故障诊断有哪几种方法(机械故障诊断及工业工程故障诊断若干例子（第3篇）)

Posted 2023-05-27

篇首语：鞭打的快马，事找的忙人。本文由小常识网(cha138.com)小编为大家整理，主要介绍了故障诊断有哪几种方法(机械故障诊断及工业工程故障诊断若干例子（第3篇）)相关的知识，希望对你有一定的参考价值。

故障诊断有哪几种方法(机械故障诊断及工业工程故障诊断若干例子（第3篇）)

Pytorch环境下基于WDCNN的滚动轴承故障诊断

算法程序运行环境为Python，采用Pytorch深度学习模块，也可用于地震信号，机械振动信号，语音信号，声信号等一维时间序列信号。

算法程序对WDCNN进行了改进，搭建了卷积核大小逐层递减的一维卷积神经网络，并减少了卷积层数量，达到了98%以上的诊断准确率，同时有着较快的收敛速度。另外，针对时序信号的特点，将长短时记忆网络(LSTM)与搭建的一维卷积神经网络结合，提高分类准确率至99%以上，但收敛速度较单一的卷积神经网络较慢。

算法程序采用了重叠采样方法以增加训练数据数量，从原始信号进行采集训练样本时，每一段信号与其后一段信号之间存在一部分重叠，有效增加了数据数量，避免模型过拟合。

参考文献

张伟. 基于卷积神经网络的轴承故障诊断算法研究[D].哈尔滨工业大学,2017.

模块

import os

import numpy as np

import pandas as pd

import torch

from torch import nn, optim

from torch.utils.data import DataLoader, dataset, random_split

from matplotlib import pyplot as plt

import seaborn as sns

from fault_diag_utils import *

# from cnn_model import CNN as modle

from cnn_model import LSTM_CNN as modle

sns.set()

MATLAB环境下基于包络谱和谱峭度的滚动轴承故障诊断

算法程序主要讲解如何应用包络谱分析和谱峭度来诊断轴承故障，也可用于金融时间序列，地震信号，机械振动信号，语音信号，声信号等一维时间序列信号。

滚动轴承的局部故障可能发生在外圈、内圈、保持架或滚动体中。当滚动体撞击外圈或内圈上的局部故障，或者滚动体上的故障撞击外圈或内圈时，轴承和传感器之间的高频共振会被激发。在时域中可视化原始内圈故障数据

在频域中可视化原始数据

放大低频范围内原始信号的功率谱，仔细观察 BPFI 的频率响应及其前几个谐波

计算原始信号的包络，并可视化。

计算包络信号的功率谱，并查看 BPFI 的频率响应及其谐波

MATLAB环境下基于振动信号的轴承状态监测和故障诊断

数据包含轴承不同运行工况的轴承多段振动信号（缺陷深度从 3um 逐渐增加到 3mm 以上），算法程序主要讲解如何从滚动轴承的振动信号中提取特征、进行状态监测和故障诊断，使用 Signal Processing Toolbox 和 System Identification Toolbox工具箱。

数据描述

加载振动信号，该振动信号是由滚动轴承外圈单点缺陷生成的，包含轴承不同运行工况的轴承多段振动信号（缺陷深度从 3um 逐渐增加到 3mm 以上），采样频率为 20 kHz。轴承振动信号存储在.mat 中，defectDepthVec 存储缺陷深度随时间变化的信号，expTime 以分钟为单位存储相应的时间

Python环境下基于机器学习（决策树，随机森林，KNN和SVM）的轴承故障诊断

算法程序利用机器学习（决策树，随机森林，KNN和SVM）对轴承进行故障诊断，并利用网格搜索算法对机器学习进行调优，所用模块如下。

import numpy as np import pandas as pd import seaborn as snsfrom pylab import rcParamsimport matplotlib.pyplot as pltimport matplotlib as mplfrom sklearn.preprocessing import OrdinalEncoderfrom sklearn.preprocessing import StandardScaler

代码所使用的数据非原始数据，是经过特征提取的，如下