基于ISSA-VMD的滚动轴承早期故障诊断方法

针对滚动轴承早期信号微弱导致故障特征难以提取和故障诊断准确率不高的问题,提出了一种基于改进麻雀搜索算法-变分模态分解(ISSA-VMD)和样本熵(SE)的滚动轴承早期故障特征提取方法。首先,在轴承早期故障诊断过程中,模态分解个数和惩罚因子的选择对变分模态分解(VMD)的分解效果有着很大的影响,为消除人为选择参数的影响,将麻雀搜索算法(SSA)优化为改进麻雀搜索算法(ISSA),利用ISSA参数优化后的VMD方法对信号进行了分解;然后,计算了敏感固有模态函数(IMF)分量的样本熵,构成了特征向量;最后,将特征向量作为支持向量机(SVM)的输入,进行了滚动轴承早期故障类型的识别。研究结果表明：ISSA-VMD+样本熵特征提取模型的故障诊断准确率为98.3%,与SSA-VMD+样本熵、灰狼优化算法(GWO)-VMD+样本熵、鲸鱼优化算法(WOA)-VMD+样本熵、传统VMD+样本熵、经验模态分解(EMD)+样本熵等特征提取模型相比,故障诊断准确率分别提高了3.3%、6.6%、5%、3.3%、5%;该模型可以准确地提取故障特征,提高故障诊断准确率。     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题，提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先，基于VMD算法分解振动信号，以互信息指标筛选真实分量并进行重构，通过GST将重构信号转化为时频图；然后，以得到的二维特征图像为输入，通过AMCNN自适应学习其时频特征；最后，通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证，结果表明：VMD-GST方法能有效提取故障特征，AMCNN模型具有更强的特征提取能力和识别能力，平均故障识别准确率达到99.76%,优于其他方法。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于EMD二值化图像和CNN的滚动轴承故障诊断

针对传统故障诊断方法识别准确率低、泛化能力差,而基于深度学习的故障诊断普遍存在需要海量训练数据的问题,提出了一种基于经验模态分解(empirical mode decomposition,简称EMD)与卷积神经网络(convolutional neural networks,简称CNN)的滚动轴承智能故障诊断方法.首先...     

基于注意力机制胶囊神经网络的轴承故障诊断

为了解决在滚动轴承故障诊断中故障样本数量少、信噪比低导致的诊断精度低问题,提出一种基于注意力机制胶囊神经网络的轴承故障诊断方法。这一方法采用经验模态分解方法对信号进行分解,得到多个本征模函数。对分解的信号进行通道融合,结合卷积注意力模块,获取敏感特征参数。通过两层卷积层进行特征提取,传入胶囊层,进行诊断分析。为了检验这一轴承故障诊断方法的可行性和准确率,采用凯斯西储大学公开的轴承数据集进行对比试验。结果表明,基于注意力机制胶囊神经网络的轴承故障诊断方法在数据样本数量少、信噪比低的情况下,相比传统方法具有更高的准确率。     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法。首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode function,IMF),使用离散Fréchet距离作为衡量指标,选取出故障敏感分量作为表征不同故障类型的故障数据源;之后,提出了一种MCPG深度神经网络架构,并使用敏感数据源对模型进行训练与测试,从而实现数据驱动的轴承故障诊断。通过实验验证,表明该方法对不同类型的振动数据(不同转速、不同损伤类型、不同损伤程度)均具有较好的识别效果。     

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.     

基于时频图与双通道卷积神经网络的轴承故障识别模型

采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征，并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题，提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先，基于样本熵和峭度，构造了新的目标函数，利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化，当目标函数达到最小值时，得到了其最优参数组合；然后，使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理，将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算，累加其计算结果后，最终得到了轴承的时频图；其次，利用连续小波变换(CWT)直接对原始信号处理得到了时频图；最后，将采用两种方式得到的时频图分别作为双通道CNN的输入，对网络进行了训练，由CNN提取了其时频图特征，并对轴承故障进行了识别分类和诊断。实验结果表明：采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法，该方法有着更高的准确率和更出...     

AOA-CEEMDAN和融合特征在齿轮箱故障诊断中的应用

自适应噪声完备集成经验模态分解(CEEMDAN)的参数由于是人为设置的,从而会导致其信号的分解不彻底。针对这一问题,提出了一种基于算术优化算法(AOA)优化CEEMDAN、融合特征和随机森林(RF)的齿轮箱故障诊断方法。首先,采用AOA算法对CEEMDAN方法的关键参数进行自适应选取,并采用优化后的CEEMDAN方法对齿轮箱振动信号进行了分解,生成若干个本征模态函数(IMF);随后,利用相关系数准则选择了前4阶IMF分量作为故障敏感分量;接着,利用由注意熵和散度熵组成的融合特征提取方法挖掘了故障敏感分量的故障特征,得到了故障敏感特征样本;最后,将表征齿轮箱故障特性的故障特征输入至RF多故障分类器中,建立了故障分类模型,完成了齿轮箱的故障识别;利用QPZZ-II型齿轮箱数据集进行了实验,并将其结果与采用其他方法所得结果进行了对比。研究结果表明：相较于原始CEEMDAN,优化后的CEEMDAN能够更加准确地分解非线性齿轮箱振动信号,故障识别准确率提高了4%;相较于单一的故障特征,融合特征能够更加准确地表征齿轮箱的故障状态,故障识别准确率分别提高了3.2%和8%。基于AOA-CEEMDAN和...     

基于改进VMD和1DCNN的泵注系统轴承故障诊断

针对泵注系统轴承振动信号传递路径长,故障特征微弱而导致传统机器学习方法难以进行故障诊断的问题,提出一种基于改进变分模态分解(IVMD)和一维卷积神经网络(1DCNN)的泵注系统轴承故障诊断模型。首先,通过多个传感器采集泵注系统轴承振动信号;然后,利用Elastic回归替换Ridge回归构造IVMD并将轴承振动信号自动分解,采用改进峭度指标进行筛选重构实现振动信号的有效降噪;最后,将降噪后的重构信号输入适用于工业多传感器系统的1DCNN进行自动特征提取和故障诊断。试验结果表明,IVMD-1DCNN模型的故障诊断准确率达99.27%,相比于其他方法具有较大优势。另外,对1DCNN学习到的卷积核进行可视化,也在一定程度探讨了深度学习故障诊断的可解释性问题。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

基于变分模态分解和精细复合多尺度均值散布熵的轴承故障诊断

为充分提取非线性、非平稳的轴承故障信号特征信息，进而提高轴承故障诊断精度，提出了一种基于变分模态分解(VMD)和精细复合多尺度均值散布熵(RCMMDE)的轴承故障诊断方法(算法)。首先，使用VMD将轴承故障振动信号分解为了多个模态分量，通过评估原信号与模态分量信号的互相关程度，筛选了其有效模态，并对其进行了信号重构，实现了故障信号的降噪处理目的；然后，使用精细复合均值化代替了传统粗粒化方法，利用RCMMDE方法提取了重构信号的多尺度熵值，构成了特征样本集；最后，通过鲸鱼算法(WOA)对支持向量机(SVM)进行了超参数寻优，构建了最优的故障检测模型，并将特征样本集输入到WOA-SVM模型中进行了轴承故障诊断，并通过实验评估验证了模型的有效性。研究结果表明：该模型准确率达到99.67%,精确率、召回率等各项性能指标均在99%以上，并具有很强的鲁棒性。     

基于SWD和MOMEDA的滚动轴承微弱故障特征识别

针对复杂工况下轴承微弱故障特征难以提取的问题,提出一种基于群体分解(SWD)和多点调整最优最小熵解卷积(MOMEDA)的故障诊断方法。首先,利用SWD对振动信号进行模态分解,并根据相关系数选择有用分量;然后,利用MOMEDA对选取的分量实现弱信号特征的增强;最后,通过快速傅里叶变换进行故障特征的识别。     

基于FOA的变分模态分解在轴承故障诊断中的应用

变分模态分解(VMD)广泛应用于故障诊断中,从振动信号中提取故障特征是故障诊断过程中的关键部分。针对强背景噪声和脉冲干扰下滚动轴承早期故障特征难以提取的问题,提出了一种新的基于果蝇优化算法(FOA)的变分模态分解的轴承故障诊断方法。首先,利用果蝇优化算法自适应优化VMD的惩罚参数α和分解数K,获取最优参数组合;然后,对信号进行VMD分解,得到K个模态分量;最后,基于峭度最大化准则选取最优模态分量进行包络解调分析,提取出故障特征频率。通过仿真信号分析、实际故障轴承信号验证以及与基于果蝇优化算法的多分辨奇异值分解(MRSVD)方法进行对比,证明了所提方法的有效性。     

可变负载的准零刚度隔振器特性

针对风机滚动轴承微弱故障信号所具有的非线性和非平稳特征及易被强背景噪声掩盖的特点,提出了一种变分模态分解(variational modal decomposition, 简称VMD)和最大相关峭度解卷积(maximum correlated kurtosis deconvolution, 简称MCKD)相结合的滚动轴承微弱故障诊断方法。为实现VMD和MCKD的参数自适应选择,采用粒子群优化算法(particle swarm optimization, 简称PSO),对两种算法中的参数进行优化。首先,利用PSO优化VMD算法中的α和K,再基于VMD对微弱故障信号分解后的结果,选取最优模态分量;其次,利用PSO优化MCKD算法中的L和T,再基于MCKD算法加强最优分量信号中的故障冲击成分;最后,通过包络谱提取出轴承微弱故障特征。仿真和试验均表明,此方法能够自适应增强轴承微弱故障中的冲击成分,有效提取出被强噪声淹没的轴承微弱故障特征。     

基于参数自适应特征模态分解的滚动轴承故障诊断方法

针对强背景噪声下轴承故障信息难以有效提取的问题,提出一种基于参数自适应特征模态分解的滚动轴承故障诊断方法。首先,为了克服原始特征模态分解(FMD)需要依赖人为经验设定关键参数而不具有自适应性的缺点,提出基于平方包络谱特征能量比(FER-SES)的网格搜索方法自动地确定FMD的模态个数n和滤波器长度L;随后,采用参数优化的FMD将原轴承振动信号划分为n个模态分量,并选取具有最大FER-SES的模态分量为敏感模态分量;最后,通过计算敏感模态分量的平方包络谱来提取故障特征频率,从而判别轴承故障类型。通过仿真信号和工程案例分析验证了提出方法的有效性。与变分模态分解(VMD)和谱峭度方法(SK)相比,提出方法具有更好的故障特征提取性能。     

基于VMD-WPD的异构特征与随机森林融合的轴承变工况故障诊断应用研究

滚动轴承在变转速工况下,振动故障信息受到转速调制,传统的FFT分析会产生严重的频谱混叠。为了有效解决轴承变转速工况的故障诊断问题,文章提出了一种基于异构特征融合的智能故障诊断方法,首先利用变分模态分解（VMD）和小波包分解（WPD）将非平稳的变转速信号分解为不同的分量,其次对不同的分量求取能量信息,利用能量信息构建基于模态和高低频的异构特征向量,最后将VMD-WPD的异构特征与随机森林的共智决策能力相结合,实现轴承智能故障诊断。试验表明,该方法能够较好地识别轴承变转速工况下的故障类型,为轴承的非平稳运行故障诊断研究提供参考。