为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。

由于旋转机械工矿复杂,传统的诊断预测方法往往用单通道信息采集,不仅包含大量噪声而且易造成有效信息的缺失,而且例如神经网络等预测方法需要大量的训练样本,不能对故障进行及时有效的诊断和预测。结合隐马尔科夫链(HMM)训练样本少,识别精度高以及全矢信息融合技术克服单通道信息采集不全的优点。提出基于Hilbert-全矢HMM预测方法,首先对双通道信号、分别进行Hilbert包络解调去除噪声,对处理后的、信号进行全矢融合提取主振矢,采用趋势向聚类方法对主振矢信号进行聚类分析,利用GHMM模型与每一类的匹配度作为识别预测结果。并通过对轴承内圈剩余寿命的预测进行验证,其预测精度达到90.64%,表明该方法的有效性。

本文提出了一种基于全矢谱的RNN故障诊断方法。RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类。全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征。经过试验结果验证了全矢循环神经网络(FV-RNN)方法提取得特征更加全面和准确,且该方法优于手工选择特征CEEMD以及单通道RNN网络模型。

齿轮是重要的机械传动部件,齿轮的故障预测是设备故障诊断的重要研究内容之一。从故障诊断的角度可以将齿轮故障分为分布式故障和局部故障,分布式故障能量分布与啮合频率及其倍频有关,局部故障能量分布与齿轮轴旋转频率及其倍频有关。针对二者特征频率的差别,可以通过构建时序分析中的ARMA预测模型对定轴齿轮振动信号的频谱进行预测,然后结合预测值和当前值对齿轮故障进行预测。构建的预测模型具有较好的预测精度,预测结果可用于齿轮运行状态分析和故障预测分析,具有重要的应用价值。

齿轮传动作为机械传动主要形式之一,应用极为广泛,设备在高速运转下,一旦发生齿轮断齿故障将会带来巨大的经济损失以及人员伤害,为让损失降到最低,需要做到故障强度早知道,因此设备故障强度预测显得尤为重要。单通道预测方法由于获取振动信息不完善,导致预测结果一致性差,从而不能很好地实现故障强度的预测。通过全矢谱获得的频谱结构具有唯一性的特点,能够很好地弥补单通道的不足,在此基础上,将时序预测方法 ARMA模型与全矢谱技术相结合,提出了全矢-ARMA模型预测方法,并把该方法应用到齿轮断齿故障强度预测研究中。实验表明,该方法预测齿轮断齿故障强度结果与实际较吻合。

支持向量机（SVM）在解决小样本、非线性及高维问题方面表现突出,支持向量回归（SVR）目前被广泛应用于设备状态趋势预测中用于故障定量分析。故障预测用于定性分析的相对较少,为进一步提高其预测精度,结合基于同源信息融合的全矢谱技术进行倍频成分预测。该方法采用全矢谱技术融合双通道信息,相比传统单通道信号提取方法,保障了SVR预测数据特征提取的完整性,提高预测精度。对特征频率进行分别预测,然后重新生成预测的频谱图。该方法应用于某电厂1号汽轮机振动数据的预测,实验结果表明,全矢支持向量回归（FVSVR）频谱成分预测方法具有较高的预测精度,可以对一些故障定性分析。

针对滚动轴承故障信号的非平稳性特征以及其退化状态难以识别的问题,提出了基于多维经验模态分解（MEMD）与多元多尺度熵（MMSE）的退化特征提取方法.该方法利用多维经验模态算法在多尺度化过程中能够有效地捕获信号不同尺度的成分的特性,更好地区分了不同退化状态的复杂度.首先,利用MEMD算法对滚动轴承不同退化状态对应的多通道信号进行同步自适应分解;然后,对多尺度IMF分量重构的信号进行多元多尺度熵分析.对试验信号进行处理,结果表明,该方法能有效反映滚动轴承退化趋势.

针对滚动轴承退化过程指标选取问题,提出了一种基于噪声辅助的多维EMD（Noise-Assisted Multivariate EMD）和主成分分析（PCA）相结合来提取退化指标的方法。该方法首先利用NA-MEMD对同源双通道信号和噪声辅助通道信号进行分解得到一系列多元IMF分量,然后采用相关系数准则选取敏感分量重构信号,其次计算出轴承退化过程中重构信号的退化指标序列,再根据序列的单调性和鲁棒性,选择优良指标进行PCA融合,最后把第一主成分作为反映滚动轴承退化过程的最终指标。对PRONOSITS平台提供的全寿命周期的数据进行分析,结果表明,在滚动轴承的退化过程中,较单一指标,基于NA-MEMD和PCA融合的指标能够比较完整的表征滚动轴承的退化过程。

为了应对日趋庞杂的故障监测系统数据,针对单通道信号存在的信息遗漏以及传统智能诊断手工提取特征的复杂性和不通用性,提出了全矢深度学习滚动轴承智能诊断方法。首先,用全矢谱融合双通道的振动信号,得到全矢融合后的主振矢数据,克服了单通道振动信号信息不完整的缺点;然后,在此基础上构建全矢深度神经网络,结合稀疏编码和去噪编码算法,自适应地提取故障特征。最后,使用反向传播算法进行网络参数整体微调。试验结果表明,该方法能够自适应地提取更为有效的故障特征,提高了故障诊断准确率和稳定性,改善了传统方法的复杂流程。

蒸汽发生器传热管是反应堆一回路屏障最薄弱的部分,其完整性是核安全的重要保障。从国内部分蒸汽发生器运行的实际情况来看,胀管过渡段可能存在点蚀及应力腐蚀裂纹等缺陷,并且已经发现传热管胀管区存在泄漏的情况。为了更有效和可靠地检测出胀管过渡区出现的缺陷,我们开展了旋转涡流探头检验技术研究,制作相应的MRPC探头,进行涡流方法试验,改进和完善MRPC探头并形成传热管胀管区旋转涡流探头检查技术,并成功应用于各蒸汽发生器的役前和在役检测。