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VMD灰度图像编码和CNN的多传感融合轴承故障诊断

针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)灰度图像编码和卷积神经网络(convolutional neural networks, CNN)的多传感融合轴承故障诊断方法。首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function, IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别。CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90%和100%,结果表明：该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75%和99.90%,证明该方法具有良好的泛化能力和抗噪性能。     

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。     

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。     

基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究

变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。     

基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断

针对故障滚动轴承在单一工况数据下训练的深度学习模型无法在复杂工况下无法实现有效的故障诊断,提出一种基于卷积神经网络的领域适配(convolutional neural network-domain adaptation, CNN-DA)模型。卷积网络用于对故障振动信号进行高层特征提取,网络首尾加入通道注意力机制(channel attention mechanism, CAM),以动态分配特征通道的权重,减小无效信息的干扰。结合领域自适应方法,将特征提取层获取到的高层故障特征进行源、目标域领域适配,领域适配模块整合了全域适配和类别域适配,以使两个领域中相同故障标签的特征的数据分布逐渐趋于重合,最后将深度学习模型应用于多种不同工况迁移的场合进行训练,得到训练结果和测试结果。通过不同来源数据集的试验,在多种工况迁移下测试模型,结果表明提出的模型能够应对复杂工况变化下的滚动轴承故障检测。     

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。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

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。     

基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断

为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于"端到端"识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。     

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。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法

一维卷积神经网络可适用于振动等一维信号的识别与分类,但将其直接应用于机械故障诊断时小样本训练条件下的识别准确率与识别速度是其亟需解决的问题。针对上述问题,提出一种基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法。基于离心泵振动分析与故障诊断理论,通过提取时域、频域、能量及熵特征来构造混合域全特征集,充分挖掘训练样本中的故障信息,提高单个训练样本的利用率,使故障识别模型具备小样本训练的能力;通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力;通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。经某石化离心泵的抽空和滚动轴承损伤两个故障案例验证,该方法在小样本训练条件下识别准确率达到98%以上,单组数据识别时间小于3 s,可满足工程中离心泵故障实时智能识别的需求。     

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。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

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....     

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。