滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-F...滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-Frequency domain signal Ratio Optimizer,TFRO)的多重膨胀多核时间卷积网络(Multi inflated Multi kernel Time Convolutional Network,Mi-MkTCN)模型。TFRO优化器为了精准记忆重要信息,在每一个时间节点上,将过去信息和当前信息重组,其中过去信息中的重要的时频域特征经过了有比例的分配。Mi-MkTCN利用多重膨胀确保重要特征不丢失,再利用多核时间卷积网络实现对不同尺度特征的提取。最终的消融对比实验验证了改进方法的有效性,模型的平均绝对误差、均方误差及均方根误差指标分别为0.00145、0.05069和0.12045。实验结果表明,所提方法显著提升了轴承剩余使用寿命的预测精度,为轴承剩余使用寿命预测提供了高精度、高鲁棒性的解决方案。展开更多
针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问...针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。展开更多
为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Tran...为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Transformer网络,提出了一种DDPM-Transformer风电机组故障样本生成方法。首先,将用于计算机视觉图像生成领域的DDPM模型应用于风电机组故障诊断领域中,通过前向加噪过程将数据逐渐转化为噪声,再通过逆向去噪过程将噪声逐步恢复为原始数据,实现从噪声中生成故障数据,解决数据不平衡问题;其次,通过对原始DDPM中使用的U-net模块进行改进,使用Transformer模型替换U-net网络,利用扩散后的数据和添加的噪声训练Transformer模型,实现噪声预测,以提高故障数据的生成质量;最后,使用多种生成模型评价指标对生成的故障数据进行评价,在监督控制和数据采集系统(supervisory control and data acquisition,SCADA)故障数据生成中论证改进DDPM-Transformer模型的性能。通过试验证明,所提DDPM-Transformer模型与现有的生成模型相比,最大均值异(maximum mean discrepancy,MMD)最大提升0.13,峰值信噪比(peak signal to noise ratio,PSNR)最大提升7.8。所提模型可以有效地生成质量更高的风电机组故障样本,从而基于该样本集辅助训练基于深度学习的故障诊断模型,可以使诊断模型具有更高精度和良好的稳定性。展开更多
文摘滚动轴承是机械设备中的常见关键部件,准确预测其剩余使用寿命对机械设备的安全稳定运行至关重要。针对目前轴承寿命预测存在的轴承退化特征不明显、模型泛化能力差以及数据长期依赖关系难以捕捉的问题,提出基于时频域信号优化器(Time-Frequency domain signal Ratio Optimizer,TFRO)的多重膨胀多核时间卷积网络(Multi inflated Multi kernel Time Convolutional Network,Mi-MkTCN)模型。TFRO优化器为了精准记忆重要信息,在每一个时间节点上,将过去信息和当前信息重组,其中过去信息中的重要的时频域特征经过了有比例的分配。Mi-MkTCN利用多重膨胀确保重要特征不丢失,再利用多核时间卷积网络实现对不同尺度特征的提取。最终的消融对比实验验证了改进方法的有效性,模型的平均绝对误差、均方误差及均方根误差指标分别为0.00145、0.05069和0.12045。实验结果表明,所提方法显著提升了轴承剩余使用寿命的预测精度,为轴承剩余使用寿命预测提供了高精度、高鲁棒性的解决方案。
文摘针对长定子直线同步电机(long-stator linear synchronous motor,简称LSLSM)定子绕组匝间短路(stator winding inter-turn short circuit,简称ITSC)故障在强噪声与复杂工况下特征微弱,传统电机电流特性分析方法难以实现早期精准检测的问题,提出了一种基于迭代自适应多重同步压缩变换(iterative adaptive multiple synchronous compression of transform,简称IAMST)的时频分析方法,通过最优路径搜索与时频脊线压缩提升故障特征能量聚集性,实现LSLSM定子绕组故障的可靠识别。首先,建立常导高速磁浮机-电-磁耦合模型,揭示ITSC故障下d轴电流残差信号以二次谐波为主导的故障特征机理,并分析其对车辆牵引性能的影响;其次,提出IAMST算法,采用改进型Viterbi算法结合动态指数平滑预测,实现强噪声环境下瞬时频率(instantaneous frequency,简称IF)的精准初始化;然后,通过迭代压缩细化机制,将时频能量聚焦于真实IF脊线,克服传统方法的交叉干扰与噪声敏感性问题;最后,基于硬件在环(hardware-in-the-loop,简称HIL)平台开展故障注入实验。结果表明,IAMST方法为非平稳信号时频分析提供了一种抗噪性强、特征分辨率高的解决方案,为磁浮列车LSLSM定子绕组早期故障检测提供了可靠的技术支撑。
文摘为解决风电机组故障诊断中故障样本不足而导致模型准确率不高的问题,将当下备受关注的数据增强方法-去噪扩散概率模型(denoising diffusion probability model,DDPM)引入到故障诊断领域以生成大量高质量的故障样本数据集。因此,结合Transformer网络,提出了一种DDPM-Transformer风电机组故障样本生成方法。首先,将用于计算机视觉图像生成领域的DDPM模型应用于风电机组故障诊断领域中,通过前向加噪过程将数据逐渐转化为噪声,再通过逆向去噪过程将噪声逐步恢复为原始数据,实现从噪声中生成故障数据,解决数据不平衡问题;其次,通过对原始DDPM中使用的U-net模块进行改进,使用Transformer模型替换U-net网络,利用扩散后的数据和添加的噪声训练Transformer模型,实现噪声预测,以提高故障数据的生成质量;最后,使用多种生成模型评价指标对生成的故障数据进行评价,在监督控制和数据采集系统(supervisory control and data acquisition,SCADA)故障数据生成中论证改进DDPM-Transformer模型的性能。通过试验证明,所提DDPM-Transformer模型与现有的生成模型相比,最大均值异(maximum mean discrepancy,MMD)最大提升0.13,峰值信噪比(peak signal to noise ratio,PSNR)最大提升7.8。所提模型可以有效地生成质量更高的风电机组故障样本,从而基于该样本集辅助训练基于深度学习的故障诊断模型,可以使诊断模型具有更高精度和良好的稳定性。
