摘要：滚动轴承作为一种精密的机械元件,已广泛运用于现代工业机械设备中。在轴承运行时,采用合理的方法诊断轴承的故障具有重大的意义。但在实际复杂多变环境下,采集振动信号不仅面临样本量少的问题,还受到噪声干扰、工况变换等因素的影响,导致故障诊断的准确率低。因此,针对噪声干扰和变工况下的小样本滚动轴承故障诊断问题,该文提出了一种基于原型域增强的元学习去噪模型(Meta-DAE)。首先,构造基于时频图的小样本故障样本集,引入深度卷积生成对抗网络并对数据进行预处理,生成相似分布的伪样本集;然后,将故障样本集输入Meta-DAE模型进行自适应特征提取,Meta-DAE模型采用原型域增强策略,使同类别原型点在嵌入空间中凝聚更紧密;同时,构建了具有降噪性能的编码器,设计了基于原型域增强和去噪的目标函数,通过在小样本下进行模型微调,以提高小样本下模型的噪声鲁棒性和分类准确率。噪声及变工况下小样本故障诊断实验结果表明,相比于其他模型,所提模型在-8dB强噪声干扰下,仅用10个样本微调模型,分类准确率提高了35.78~57.25个百分点,具有较强的噪声鲁棒性。

摘要：针对舰船中压直流全电推进系统结构复杂度高、单元耦合性强、运行环境多变等特点造成的故障诊断准确性低和实时性差等问题,开展了基于CNN-BiLSTM-Transformer的故障诊断设计。首先,基于卷积神经网络CNN构建单点特征级联网络,开展单一时刻下故障信号空间特征的深入提取,以提升故障特征提取的有效性;其次,以双向长短期记忆网络BiLSTM为核心设计多点特征依赖网络,利用门控机制和双向时序学习机制,实现故障信号在多个时刻之间特征依赖关系的有效学习,以提升故障诊断的准确性;然后,以Transformer为核心建立序列特征并行处理网络,通过自注意力机制实现对故障特征上下文关系的精确刻画,进而利用多头注意力机制实现特征序列的并行处理,以提升故障诊断的实时性;最后,设计舰船中压直流全电推进系统故障诊断实验方案,并开展不同故障模式下的诊断性能评估。该文方法在多种故障模式下诊断准确率和实时性均优于现有的主流故障诊断方法,有助于为舰船中压直流全电推进系统的安全运行提供更有力的技术保障。

摘要：针对工业过程中故障发生源与故障信息在传播过程中的差异性问题,提出了一种基于不同故障传播路径差异化(Fault propagation path-aware network,FPPAN)的故障诊断方法.该方法分别从故障源邻域信息关系和故障信息传播两个角度出发,设计了基于k近邻筛选(k-nearest-neighbor,k-NN)和基于剪枝的k跳可达路径选择(Pruning-based k-hop reachable path selection,k-PHop)的两种故障源图的构建方式,构建“故障源图”.从故障在变量间的差异化表现着手,将基于特征的分类问题转换为基于结构关系的图匹配问题,利用该结构化信息优化过程特征,提升模型故障诊断性能.最后,通过田纳西−伊斯曼(Tennessee-Eastman,TE)过程和某海底盾构掘进施工过程进行仿真验证,实验结果证明了所提方法的有效性.

摘要：针对现有城轨接触网故障诊断方法分类诊断精度较低的问题,提出了以隐半马尔科夫模型(hidden semiMarkov model,HSMM)为基础叠加支持向量机(support vector machine,SVM)模型的新方法,并在某地铁刚性接触网系统中进行了应用研究。首先,通过故障树对接触网检测参数进行收集分类,提取可以表征接触网故障状态的特征信息,并进行状态划分;建立基于HSMM的故障诊断系统,该系统的故障诊断准确率为88.3%,而后将HSMM和SVM模型进行串联,建立了基于HSMM-SVM的故障诊断模型,故障诊断的准确率提升至98.7%。研究结果显示:所提出的基于HSMM-SVM模型的故障诊断方法,利用SVM模型的强分类性能有效弥补了HSMM对复杂问题分类能力不足的缺陷,该方法对城轨接触网的故障诊断具有较高准确率。

摘要：针对单传感器和单模态信号特征信息不足的问题,该文提出一种基于多模态融合的端到端深度聚类旋转机械多传感器故障诊断方法(EDCM-MFF)。首先,利用门控递归单元自编码模块提取多传感器故障信号的深度时序特征。然后,应用短时傅里叶变换(STFT)将故障信号转换为时频图像,并通过卷积自编码器提取这些图像的深度空间特征。接着,设计了一种模态融合注意力机制,通过计算不同模态深度特征之间的亲和矩阵,实现模态特征的融合。最后,采用Kullback-Leibler(KL)散度聚类,以端到端方式实现故障类型的识别。实验结果显示,该方法在东南大学齿轮箱和轴承数据集上的识别准确率分别为99.16%和98.63%。与现有的无监督学习方法相比,所提方法能够更有效地实现多传感器和多模态的旋转机械故障诊断。

摘要：为了实现变工况数据丢失条件下的轴承故障诊断,提出了一种基于自回归移动平均图卷积的半监督方法。首先将自回归移动平均滤波器引入图卷积网络,通过卷积神经网络提取第一层的空间特征,然后对通过图加权的结构信息进行建模,从而提取数据结构信息,并有助于减少不同数据映射之间的分布差异。然后引入对抗性自适应多层多核局部最大均方差模块用于测量类排列域之间的结构差异,并引入对抗域鉴别器模块进行域对齐,从而减少数据偏移,提高特征提取的效率。最后通过实验证明了提出方法的有效性。

摘要：轴承是机械传动装置中不可或缺的零件之一,其信号存在干扰和冗余成分的问题。为了进一步提高振动阶段的故障诊断效果,设计了一种基于广义Dice系数改进自适应匹配追踪(SAMP)算法的轴承故障诊断方法。SAMP算法采用分段迭代方式实现支撑集的自主调整,广义Dice系数可以显著增强信号重建品质。通过实验进行了验证,研究结果表明:原始信号中混杂多种干扰元素,导致啮合频率和边频带被掩盖,无法准确识别故障特征。经过SAMP重构形成的故障频谱清晰显示了啮合频率和频,边频带被有效覆盖,可以有效反映故障信号。外圈和内圈故障信号呈现出规律性周期波动特点,以SAMP算法处理后的故障信号依然保持周期性特点,频率附近产生了相应的边频带,由此实现对故障信号特征的准确识别。

摘要：尺度空间方法的经验小波变换(EWT)在滚动轴承故障诊断中容易出现共振频带过度分割、频带破裂,导致故障诊断失败。为此,提出频谱增强的改进经验小波滚动轴承故障诊断方法。首先,将Teager能量算子引入信号频谱,利用能量算子能够追踪并增强信号瞬时成分能量的特点,对信号频谱瞬时冲击进行能量增强,减小噪声对信号频谱的影响;其次,对能量增强后频谱进行频带极大值包络的改进经验小波变换(IEWT)分解,得到一系列固有模态;最后,对裕度因子最大的固有模态进行包络解调分析,提取轴承故障特征。分析结果表明,所提方法能够增强故障引起的瞬态冲击成分,减少噪声对频谱分割的影响,有效地避免共振频带的过度分割导致的频带破裂。

摘要：主成分分析网络(principal component analysis network,PCANet)作为一种基于深度子空间学习框架的网络模型,在多个应用领域展现出卓越的性能。然而,在滚动轴承故障诊断方面,PCANet算法存在无法准确反映数据完整结构信息、鲁棒性差以及泛化能力较弱等问题。本文针对这些问题,提出了一种基于PCANet算法和数据增强的滚动轴承故障诊断方法。该方法利用L_(2,1)范数学习滚动轴承振动信号的频域稀疏结构,从而抑制噪声数据,提高模型鲁棒性。此外,通过数据增强处理,不同类别的训练样本之间的差异性也得到显著增加,从而提高了模型的泛化能力。最后,实验结果表明,该方法明显提高了PCANet模型的鲁棒性和泛化能力,能够准确识别不同类型的滚动轴承故障。

摘要：为进一步挖掘动态检测数据中蕴含的补偿电容状态特征,针对ZPW-2000A型轨道电路,结合小波包分解与卷积神经网络,提出一种基于WPD-CNN的补偿电容故障诊断方法。采用功率谱分析的方法,找出检测曲线中趋势项特征与补偿电容特征所在频带范围,然后利用小波包分解方法对原始信号进行分解,提取其中特征频带内的小波包系数构造补偿电容特征矩阵。使用动态检测数据构造训练集与测试集,将不同故障类型的特征矩阵输入卷积神经网络进行训练学习,并在测试集上进行验证。实验结果表明,WPD-CNN方法对单个信号的特征提取用时5.9 ms,总体故障识别准确率为98.4%,可有效识别不同位置的补偿电容故障问题,为补偿电容故障诊断提供依据。