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。     

GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用

航空发动机中介轴承故障振动信号是一种非平稳非线性信号,其中常混有干扰信号及噪声成分。以往方法大多采用人工特征提取来进行故障识别,特征提取往往依靠专家经验,不仅增加识别复杂度,同时选取的特征也不能很好地表征状态信息。因此提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的中介轴承故障诊断方法,首先将原始故障振动信号进行灰度变换(Gray-level Transformation,GLT),然后输入到结合滑动平均模型的卷积神经网络中,并选用相应的神经网络优化算法实现故障诊断与分类。最后,通过航空发动机中介轴承振动数据,验证所提方法的有效性。     

基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断EI北大核心CSCD

针对实际应用中轴承故障数据获取困难,导致其故障诊断模型的准确性和泛化能力下降的问题,提出了一种基于一维卷积注意力门控循环网络(1DCNN-Attention-GRU)和迁移学习的轴承故障诊断方法。首先,构建基于一维卷积网络(1D convolutional neural networks, 1DCNN)、门控循环网络(gated recurrent unit, GRU)和注意力机制(Attention)的故障诊断网络,解决传统故障诊断方法特征提取过于依赖人工经验的问题;然后,引入迁移学习,利用充足的源域数据训练网络,冻结训练好的网络底层结构,再利用少量目标域数据对网络顶层结构进行微调,得到目标网络模型;最后,采用Softmax函数进行故障分类。实验结果表明,所提方法在不同训练样本比例下的故障诊断准确率均高于1DCNN-GRU、GRU以及支持向量机(support vector machine, SVM),并能在变工况及小样本数据下获得较高的故障诊断准确率,当使用3%目标域数据进行微调时,故障诊断准确率高于98%。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

基于卷积神经网络图像分类的轴承故障模式识别

针对传统的基于数据驱动的机械故障模式识别方法中需要人工构造算法提取特征以及人工构造特征提取算法繁琐的问题,结合卷积神经网络(CNN)在图像特征自动提取与图像分类识别中的广泛应用,提出了一种基于CNN图像分类的轴承故障模式识别方法。首先,利用集合经验模态分解(EEMD)方法对轴承振动信号进行自适应分解并用相关系数对得到的本征模函数分量进行筛选。其次,对筛选得到的本征模函数分量进行伪魏格纳-威利时频分析(PWVD)计算得到信号的时频分布图,并对时频图进行预处理。最后,将轴承15种不同工况预处理后的时频图利用CNN进行特征提取与分类识别。将该方法与同类方法进行了对比,分类正确率提高了4.26%。     

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

基于中心损失-改进卷积自编码器的滚动轴承半监督故障诊断

当前基于深度学习的旋转机械故障诊断技术，凭借其强大的逐层加工和内置特征变换功能受到广泛关注，然而传统用于故障诊断的深度网络需要大量标签数据，且诊断结果依赖于标签的数量和准确性。为此，提出一种基于中心损失-改进卷积自编码器(center loss-improved convolutional auto-encoder, CL-ICAE)的半监督故障诊断方法。该方法首先利用连续小波变换将故障信号转换为时频图，细化故障特征表征；之后构建改进的卷积自编码器网络结构，并引入批量归一化(batch normalization, BN)和Dropout,在特征提取阶段防止过拟合；之后在分类阶段，通过将中心损失(center loss)引入Softmax损失函数，构建联合损失函数，使故障特征实现类内距离更小，特征差异更大，进一步提高分类精度。最后，将所提方法通过凯斯西储大学轴承数据集和轴承故障试验平台进行验证，结果表明在少量标签样本情况下，均可实现有效的故障诊断，提升诊断准确率。     

基于G-DPSO算法的决策树轴承故障诊断方法

针对机械设备状态监测与故障诊断技术中特征提取对诊断准确性的局限,从原始故障信号数据中提取出尽可能多的有用信息。提出通过最佳特征数据集对轴承故障进行诊断分析,分别从幅域和频域对故障数据进行特征提取。采用一种改善的粒子群(G-DPSO)算法对提取的特征数据集进行筛选,对传统粒子群算法权重系数进行优化,同时和故障诊断需要的决策树模型的信息熵增相结合,可以达到将最适合故障诊断的特征向量提取出来的目的。用5种轴承故障数据对所提方法进行实验分析,诊断正确率能达到97%之上,证明所提出的方法是有效、可靠的。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。     

基于平移不变CNN的机械故障诊断研究

常规机械故障诊断方法需要信号预处理、特征提取、特征选择、模式识别等多个步骤,过程复杂,通用性差。卷积神经网络(Convolutional Neural Network, CNN)是一种自学习性能好、抗干扰能力强的深度神经网络。为了简化步骤、提高效率,将CNN引入到机械故障诊断,直接使用传感器测得的原始数据进行故障识别。由于机械振动信号的特征具有典型的时移性,CNN需要大量数据才能自我学习到这种特性。结合故障信号的冲击特点和CNN的不足,提出了权值求和和大尺度最大值池化策略,有效解决了特征的平移不变性,增强了小样本时的泛化能力。通过对单点和多点故障的轴承进行诊断,验证了平移不变CNN的有效性。与常规故障诊断方法和其他机器学习算法对比显示,平移不变CNN不仅准确率高,而且使用简单,为故障诊断提供了一种新的途径。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

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。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于GADF-TL-ResNeXt的滚动轴承故障诊断方法

针对传统诊断方法难以有效提取故障特征的问题，提出了一种基于格拉姆角场(GAF)与TL-ResNeXt相结合的故障诊断方法。首先利用GAF对原始振动信号编码为时间序列相关的二维特征图；再将这些特征图输入到层级更深的分组残差网络ResNeXt中进行自动的识别、分类；模型训练的同时，在网络的最后一层结合了迁移学习(TL)模块以加快模型特征提取能力、快速的进行学习。为了验证该方法的有效性，利用凯斯西储大学轴承数据对比了其他方法，结果表明该方法表现最优。且在轧机模拟实验平台上收集的轴承故障数据表明，该方法在改变工况时同样具有好的泛化性与识别能力。     

基于改进1DCNN-GRU的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型无法充分利用信号的空间及时间特征，需要大量专业知识等问题，提出一种改进一维卷积神经网络(1DCNN)与门控递归神经网络(GRU)结合的故障诊断方法。首先，利用具有不同卷积核的卷积层最大化提取信号的空间特征信息；其次，提出改进的线性修正单元(IReLU)增强网络的特征提取能力；然后，引入堆叠GRU模块进一步提取1DCNN模块输出数据的时间特征，完成空间及时间特征融合；最后，对融合后的特征进行识别。实验表明所提方法故障识别率高达99.96%,对不同负载下的数据均具有较高的识别率及较强的泛化性能。     

基于浅层Inception-MobileNet旋转机械故障诊断

针对现有的旋转机械故障诊断算法存在着时频表示模糊、特征提取困难，从而导致故障诊断效率和精度低的问题，提出一种基于浅层Inception-MobileNet 的旋转机械故障诊断模型。该模型通过拼接法将原始振动信号转换为二维图像，然后采用多尺度卷积核提取不同分辨率的特征图，并结合深度可分离卷积实现特征学习与分类。该网络在CWRU数据集和MFPT数据集上分别实现了十种故障分类和三种故障分类，分类精度为99.5 %和95.78 %。与传统的网络进行比较，该网络可提高特征提取能力，并且在相同数据集上该网络实现的故障识别精度最高。     

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MOMEDA与Teager能量算子的滚动轴承故障诊断

滚动轴承早期故障信号中原始冲击成分容易被强噪声淹没,故障特征提取难度较大。针对这一问题,提出了多点最优调整的最小熵解卷积(MOMEDA)与Teager能量算子相结合的滚动轴承故障诊断方法。利用MOMEDA算法对原始故障信号进行滤波处理,通过Teager能量算子增强解卷积信号中的冲击特征,对信号进行包络分析。通过对比包络谱中的主导频率与滚动轴承的故障特征频率判断故障位置,实现轴承的故障诊断。仿真数据与试验数据分析结果表明,该方法能够有效提取故障信号中的特征信息,具有一定的实用性。     

基于深度对比迁移学习的变工况下机械故障诊断

机械设备实际运行中的工况具有时变性，这加剧了源域（训练集）和目标域（测试集）数据之间的分布差异，因而导致智能故障诊断模型的性能下降。提出了一种基于深度对比迁移学习的方法，可用于机械设备变工况下的故障智能诊断。利用多层卷积块作为模型前置特征提取器，能够有效提取原始振动数据的代表性特征，提升故障分类器和域判别器的诊断性能。将前置特征提取器提取的特征传递给特征融合器，特征融合器提炼并联接局部感受野和全局感受野卷积特征，增强模型特征表达能力。将特征融合器提炼的特征用于故障分类器和域判别器诊断不同工况下的机械故障，并在故障分类器中使用Wasserstein距离度量源域和目标域数据的差异，基于互信息噪声对比估计提出用于工况区分的互信息对比域判别器，提高模型的迁移诊断性能。将所提方法用于诊断变工况下不同类别的轴承、齿轮故障。结果表明，所提方法能够有效实现变工况下轴承、齿轮故障的迁移诊断。     

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。