基于CNN-SVM的深度卷积神经网络轴承故障识别研究

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。     

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。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于残差连接和1D-CNN的滚动轴承故障诊断研究

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。     

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。     

一种针对水泥回转窑故障诊断的贝叶斯网络模型

为了实现水泥回转窑的故障诊断,采用贝叶斯网络建立了水泥回转窑故障智能诊断模型。在模型建立 过程中,提出了一种基于数据样本、不依赖先验知识的贝叶斯网络结构学习改进算法。在利用改进结构学习算法 建立诊断模型贝叶斯网络的基础上,利用MLE算法和变量消除法完成了模型的参数学习和诊断推理。为了验证 水泥回转窑故障诊断贝叶斯网络模型的准确率以及可行性,利用现场数据进行了大量的测试实验。     

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition, HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder, SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。     

基于深度迁移学习的滑动轴承-转子故障诊断

深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异（Improved Joint Distribution Discrepancy,IM-JDD）方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无 标记故障样本具有较强的诊断能力,并优于其他竞争方法。     

基于概念漂移检测的制冷系统故障诊断模型自适应

制冷系统实际运行中,故障诊断模型可能出现诊断性能波动或下降等情况,需具备再学习能力以适应现场数据。本文设计了一种基于正确率阈值的概念漂移检测机制及支持向量机增量学习的故障诊断自适应模型,并将其应用于制冷剂过量故障的再学习。该算法通过两次优化选择、过滤数据信息,保留原有诊断知识,仅学习未知样本信息,可极大地节约模型学习时间,快速适应新环境。结果表明,新的故障种类出现时,诊断模型检测到概念漂移,进而通过增量学习进行自我更新,实现对新故障的学习与诊断。1 400个过量故障样本中诊断模型只需要学习600个,且保证最终模型对后续数据流具有较佳诊断性能,正确率高达99%。在现场制冷系统故障诊断应用中,诊断模型的再学习和自适应体现出良好的应用前景。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于时频增强的滚动轴承少样本故障诊断方法

针对滚动轴承故障样本稀缺、振动特征提取困难导致故障诊断准确率低的难题,提出一种基于时频增强的滚动轴承少样本故障诊断方法。首先,对滚动轴承一维振动信号进行重叠采样,利用连续小波变换对采样信号段进行时频域特征映射,构造二维时频矩阵;其次,通过深度卷积生成对抗网络对真实时频样本进行训练后,将生成时频样本加入到训练集中;然后,采用时序卷积网络融合深层次的时频域特征;最后,构建Softmax分类器输出与故障类别对应的状态。仿真实验结果表明,在仅有10个训练样本的条件下,该方法在凯斯西储大学滚动轴承数据集中的诊断准确率均值达91.00%,相较未经时频增强的方法提高了7.56%,并利用实测数据验证了时频增强方法能够显著提升少样本情形下的故障诊断准确率。     

卷积神经网络在印刷品缺陷检测的应用

目的 为了改善传统机器检测印刷产品缺陷存在误费率高的不足。方法 提出以卷积神经网络为控制核心的印刷品缺陷检测系统。设计可在实际检测中应用的卷积神经网络,设计在线印刷质量检测系统的硬件结构。结果 对结构相同而训练次数、学习率不同的卷积神经网络进行了缺陷检测的性能对比,验证了该卷积神经网络在学习率小于0.01时,可以获得较好的识别效果;在学习率大于0.05时,网络不容易收敛。网络训练次数越多,精度越高,相应的训练时间也较长。在满足快速性和精确度的条件下,确定了适应某印刷品的缺陷检验网络训练次数为50,学习率为0.005,此时的识别率为90%。结论 经过实验证明,该检测系统具有良好的缺陷识别能力,缺陷类型的分类准确率较高。该系统具有一定的实用价值。     

多联机系统制热工况下的制冷剂充注量故障诊断模型——基于多层卷积神经网络

本文提出一种基于卷积神经网络的故障诊断模型,并通过正交试验优化了3层网络的卷积核和神经元数目,利用图形化的多联机(VRF)系统制冷剂充注量故障实验数据训练了多层卷积神经网络,评估了本模型的故障诊断性能。结果表明:该"数据图形化-多层卷积神经网络"方法建立的模型能够有效进行多联机制冷剂充注量故障诊断,20个输入特征时,对9类故障诊断总正确率最大为91%,比传统BP神经网络达到更高的诊断精度。该方法首次利用卷积神经网络完成了VRF制冷剂充注量故障诊断,为相关研究的拓展奠定了基础。     

基于内积矩阵及卷积自编码器的螺栓松动状态监测EI北大核心CSCD

螺栓连接结构中的螺栓松动容易导致结构失效,如何对结构中的螺栓松动状态进行监测是当前研究的一个热点。该文利用环境激励下结构振动响应的相关性分析,结合深度学习技术,研究了一种联合使用内积矩阵(inner product matrix,IPM)和卷积自编码器(convolutional autoencoder,CAE)的神经网络模型,即基于内积矩阵及卷积自编码器(inner product matrix and convolutional autoencoder,IPM-CAE)的深度学习模型。通过对螺栓连接搭接板的螺栓松动状态监测的试验研究,验证了该方法的可行性及有效性,并与使用IPM的卷积神经网络(convolutional neural network,CNN)、堆栈自动编码器(stack autoencoder,SAE)及胶囊网络(capsule network,CapsNet)相比,IPM-CAE方法具有较快的网络训练收敛速度和较高的识别精度。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。