针对旋转机械监测中无法随时随地查看其运行状态,监测产生的数据量逐渐加大,以及故障特征提取困难的问题,以轴承作为关键部件,提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据;然后利用窄带物联网完成数据远程传输,并将其存储到云端数据库中;在云平台利用相关时域频域分析对轴承状态进行监测,并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断;然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好,系统能够良好地运行。

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明:FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。

针对无序、采样不均匀以及存在相互遮挡的工件点云分割效果不佳的问题,提出一种多尺度自适应通道维度注意力点云分割网络(PointECA)。该算法中的多尺度特征提取模块能够较好地融合不同尺度的局部邻域特征,得到较为丰富的全局特征信息;自适应性通道注意力模块能够对不同尺度局部特征的通道维度交互学习,实现较好的语义分割效果。此外,制作了用于语义分割实验的Workpieces数据集。大量实验数据表明:PointECA在无序且有相互遮挡场景下,对工件部件分割的平均交并比达到了95.42%,能够为无序工件的快速分拣提供较好的条件。

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的

针对非线性、非平稳的行星齿轮箱振动信号故障特征"难提取"和基于核参数随机生成的高斯核极限学习机状态辨识模型分类精度低的问题,提出一种改进多尺度排列熵(Enhence Multi-scale Permutation Entropy,EMPE)与核极化高斯核极限学习机(Kernel Extreme Learning Machine,KELM)结合的行星齿轮箱状态辨识方法。首先,将经由形态平均滤波的行星齿轮箱行星齿轮的振动信号,借助于EMPE来获取多尺度下的排列熵值(Permutation Entropy,PE)构建高维特征向量集;其次,利用核极化(Kernel Polarization,KP)优化高斯核极限学习机的核参数σ;最后,将EMPE特征向量集作为输入,通过KP优化KELM算法的训练建立行星齿轮状态辨识模型。实验结果表明,与基于SVM和KELM的状态辨识模型相比,基于EMPE和KP-KELM的行星齿轮故障诊断方法具有更高的分类精度。