基于GAF和DenseNet的滚动轴承故障诊断方法

基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全。针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类。采用凯斯西储大学轴承数据集上的数据进行实验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.75%。为进一步证明该方法的优越性,选取灰度图+DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征。     

基于AR-MED和TEO的滚动轴承早期故障诊断方法

针对强背景噪声下滚动轴承早期故障信号信噪比低、特征提取难度大的问题,提出一种将自回归-最小嫡解卷积(autoregressive-minimum entropy deconvolution,AR-MED)与Teager能量算子(teager energy operator,TEO)相结合的滚动轴承故障诊断方法。为了达到增强故障信号中冲击成分的目的,采用AR-MED对信号进行滤波处理。依据滤波后信号的Teager能量谱,获取滚动轴承的故障特征频率。通过对仿真信号和实测信号进行分析,验证了该文所提方法在强背景噪声下滚动轴承早期故障诊断中的有效性。     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

改进注意力机制的滚动轴承故障诊断方法研究

针对滚动轴承在实际工作环境中噪声较大和负载变化的问题,提出一种基于双注意卷积机制的残差神经网络(Double attention convolution mechanism ResNet,DACM_ResNet)轴承故障诊断方法：首先,对滚动轴承振动信号进行短时傅里叶变换(short-time Fourier transform,STFT)并使用伪彩色处理得到三通道图像数据；然后,对残差神经网络在轴承故障诊断上进行研究,在残差单元的卷积层之后,使用DACM模块,将残差特征在通道和空间维度上进行进一步提取,最后,在凯斯西储大学(CWRU)数据集上进行试验验证,试验结果表明所提出的方法在噪声环境下及负载变化时,平均诊断准确率达到了98%以上,说明所提出的模型有较好的鲁棒性。     

基于域对抗迁移的变工况滚动轴承故障诊断模型

将变工况下轴承状态识别的难题归结为领域自适应问题,提出了一种基于域对抗迁移的变工况滚动轴承故障诊断模型。模型以一维振动信号为输入,主要包含特征提取器、故障分类器和领域分类器三部分功能结构。特征提取器由卷积层、残差单元和双向长短时记忆(Bi_LSTM)神经单元组成,用于提取振动信号的特征;故障分类器负责振动信号的状态分类;领域分类器负责区分信号来自源域或目标域。模型通过在分类器间添加梯度翻转层构建对抗迁移网络,完成领域自适应工作,能够借助有标签的定工况源域数据集实现对无标签的变工况目标域数据集的诊断识别,进而完成变工况下的故障诊断。试验结果表明,该模型能够提取适用于不同工况间迁移的特征,提升了变工况下各故障类型的诊断表现;变工况下平均诊断准确率可达97.42%,诊断表现优于直接跨域诊断的模型。     

基于胶囊神经网络的涡扇发动机故障诊断方法

针对航空涡扇发动机数据集故障分类准确率较低的问题,提出一种基于胶囊神经网络的涡扇发动机故障诊断方法。首先确定故障类型和关键变量,然后构建卷积胶囊神经网络模型,将分割的训练集数据输入模型进行训练,最后利用诊断模型诊断测试集数据并计算分类识别准确率。将所提算法在NASA涡扇发动机数据集上进行测试,证明了该模型的分类识别准确率有所提高,可为涡扇发动机的故障诊断提供帮助。     

基于一维卷积神经网络的自动扶梯机械故障分类研究

老旧扶梯机械故障较为隐蔽,定期检验不易发现,且对扶梯机械故障的智能分类的研究较少。自动扶梯振动信号复杂多变,数据量大,而采用传统机器学习算法对其机械故障进行诊断效果不佳。为实现自动扶梯机械故障的智能分类,在经典二维卷积神经网络的基础上,引入了卷积核的一维卷积神经网络,构建了自动扶梯机械故障的自动分类模型。首先为提高模型的泛化性能,融合凯斯西储大学轴承故障、东南大学齿轮故障和某大型商场自动扶梯梯级滚轮磨损故障的复合故障数据建立了数据集。然后用数据增强的方法对数据进行预处理,接着采用一维卷积神经网络,构建自动扶梯机械故障诊断模型。最后使用测试数据集对模型的分类精度进行了验证实验,结果表明该模型有着比传统机器学习算法自动化程度高、成本低、专业门槛低、步骤简单等明显优势,而且该模型能快速准确地对自动扶梯的机械故障进行自动诊断,实现了95%的诊断准确率,为下一步将该算法集成到检验仪器中打下了基础。     

基于W-DenseNet的减压阀不平衡样本故障诊断模型

针对实际工况中被测对象大多处于正常状态而引起故障样本稀缺、故障数据间存在差异,导致故障类别识别准确率不高的问题,基于密集卷积神经网络(DenseNet),提出一种减压阀样本数据不平衡下的故障诊断模型—–加权密集卷积神经网络(W-DenseNet).首先,将原始一维压力信号数据重构后转换为二维灰度图,作为模型的输入数据;...     

基于GADF和PAM-Resnet的旋转机械小样本故障诊断方法

在旋转机械的实际工作中,由于故障样本有限,很难实现准确的故障诊断.对此,提出一种基于GADF和PAM-Resnet的小样本故障诊断方法.首先,构建一种数据增强策略,该策略将数目较少的一维信号样本转化为二维GADF 图,之后将GADF图裁剪成多个子图,从而得到大量的图像样本,解决样本数目不足的问题;然后,构建一种位置注意力模块(PAM),该模块使用横向卷积和纵向卷积分别对横向特征和纵向特征赋予权重,融合两种特征得到GADF图的位置信息;最后,将PAM插入残差块中构建PAM残差块,并使用多个PAM残差块构建PAM- Resnet,PAM-Resnet可以有效地关注位置信息,具有较强的故障特征学习能力.分别进行小样本环境下的齿轮箱故障诊断和滚动轴承故障诊断实验,结果表明所提出方法具有较高的故障诊断准确率,可以准确地诊断出小样本环境下的故障类型.     

基于卷积神经网络的层级化智能故障诊断算法

传统智能故障诊断算法需要依赖人工特征提取和专家知识,而旋转机械设备复杂的工作环境和工况使得传统算法在实际应用中缺乏良好的自适应性和泛化性.针对以上问题,提出基于卷积神经网络(Convolutional neural network,CNN)的层级化故障诊断算法(CNN based hierarchical fault diagnosis,CNN-HFD).首先,将原始振动信号进行分段预处理,以实现数据扩容;然后,分别根据故障类型和故障程度设计多个卷积神经网络,并将原始振动数据以某一时间步进行分割,作为卷积神经网络的输入进行训练;最后,将待识别信号送入CNN-HFD模型,经过分层故障诊断,在末端卷积神经网络输出相应故障类别和程度.通过滚动轴承振动数据库的实验表明,所提出的算法不仅具有高达99.5%以上的故障识别率,而且在负载发生变化时依然可以保持高达97%以上的故障识别率,具有较好的鲁棒性和泛化性能.