融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。     

基于SANC和一维卷积神经网络的齿轮箱轴承故障诊断

近来以深度学习算法为代表的滚动轴承特征智能提取和故障辨识技术被广泛研究,但目前研究大多局限于无强干扰的轴承故障。在齿轮箱存在较强齿轮振动干扰条件下,基于此类算法的轴承故障辨识率将显著降低。为提高在较强齿轮振动信号干扰下齿轮箱轴承故障智能辨识的准确率,提出了一种基于自参考自适应噪声消除技术(SANC)和一维卷积神经网络(1D-CNN)的齿轮箱轴承故障诊断方法。首先利用SANC将齿轮箱振动信号分离为周期性信号分量成分和随机信号分量,抑制齿轮等周期强干扰成分,再通过1D-CNN对包含轴承故障特征的随机信号成分进行智能特征提取和识别,实现在齿轮振动干扰下齿轮箱轴承故障辨识率的提高。通过与不同方法的对比验证了本文所提方法的优势和有效性。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型。将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别。该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断。滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8%以上,该方法具有一定的应用价值。     

旋转机械一维深度卷积神经网络故障诊断研究

针对旋转机械故障特征需要人工提取、复杂故障识别困难和诊断模型鲁棒性差的问题,在经典卷积神经网络Alex Net基础上,提出基于一维深度卷积神经网络的故障诊断模型,模型采用改进的一维卷积核和池化层以适应一维时域信号。相比传统智能诊断模型的人工特征提取和故障分类两阶段模式,该模型将两者合二为一:首先利用多个交替的卷积层和池化层完成原始信号自适应特征学习,然后结合全连接层实现故障诊断。通过轴承和齿轮箱健康状态监测实验表明,提出了模型可以实现高精度、稳定和快速的故障诊断,并与BP神经网络、SVM、一维Le Net5模型和经典Alex Net模型对比,证明了提出模型的优势,最后通过PCA可视化分析说明模型在特征提取上的有效性。     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。     

一种结合改进Inception V2模块和CBAM的轴承故障诊断方法EI北大核心CSCD

传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱。针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果。实验结果表明:该方法可以建立“浅层”卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75%的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中。     

多域信息融合结合改进残差密集网络的轴承故障诊断

针对滚动轴承原始时域信号信息单一、深度卷积神经网络提取的特征对信息的传递存在差异等问题,该研究提出了一种多域信息融合与改进残差密集网络的轴承故障诊断方法。为了获取故障的多方面信息,先对原始数据进行多域变换,再将融合信息输入经卷积注意力改进的残差密集网络进行深度学习。经注意力机制改进的网络能够实现对提取特征的重要性区分,提高网络的训练速度、改善识别准确率。试验结果及对比分析表明该算法可以提取较为全面的特征,较传统方法具有更好的识别效果。     

基于稠密卷积网络的轴承故障诊断

轴承故障诊断非常依赖故障特征的提取,为了实现基于原始数据的更加直接的故障诊断,提出一种基于稠密卷积网络的轴承故障诊断方法。该方法首先将原始一维数据规范化,再输入到稠密块网络并结合softmax分类层来自适应学习轴承振动信号的有效特征,进而实现分类。实验中运用西储大学所提供的轴承故障数据库测试了网络的有效性,并且与其他常用轴承故障诊断网络进行对比。研究结果表明所提网络对基于轴承振动数据的故障类型识别准确率明显优于其它网络,特别是针对混入一定噪声的故障数据,仍然可以达到较高的诊断精度,因此有不错的抗噪声性能。     

改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法。将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务。改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权。在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断。选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8%、在抗噪试验下的识别率为98.22%,在泛化试验下的识别率为97.19%,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于带阈值模块一维残差网络的刀具磨损监测方法

基于带阈值模块一维残差网络和双向长短期记忆网络,设计了刀具磨损监测模型和预测模型。将传感器信号经过小波分解后输入监测模型中,阈值模块自动选择阈值对信号降噪,残差模块提取信号特征,然后输出刀具磨损监测值,再将其输入到预测模型中获得刀具磨损预测值。实验证明:该监测模型与不带阈值模块的一维残差网络模型和卷积神经网络模型进行了对比,监测准确率分别提高了0.327%和1.697%;预测模型的预测效果较好,绝对误差仅为0.023。     

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断EI北大核心CSCD

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于小波散射卷积神经网络的结构损伤识别

损伤识别是结构状态评估领域的关键问题之一，对确保结构安全性有重要意义。深度学习算法在基于振动的结构损伤识别方面带来了许多突破，但从海量数据中挖掘结构损伤关键信息仍是亟待解决的技术难题。该研究提出了基于一维卷积神经网络(one-dimensional-convolutional neural network, 1D-CNN)深度学习的结构多类型损伤识别模型，采用小波散射变换对1D-CNN架构第一层卷积滤波器进行替换，通过散射系数实现输入层原始数据降维与特征提取，结合CNN卷积层、激活层和池化层实现监测数据特征增强处理。在此基础上，结合1D-CNN全连接层与Softmax函数实现特征数据分类，从而实现结构多类型损伤定位与定量高效识别。通过钢桁架结构和斜拉桥两种数值模型对上述框架进行了验证。结果表明：与普通卷积神经网络模型相比，基于小波散射卷积神经网络的结构损伤识别精度显著提升，损伤分类准确率达95.0%以上。随着传感数据环境噪声比例的增加，小波散射卷积神经网络损伤分类准确率虽略有下降，但仍保持较高精准度，说明该方法具有较强的鲁棒性抗噪能力。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

高效3D密集残差网络及其在人体行为识别中的应用

针对3D-CNN能够较好地提取视频中时空特征但对计算量和内存要求很高的问题,本文设计了高效3D卷积块替换原来计算量大的3×3×3卷积层,进而提出了一种融合3D卷积块的密集残差网络(3D-EDRNs)用于人体行为识别。高效3D卷积块由获取视频空间特征的1×3×3卷积层和获取视频时间特征的3×1×1卷积层组合而成。将高效3D卷积块组合在密集残差网络的多个位置中,不但利用了残差块易于优化和密集连接网络特征复用等优点,而且能够缩短训练时间,提高网络的时空特征提取效率和性能。在经典数据集UCF101、HMDB51和动态多视角复杂3D人体行为数据库(DMV action3D)上验证了结合3D卷积块的3D-EDRNs能够显著降低模型复杂度,有效提高网络的分类性能,同时具有计算资源需求少、参数量小和训练时间短等优点。     

采用大核注意力机制的抗噪轴承故障诊断模型

针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络（PLKACNN）。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现对不同维度的故障特征的提取;其次,将并行支路所得的特征图进行堆叠以获得整体信息,最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置,在带噪数据集上获得平均98.5%的准确率,并且在带噪小样本实验中获得92.81%平均准确率,证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。     

一种基于CNN-BiGRU孪生网络的轴承故障诊断方法

针对轴承故障样本稀缺，传统深度神经网络模型在小样本情况下容易出现过拟合现象，泛化性能不好的问题，提出一种基于CNN-BiGRU孪生网络的轴承故障诊断方法。孪生网络采用两个结构相同、权值共享的卷积神经网络和双向门控循环单元组成，构造相同类别和不同类别的轴承样本对输入孪生网络，通过计算轴承样本对之间的L1距离进行相似性度量，实现轴承故障诊断。与传统深度神经网络相比，孪生网络采用样本对训练的方法，在相同样本数量情况下，增加对网络模型的有效训练次数，从而提高轴承故障诊断性能。设计卷积神经网络和双向门控循环单元共同组成孪生网络结构，可以从振动信号中同时提取空间特征与时序特征，提高特征提取的准确性。利用实测轴承故障信号进行故障诊断试验，并与其他深度神经网络模型进行对比，试验结果表明，CNN-BiGRU孪生网络方法在少量训练样本情况下，取得了较优的故障诊断性能，有一定的工程应用价值。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

改进TCPN变工况轴承故障诊断方法

针对变工况条件下传统方法仅提取局部特征导致准确率低以及样本维度过高导致训练耗时巨大等问题,提出一种改进的时域卷积池化网络模型（Temporal Convolutional Pooling Neural Network,简称TCPN）。首先,将原始轴承振动信号经过短时傅里叶变换得到二维时频矩阵,再将二维时频矩阵平铺为一维时频序列,并取绝对值;其次,虽然膨胀卷积可以大幅度扩大感受野,但是对于轴承振动信号等高维特征仍需要较深的网络结构,因此对膨胀卷积进行结构优化,用于挖掘全局特征,同时降低模型复杂程度。再次,为模糊不同工况下相同故障的分布差异,对残差块进行结构优化,使用小卷积核提取局部特征,以拼接的方式与膨胀卷积进行特征融合,兼顾轴承振动信号中的全局特征与局部特征;最后,为了解决训练样本维度太高导致的训练成本过高的问题,对原始数据进行降采样研究,在保持较高准确率的情况下大量节省了训练时间。将所提方法与传统卷积神经网络及时域卷积神经网络（Temporal convolutional neural network,简称TCN）相比,实验结果表明,提出的模型准确率提高约5 %,模型训练耗时降低约30 %,并且收敛速度更快,训练模型的迭代次数更少,具有很强的鲁棒性。