针对滚动轴承保持架由于故障频率太小容易被噪声干扰,振动分析等传统故障检测方法检测困难,特征较难提取的问题,提出一种基于迁移学习的轴承保持架的故障诊断算法。利用数据量较多但缺少保持架故障相关数据的凯斯西储大学的轴承振动加速度数据集进行模型训练,提取出重要的模型参数信息,然后在此基础上,利用此模型参数在少量的齿轮箱轴承保持架振动加速度数据上进行迁移学习,实现对齿轮箱轴承保持架的故障识别,实验表明该迁移学习方法在识别滚动轴承保持架上是有效的。

针对轴承到达服役时间而依然满足使用条件造成的资源浪费问题,提出了一种基于CNN-LSTM的轴承剩余使用寿命预测方法。选取已完成服役工作仍健康的高铁牵引电机轴承为研究对象,搭建高铁牵引电机轴承试验平台并采集其振动信号;建立CNN-LSTM的网络模型,将采集到的振动信号经过傅里叶变换后输入到网络模型中,对其深层特征进行挖掘;最后,通过预测模块实现了对剩余使用寿命的预测。结果显示,所提方法得到的预测值较接近真实值,能够很好地反映出轴承运行中的性能退化趋势。

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。

针对复杂液压系统中主要元件故障诊断问题,提出一种基于一维卷积神经网络(1D-CNN)和双向长短时记忆网络(BiLSTM)实现多传感器信息融合的故障诊断模型,对柱塞泵和节流阀进行故障诊断。在模型中,首先对多种传感器采集到的信号进行数据级融合,然后利用CNN提取融合信号的故障特征并进行降维,之后利用BiLSTM学习信号中正反向数据特征,最后使用Softmax进行分类,实现对柱塞泵和节流阀故障的诊断。实验结果表明,提出的方法能够自动提取信号中的故障特征并考虑信号中所包含的正反向数据特征,柱塞泵诊断精度可达96.3%,节流阀诊断精度可达94.28%,实现了对柱塞泵和节流阀故障状态的准确可靠诊断。

为准确模拟桥梁断面气动力的非线性特性和流体记忆效应,构建了基于深度学习的非线性气动力降阶模型。引入前馈神经网络(FNN)和长短时记忆(LSTM)网络2种深度学习框架,利用CFD强迫振动数值模拟获取非线性气动力数据,采用谐波叠加法合成强迫振动位移信号;结合2种框架的结构特征,以断面位移为输入、气动力为输出,针对性构建了用于网络训练、验证和测试的数据集。以某三塔悬索桥钢箱梁断面为例,分别建立基于FNN和基于LSTM网络的气动力降阶模型,并针对不同频率、自由度的强迫振动和自由振动等工况,评估对比了模型的性能。结果表明2种降阶模型均可较好地模拟任意合理振动工况下断面非线性气动力,计算效率较数值模拟有极大提升,其中,基于LSTM网络的降阶模型具备更优的非线性气动力模拟性能。

顶板压力一般通过液压支架工作阻力进行度量,基于深度学习的顶板压力预测方法效果受训练样本集影响极大,而训练样本集的构建依赖于时间窗口的选择和紧密关联液压支架群的识别,但现有方法依靠人工经验来确定时间窗口,且忽略了不同液压支架之间的关联性,严重阻碍了顶板压力预测精度的提高。针对上述问题,提出了一种基于时空关联分析的采煤工作面顶板压力预测方法。首先,通过计算同一液压支架工作阻力序列在时间维度上的灰色关联度,选择最优时间窗口。然后,通过计算不同液压支架工作阻力序列在空间维度上的灰色关联度,获得最优辅助矩阵,识别出紧密关联液压支架群。最后,基于最优时间窗口和最优辅助矩阵,确定每个训练样本的标签和对应特征,完成训练样本集构建,以对长短时记忆(LSTM)模型进行训练来预测顶板压力。实验结果表明,与依赖...

作为电梯安全最后保护装置的电梯液压缓冲器,其质量检测非常重要,目前在位现场检测采用人工检测方法,准确度低,存在人身危险。该文提出一种电梯液压缓冲器隐患识别方法总体框架,重点研究基于长短时记忆(long short term memory,LSTM)网络的关键点识别、缓冲器压缩复位特征提取与模式识别技术,以及训练LSTM运动状态识别网络方法。最后,在昱奥GeN2乘客电梯及底坑安装的液压式缓冲器上搭建检测系统进行测试。结果表明:该方法对电梯液压缓冲器常见隐患识别率可达100%,有助于提高检测效率、准确度。

针对长短时记忆网络(Long Short Term Memory,LSTM)处理大数据集时运行时间长、存在维数灾难的问题,提出基于能量熵和CL-LSTM(Long Short Term Memory Network with Center Loss)的智能故障诊断模型。利用自适应白噪声的完整集合经验模态分解对原始信号进行分解;结合相关系数筛选IMF分量并计算其能量熵作为新样本输入到LSTM中,增强了样本间的差异性,减小了数据维度。将中心损失引入Softmax损失中,使类内距离更小,进一步提高分类精度。利用西储大学轴承数据集进行实验,验证了所提方法在识别滚动轴承故障状态时准确率高、稳定性好。