基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于改进CNN的起重机械滚动轴承故障诊断

针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下,早期故障特征难以提取及有效识别的问题,提出一种改进卷积神经网络(CNN)的故障诊断方法。该方法首先应用短时傅里叶变换(STFT)将传感器采集到的一维振动信号转换为二维时频图,并将其作为改进卷积神经网络的输入,然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后,通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。     

基于MSCNN与STFT的滚动轴承故障诊断研究

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于一维卷积神经网络的滚动轴承自适应故障诊断算法

现有的滚动轴承故障诊断算法依赖于人工特征提取和专家知识,然而滚动轴承复杂多变的工作环境使得传统的智能故障诊断算法缺乏自适应性。针对此问题,提出了基于"端到端"的自适应一维卷积神经网络(ACNN-FD)故障诊断算法。首先,将各类故障状态的原始振动信号进行有重叠分段预处理用于构建训练样本和测试样本;然后,将每个训练样本以某一尺度的"时间步"进行划分作为所建立的一维卷积神经网络模型的输入,利用深度网络结构实现对原始振动信号特征的自适应层级化提取;最后在输出端利用Softmax分类器输出诊断结果。通过轴承数据库实验表明算法能够实现高达99%以上的故障识别准确率,同时在不同负载下良好的泛化性能,具备实际应用的可行性。     

基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究

采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初始化设计,采用了BPSO算法自适应调整超参数和网络结构构建BPSO-M1DCNN网络;然后,将原始振动数据输入BPSO-M1DCNN网络,进行了特征学习和提取,将学习到的故障特征进行了分类输出;最后,将该算法应用于行星齿轮箱的故障诊断试验,并将其结果与用BPSO-BP神经网络、一维卷积神经网络、M1DCNN网络的结果进行了对比分析,利用变化曲线表示M1DCNN网络、BPSO-M1DCNN网络的正确率和损失率,采用混淆矩阵显示各类故障诊断精度,并利用T-SNE算法对其特征学习过程进行了可视化。研究结果表明:相比BPSO-BP神经网络、1DCNN网络、M1DCNN网络,基于BPSO-M1DCNN网络的行星齿轮箱测试集的平均准确率均有一定提升,应用于行星齿轮箱故障的诊断效果较好。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法。以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的“端到端”诊断,避免了人为因素的干扰。通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深度学习模型的诊断正确率达到98.2%。用辛辛那提大学滚动轴承全寿命周期数据对退化全过程进行诊断,根据轴承原始信号时域指标变化将全周期分为正常、轻微退化、中度退化、严重退化和失效5种程度,通过一维卷积神经网络对轴承原始数据进行有监督学习,所建立python-Keras深度学习模型的故障诊断平均准确率为93%。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

基于MTF-DenseNet的滚动轴承故障诊断

针对滚动轴承振动信号的特征难以提取的问题,提出一种基于MTF-DenseNet的滚动轴承故障诊断方法。利用马尔可夫变迁场(MTF)将滚动轴承的一维时间序列信号进行编程,生成二维图像,从而很好地保留时间序列信号的时间依赖性和频率结构,之后将其输入到密集连接卷积网络(DenseNet)实现故障特征的提取,进而实现故障诊断。采用凯斯西储大学轴承数据集上数据进行实验,实验结果表明,该方法在数据集上的故障分类准确度达到99.35%,故障诊断效果良好。     

基于S-CBiGRU的风电机组滚动轴承故障诊断方法

风电机组滚动轴承的振动信号存在非线性、非平稳的特性,且其特征不易被提取,针对这一问题,提出了一种基于S变换、卷积神经网络、双向门控循环单元的滚动轴承故障诊断方法(即基于S-CBiGRU的诊断方法)。首先,利用S变换对风场采集的振动信号进行了多分辨率时频分析,将一维振动信号转化为包含时间与空间特征信息的二维时频图像;然后,将经S变化所得到的时频图输入到CBiGRU网络模型中,采用CNN卷积池化层提取了振动信号的空间特征;其次,采用BiGRU结构提取了振动信号中的时间序列特征;最后,为了对上述诊断方法的有效性进行验证,采集了风电机组轴承实验数据,并将其输入到该模型中进行诊断实验。实验结果表明：在风电机组轴承故障诊断中,采用S-CBiGRU方法准确率达到93.17%,分类效果优于其他深度学习算法。研究结果表明：S-CBiGRU故障诊断方法具有可行性,可以为风电机组滚动轴承的故障诊断提供一种新途径。