia(t))
惯性权重的计算公式为：
Figure BDA0003124811490000191
学习因子的计算公式为：
Figure BDA0003124811490000192
其中，w(t)为惯性权重，t为迭代次数，c1和c2为学***均值和最小值；2为学习因子c1、c2的初始值；
4.7)将优化后的阈值与权值带入SOM-BPNN，继续调优，直至满足训练目标。
4)采用ANVTPSO-SOM-BPNN对故障特征进行分类，实现轴承的故障诊断，ANVTPSO-SOM-BPNN参数见表12。
表12 ANVTPSO-SOM-BPNN参数
Figure BDA0003124811490000193
对四类轴承信号设定期望输出如表13所示。
表13故障标记表
Figure BDA0003124811490000201
为证明本发明构建的ANVTPSO-SOM-BPNN算法的优越性，采用六种不同的BPNN与之对比。首先，消噪前、后的信号，通过对小波消噪以及小波包中基函数与分解层数优选后提取能量特征，采用原始信号的BPNN(Raw Signal BPNN,RSBPNN)和标准BPNN对比，验证优选条件下小波消噪对特征提取的准确性；其次，对消噪后信号分别进行标准BPNN和PSO-BPNN，验证标准PSO-BPNN较BPNN的优越性；然后，针对消噪后四类轴承信号采取统一7层分解，将统一分解7层的PSO-BPNN(Unified Layering PSO-BPNN,ULBPNN)与上述三种方案BPNN对比，研究信号消噪中分解层数对诊断结果的影响；将ANVTPSO-BPNN与上述四种方法对比，验证改进PSO后对故障诊断结果的影响；最后，将发明构建的ANVTPSO-SOM-BPNN，与上述五种方法进行对比，验证其优越性，轴承故障诊断结果对比如表14所示。
表14轴承故障诊断结果对比
Figure BDA0003124811490000202
以上结合具体实例对本发明的具体实施方式对本发明作了进一步详细说明，所述内容均为对本发明的解释但这些说明不能被理解为限制了本发明的范围，本发明的保护范围由随附的权利要求书限定，任何在本发明权利要求基础上的改动就是本发明的保护范围。

Claims (7)

1.基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，包括以下步骤；
1)构建旋转机械件故障特征数据集：采集旋转机械故障件的振动信号，利用小波分析对其进行消噪，并通过小波包分解提取能量特征，对小波消噪及小波包分解中的基函数和分解层数进行优选，建立故障特征数据集，并分为训练集和测试集进行归一化；
2)构建故障诊断模型：使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型；
3)构建串联网络故障诊断模型：使用SOM对步骤2)中BPNN故障诊断模型进行串联，构建SOM-BPNN故障诊断模型；
4)SOM-BPNN故障诊断模型的参数优化：对步骤3)中SOM-BPNN的权值和阈值采用PSO进行优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM-BPNN阈值和权值优化得到ANVTPSO-SOM-BPNN的故障诊断模型；
其中，通过PSO算法实现对SOM-BPNN中的权值和阈值优化，并通过自适应方式调节PSO的惯性权重和学习因子，另外，为避免粒子初始速度对算法收敛速度和求解精度的影响，舍去速度项，最终构成ANVTPSO，将其用于SOM-BPNN阈值和权值优化得到最终的故障诊断模型，基于ANVTPSO-SOM-BPNN算法的参数优化过程具体为：
4.1)根据小波包提取振动信号的故障特征，设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；将SOM所得分类结果归一化，作为一个维度，同原有故障特征数据集构成新的故障特征数据集；
4.2)根据新的故障特征数据集设置BPNN中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1，1]之间取随机值，明确SOM-BPNN的结构；
4.3)初始化PSO，计算其搜索空间维度a，设置种群数量、最大迭代次数Tmax；
4.4)计算PSO中每个粒子适应度值，适应度函数取训练实际输出与期望输出的均方误差函数MSE；
4.5)计算PSO初始个体最佳位置Pi和全局最佳位置Pg；
4.6)更新PSO位置、惯性权重、学习因子，得到个体、全局最优极值，将PSO位置映射得到最优权值与阈值；
位置的计算公式为：
Xia(t+1)＝w(t)Xia(t)+c1r1(Pia(t)-Xia(t))+c2r2(Pga(t)-Xia(t))
惯性权重的计算公式为：
Figure FDA0004046257360000021
学习因子的计算公式为：
Figure FDA0004046257360000022
其中，w(t)为惯性权重，t为迭代次数，c1和c2为学***均值和最小值；2为学习因子c1、c2的初始值；
4.7)将优化后的阈值与权值带入SOM-BPNN，继续调优，直至满足训练目标；
5)基于ANVTPSO-SOM-BPNN的机械故障诊断：使用步骤4)优化后的故障诊断模型进行验证，采集不同类型旋转机械故障件的振动信号，先利用小波消噪再使用小波包提取特征，输入到步骤4)中ANVTPSO-SOM-BPNN的故障诊断模型对其进行故障分类，完成基于ANVTPSO-SOM-BPNN的机械故障诊断。
2.根据权利要求1所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，所述步骤1)中采集旋转机械故障件的振动信号，利用小波消噪对振动信号进行处理，确定小波消噪中的最优小波分解层数以及最优小波基函数；
在选取小波基函数时，将信号噪声功率p作为小波基函数选取的第1个指标，将噪声功率差Δph作为第2个衡量信号消噪效果的指标。
3.根据权利要求2所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，最优小波基函数选择的步骤如下：
(a)确定不同小波基函数在所采集旋转机械故障件振动信号中的最优分解层数；
最优分解层数的计算公式为：
Figure FDA0004046257360000031
式中：j为最大分解层数；f0为小波基函数的中心频率；fm为有用信号的最小频率；Δt为采样周期；
对振动信号而言，有用信号的频率分为两种：1)转动频率，2)故障频率；
(b)选取不同的小波基函数对所采集旋转机械故障件振动信号按最优分解层数进行消噪，并计算不同小波基函数下的噪声功率；
噪声功率p的计算公式为：
Figure FDA0004046257360000032
式中：Q为所采集信号的数据长度；S为混有噪声的原始信号，即所采集旋转机械故障件振动信号；S1为消噪后的信号；
(c)对于备选的小波基函数，按照噪声功率从小到大依次排序，从h＝1开始依次增加；
(d)依次计算噪声功率差Δph；
噪声功率差Δph的计算公式为：
Figure FDA0004046257360000041
式中：sh(q)为消噪后的信号；h为小波基函数编号；s0(q)为原始含噪信号；
(e)选择出最小Δph，则编号为h-1的小波基函数就是最优小波基函数。
4.根据权利要求1所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，步骤1)中的小波包故障特征提取具体为：
最大分解层数计算公式为：
Figure FDA0004046257360000042
式中：J为最大分解层数；fs为采样频率；fsf为信号频率；Z为整数集；
将消噪后的旋转机械故障件振动信号，求取各自能量波动参数Eflu，并根据能量波动参数Eflu求出正常和故障轴承间的波动变化率E′，各类旋转机械故障件中波动变化率最大的，可知其特征能量最大，即故障特征明显，其对应小波基函数即为各类旋转机械故障件振动信号小波包分解的最优小波基函数，对各类旋转机械故障件振动信号提取故障特征，建立故障特征数据集；
能量波动参数Eflu计算公式为：
Figure FDA0004046257360000043
波动变化率E′计算公式为：
Figure FDA0004046257360000044
式中：
Figure FDA0004046257360000045
为各频带能量占总能量百分比，其中n＝0，1，…，2j-1；
Figure FDA0004046257360000046
为最大占比；
Figure FDA0004046257360000047
为最小占比；
Figure FDA0004046257360000048
为平均占比；Enor为正常信号的能量波动参数。
5.根据权利要求1所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，步骤1)中将故障特征数据集划分为训练集和测试集，并进行归一化处理，具体步骤如下：
1.1)将故障特征数据集中，以各类故障件所提特征数量按2∶1分为训练集和测试集；
1.2)归一化计算公式为：
Figure FDA0004046257360000051
式中：
Figure FDA0004046257360000052
为归一化后特征值，xi为原始特征值，xmin为特征值最小值，xmax为特征值最大值。
6.根据权利要求1所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，步骤2)中使用BPNN对步骤1)中归一化后的故障特征数据集构建故障诊断模型具体为：
2.1)将归一化后的故障特征训练集和测试集输入BPNN故障诊断模型；
2.2)设置BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1，1]之间取随机值，检验构建BPNN故障诊断模型精度。
7.根据权利要求1所述的基于改进PSO-SOM-BPNN的机械故障诊断方法，其特征在于，步骤3)中的SOM-BPNN故障诊断模型构建具体为：
3.1)由SOM实现对步骤1)中归一化后的故障特征数据集初步分类，在对故障特征数据集完成初步分类的基础上进行次级网络的训练，其本质是为原有故障特征数据集向量增加一个维度，构建新的故障特征数据集并作为次级网络BPNN的输入，新增加的维度用于标记初级网络SOM对原有故障特征数据集的分类结果；
3.2)将新的故障特征数据集以各类故障件所提特征数量，按2：1划分为新的训练集和测试集，并进行归一化，将归一化后的训练集和测试集输入BPNN故障诊断模型；
3.3)设置SOM模型中输入节点，网络竞争层，分类阶段学习步长；BPNN模型中输入节点N、隐层节点L、输出节点M，初始阈值和权值在[-1，1]之间取随机值，检验SOM-BPNN故障诊断模型精度。
CN202110686659.7A 2021-06-21 2021-06-21 基于改进pso-som-bpnn的机械故障诊断方法 Active CN113434973B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110686659.7A CN113434973B (zh) 2021-06-21 2021-06-21 基于改进pso-som-bpnn的机械故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110686659.7A CN113434973B (zh) 2021-06-21 2021-06-21 基于改进pso-som-bpnn的机械故障诊断方法

Publications (2)

Publication Number Publication Date
CN113434973A CN113434973A (zh) 2021-09-24
CN113434973B true CN113434973B (zh) 2023-04-07

Family

ID=77756694

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110686659.7A Active CN113434973B (zh) 2021-06-21 2021-06-21 基于改进pso-som-bpnn的机械故障诊断方法

Country Status (1)

Country Link
CN (1) CN113434973B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114492196B (zh) * 2022-02-14 2024-05-28 瑶声科技(苏州)有限责任公司 基于简正波能量比理论的故障快速检测方法及***

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347588A (zh) * 2020-11-26 2021-02-09 中国舰船研究设计中心 基于小波包分解的旋转机械故障诊断方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106548230B (zh) * 2016-10-14 2019-08-06 云南电网有限责任公司昆明供电局 基于改进粒子群优化神经网络的变压器故障诊断方法
CN107894564B (zh) * 2017-11-09 2020-02-18 合肥工业大学 一种基于交叉小波特征的模拟电路故障诊断方法
CN108414923A (zh) * 2018-02-05 2018-08-17 武汉大学 一种基于深度置信网络特征提取的模拟电路故障诊断方法
CN108388860B (zh) * 2018-02-12 2020-04-28 大连理工大学 一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法
WO2020000248A1 (zh) * 2018-06-27 2020-01-02 大连理工大学 一种基于空间重构的航空发动机过渡态加速过程关键性能参数预测方法
CN109470477B (zh) * 2018-09-27 2020-08-25 昆明理工大学 一种基于改进的pso算法优化fsvm的滚动轴承故障诊断方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112347588A (zh) * 2020-11-26 2021-02-09 中国舰船研究设计中心 基于小波包分解的旋转机械故障诊断方法

Also Published As

Publication number Publication date
CN113434973A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN107784325B (zh) 基于数据驱动增量融合的螺旋式故障诊断方法
CN107316046B (zh) 一种基于增量补偿动态自适应增强的故障诊断方法
CN111037365B (zh) 基于生成式对抗网络的刀具状态监测数据集增强方法
CN110849626B (zh) 一种自适应稀疏压缩自编码的滚动轴承故障诊断***
CN110647923B (zh) 小样本下基于自我学习的变工况机械故障智能诊断方法
CN110070060B (zh) 一种轴承设备的故障诊断方法
CN111539152B (zh) 一种基于两级孪生卷积神经网络的滚动轴承故障自学习方法
CN102243133B (zh) 基于运动形态和冲击信号分析的高速自动机故障诊断方法
CN113927371A (zh) 一种基于多传感器特征融合的刀具磨损预测方法
CN113505655B (zh) 面向数字孪生***的轴承故障智能诊断方法
CN111562108A (zh) 一种基于cnn和fcmc的滚动轴承智能故障诊断方法
CN110969096A (zh) 基于粒子群优化支持向量机的电机故障模式诊断方法
CN113188794B (zh) 一种基于改进pso-bp神经网络齿轮箱故障诊断方法及装置
CN113434973B (zh) 基于改进pso-som-bpnn的机械故障诊断方法
CN115146687B (zh) 基于二阶变尺度参数自匹配随机共振的故障特征提取方法
CN115545070A (zh) 基于综合平衡网络的类不平衡轴承智能诊断方法
CN115587290A (zh) 基于变分自编码生成对抗网络的航空发动机故障诊断方法
CN114169377A (zh) 基于g-mscnn的有噪环境中滚动轴承故障诊断方法
CN113569990A (zh) 面向强噪声干扰环境的演艺装备故障诊断模型构建方法
CN114417924B (zh) 基于混合特征的无向图邻接矩阵的滚动轴承故障诊断方法
CN115683604A (zh) 一种基于不平衡数据的工程机械故障诊断方法
CN116625686A (zh) 一种航空发动机轴承故障在线诊断方法
CN114154254A (zh) 一种燃气轮机电动执行器故障诊断方法
CN114964783B (zh) 基于vmd-ssa-lssvm的齿轮箱故障检测模型
CN114897016A (zh) 一种基于多源频谱特征的风机轴承故障智能诊断方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant