基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

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.     

鲸鱼算法优化VMD-CNN在滚动轴承故障诊断中的应用

针对滚动轴承工作环境恶劣且采集到的振动信号具有非线性、非平稳性等特征,为了自适应提取故障特征以及提高轴承故障智能诊断准确率,提出基于鲸鱼算法（Whale Optimization Algorithm,WOA）优化变分模态分解（Variational Mode Decomposition,VMD）与卷积神经网络（Convolution Neural Network,CNN）相结合的故障诊断方法。首先,使用鲸鱼优化算法对VMD超参数进行寻优,找到VMD最优的分解层数与惩罚因子,并利用优化后的VMD对轴承原始信号进行分解。其次,用连续小波变换将分解得到的一维本征模态信号转化为相应的二维时频图。最后,将二维时频图作为二维卷积神经网络的输入,并对其输入的时频图进行深层特征提取与模式识别。实验表明,所提出的方法能高效提取故障特征,准确率高达99.78%。     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征.以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10％以上,充分证明了基于多源异构特征融合故障诊断方法的有效性.     

基于小波卷积与注意力机制的RV减速器齿轮箱故障诊断

在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization, BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明：基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%～12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到...     

基于频谱分析和卷积神经网络的高速轴向柱塞泵空化故障诊断

针对高速轴向柱塞泵不同空化故障等级诊断依赖人工特征提取、识别准确率低的问题,提出了一种融合振动信号频谱分析和卷积神经网络的诊断方法。采集不同空化等级情况下柱塞泵壳体振动信号,对连续的振动数据进行切片并作频谱分析,获得频谱图作为数据集;利用二维卷积神经网络对不同空化等级的信号频谱图进行分类。为提高所提方法的鲁棒性,采用带通滤波的方法抑制频谱图中的噪声频率。试验结果表明:对于不同信噪比的振动信号输入,均能准确地识别出柱塞泵的空化故障等级。     

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。     

轴承故障的全视角特征提取与模式诊断方法

为了提高轴承故障诊断的准确率,提出了一种轴承故障的全视角特征提取方法和专家森林算法的模式诊断方法。在故障特征提取方面,首先从时域、频域、时频域选择参数,以此来作为初始故障特征库,而后使用KPCA提取了基础故障库的全局结构特征,使用t-SNE算法提取了基础故障库的局部结构特征,从而保留了对故障模式相对敏感的全视角特征参数;在故障模式识别方面,为决策树赋予了专家属性和专家权值,得到了专家树的概念,基于专家树思想提出了专家森林算法,解决了随机森林算法无差别对待决策树的问题;最后采用实验的方式,对轴承故障全视角特征提取方法和基于专家森林算法的模式诊断方法进行了验证。研究结果表明：由KPCA+t-SNE结合提取的全视角故障特征优于单独提取的全局结构特征与局部结构特征;随机森林算法的诊断准确率均值为96.14%,专家森林算法的故障诊断准确率均值为99.48%,比随机森林算法提高了3.47%,验证了所提故障诊断方法的优越性。     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

基于特征快速构造与卷积神经网络的机泵故障识别研究

将卷积神经网络(CNN)应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。     

基于改进卷积神经网络及LightGBM的滚动轴承故障诊断

针对大多基于深度学习的故障诊断模型存在泛化能力不强、训练时间长等问题,提出了一种基于改进卷积神经网络(GCNN)和LightGBM的轴承故障诊断方法,首先,利用卷积层对随机失活后的原始信号进行特征提取;然后,使用全局平均池化层取代全连接层以提高模型的泛化能力;最后,将提取到的特征输入到LightGBM中进行分类。试验结果表明,GCNN-LightGBM模型的训练、诊断平均时长分别只有44.64,0.08 s,在同负载、变负载测试集上的平均分类准确率分别高达99.72%和95.04%,诊断效率及分类准确率均优于其他对比模型,且具有较强的泛化能力。     

基于拉普拉斯小波滤波和SA-DS-CNN的滚动轴承故障诊断

针对基于深度学习模型的滚动轴承故障诊断方法易受环境噪声干扰的问题,提出了一种基于拉普拉斯小波滤波(LWF)和自注意力机制-动态选择-卷积神经网络(SA-DS-CNN)的滚动轴承故障诊断模型。首先,提出一种拉普拉斯小波阻尼参数自适应选取策略,使用拉普拉斯小波对采集的滚动轴承振动信号进行相关滤波并进行功率谱变换;其次,基于卷积神经网络框架,引入自注意力机制和动态选择机制,构造SA-DS-CNN;最后,利用SA-DS-CNN提取功率谱特征,根据轴承的不同故障状态定位相关特征信息,实现故障特征的提取和诊断。对N205EM圆柱滚子轴承的故障诊断试验表明：LWF降噪效果较好,能为SA-DS-CNN模型提供优秀的训练样本;SA-DS-CNN模型能抑制无用通道信息,增强网络特征学习能力;LWF和SA-DS-CNN组合模型的故障诊断准确率达到99.65%,优于其他组合模型。     

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%。     

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况。通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型。搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别。实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确率达到了99.2%。