基于VMD-SPWVD-CNN的滚动轴承故障智能诊断

针对传统的故障诊断方法依赖经验进行人工提取特征的问题,基于变分模态分解(VMD)和平滑伪魏格纳分布(SPWVD)并结合卷积神经网络(CNN)提出了VMD-SPWVD-CNN模型用于滚动轴承故障诊断.首先,利用VMD对轴承振动信号进行处理,分解为多个具有不同中心频率的模态分量;其次,对信号的每个模态分量分别进行SPWVD...     

基于优化CNN的航空液压管路卡箍故障诊断

针对航空发动机液压卡箍-管路系统具有高度复杂性,导致卡箍振动信号存在非线性、非平稳性,从而难以提取出卡箍故障状态有效信息的问题,提出一种基于优化变分模态分解(VMD)与卷积神经网络(CNN)的卡箍智能故障诊断方法。基于优化的VMD将液压管路系统-卡箍振动信号分解成一系列固有模态函数;将含有卡箍故障信号明显的IMF输入到卷积神经网络训练模型,采用CNN进行自主特征学习和模式识别。并将该方法应用于实例中,结果表明:该方法不仅能有效地对信号进行分解,同时对不同类型的卡箍故障可达到精准识别和故障诊断。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于CEEMDAN自适应小波降噪与卷积神经网络的齿轮箱故障诊断研究

噪声情况下精确地对齿轮箱进行故障诊断是齿轮箱故障诊断的难题。为了解决该难题，采取自适应小波对自适应噪声完全集合经验模态分解（CEEMDAN）分量进行分解降噪与重组，并提出卷积神经网络(CNN)结合Inception模块的一维卷积神经网络(BICNN)提取重构信号的基本数字特征，同时使用长短期记忆提取BICNN所提取到的特征之间的相关性特征，对齿轮箱进行故障诊断研究。诊断结果表明：所提出的方法具有较高的抗噪声能力，并且齿轮箱在受到-4 dB噪声干扰的情况下，所提出的方法仍然可以获得99.63%的训练精度。     

基于MIGA-VMD和t-SNE的轴承故障诊断方法

针对从汽轮机轴承的非线性、非平稳振动信号中提取故障特征困难而导致诊断识别率低的问题,提出一种基于MIGA-VMD和排列熵、t-SNE的特征提取方法.变分模态分解(VMD)在轴承故障诊断中的分解效果很大程度上取决于分解个数和惩罚参数的选取.为实现VMD相关参数的最优选择,采用多岛遗传算法(MIGA)对VMD参数进行优化....     

基于VMD_IWT近似熵与PSO_SVM的转子故障诊断

针对转子故障振动信号的非平稳性、非线性特征,提出了基于变分模态分解_改进小波阈值(VMD_IWT)近似熵与粒子群优化支持向量机(PSO_SVM)的转子故障诊断方法。首先对振动信号进行VMD分解,对分解后的各分量进行改进小波阈值处理;然后,提取降噪后信号的近似熵作为特征值组成特征向量;最后,将特征向量输入PSO_SVM进行故障分类识别。将该方法用于实际转子实验数据,并通过对比分析,分别证明了VMD、IWT和PSO_SVM方法的有效性,且文中所提方法的故障诊断准确率高达95%,证明该方法具有一定的实际应用价值。     

基于SPWVD-CNN的滚动轴承故障诊断（英文）

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99. 27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷，提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution，SPWVD)和卷积神经网络(convolutional neural network，CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner Vill分布变换，将获得的时频图进行压缩，作为CNN的输入，利用迁移学习的思想进行网络训练，使得模型对于不同负载的数据具有良好的诊断性能，提高了网络的泛化能力。实验结果表明：SPWV-CNN对轴承故障数据的平均分类准确率提升至99.27%，总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于VMD和拉普拉斯分值的柴油机故障诊断

针对柴油机声信号非平稳非线性的特性,提出了一种基于变分模态分解(VMD)和拉普拉斯分值(LS)的柴油机故障诊断方法。首先对柴油机声信号进行变分模态分解,从分解得到的各模态函数中进行统计特征提取,组成初始特征集;然后利用改进的拉普拉斯分值算法进行特征排序,以支持向量机(SVM)为故障分类器,实现柴油机的故障诊断;最后通过设计接受者操作特性(ROC)指示器,确定故障诊断的最优维。将该方法应用到6135D型柴油机四种常见故障的诊断中,实验结果表明该方法能有效提取柴油机声信号特征并具有较高的诊断精度。     

基于改进AFSA的参数优化VMD和ELM的轴承故障诊断

针对滚动轴承早期故障信号微弱、故障特征难以提取,导致故障分类效果差的问题,提出了一种基于改进人工鱼群(AFSA)进行参数优化的变分模态分解(VMD)和多特征向量融合的极限学习机(ELM)的滚动轴承故障诊断方法。首先,将改进后的AFSA对VMD算法的重要参数(分解个数K和惩罚因子α)进行自动寻优,适用度函数采用最小包络谱熵;其次,提取经AFSA-VMD分解后的包络谱熵最小的内蕴模态函数(IMF)分量作为最优分量,通过计算最优IMF分量的均方根值和峰值构造第一层特征值向量,计算最优IMF分量的样本熵、峭度和均方根构造第二层特征值向量;最后,将特征值向量送入极限学习机ELM进行滚动轴承故障的训练分类。试验结果表明本文算法具有良好的故障诊断效果且最终可实现98.25%的分类准确率和93.36%的实际诊断精度。     

基于卷积降噪自编码器和CNN的滚动轴承故障诊断

针对滚动轴承故障诊断中,振动信号往往具有非线性与非平稳性、且振动信号一般含有噪声的问题,提出一种卷积降噪自编码器和深度卷积网络(CNN)相结合的滚动轴承故障诊断方法。首先将滚动轴承时域信号输入到卷积降噪自编码器中,用无监督方式训练并在原始数据中加入噪声,提取自编码器隐含层数据作为特征实现降噪与降维,接着将提取的特征输入到CNN中进行模式识别。使用时域信号直接输入到CNN、人工特征输入到CNN两种方法作为对比,并对三种方法提取的特征进行主成分分析(PCA)。实验结果表明,基于卷积降噪自编码器和CNN的诊断方法在滚动轴承故障诊断中正确率较高、时间复杂度较低,验证了该方法的优越性。     

VMD与MCKD在轴承故障诊断中的应用与研究

针对传统解调分析难以提取轴承故障信息的这一特征,提出了一种变分模态分解(variational mode decomposition,VMD)与最大相关峭度解卷积(maximum correlated kurtosis deconvolution,MCKD)相结合的滚动轴承故障诊断方法。首先对轴承故障信号进行进行VMD分解并得到一系列窄带本征模态函数(intrinsic mode functions,IMFs);然后对各个IMF分量进行MCKD降噪,突出故障冲击成分;最后对降噪后的信号进行包络解调分析完成轴承的故障诊断。仿真信号和轴承故障振动信号的分析结果表明,基于VMD和MCKD的轴承故障诊断方法能够准确地获取轴承故障特征频率。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

基于参数优化变分模态分解的滚动轴承微弱故障诊断研究

为了提高变分模态分解(VMD)对滚动轴承微弱故障特征提取的准确性,提出了一种基于参数优化VMD与奇异值分量及其熵相结合的滚动轴承故障诊断方法。该方法通过寻优算法确定VMD的模态数K和二次惩罚因子α;根据余弦-标准差指标提取VMD典型本征模态分量(IMF);计算IMF奇异值及其熵,并利用计算结果分别判断滚动轴承的不同故障状态。结合美国西储大学轴承振动信号数据,实验结果表明:相比经验模态分解奇异值故障诊断方法,基于参数优化VMD奇异值故障诊断方法能更明显地识别滚动轴承的不同故障类型,为区分滚动轴承微弱故障提供了一种可行的诊断思路。     

LCD模糊熵和SOM神经网络在液压泵故障诊断中的应用

针对液压泵故障诊断问题,提出了一种基于局部特征尺度分解(Local Characteristic-scale Decomposition,LCD)、模糊熵和SOM神经网络三者相结合的故障诊断方法。对液压泵振动信号进行LCD分解,得到若干个内禀尺度分量(Intrinsic Scale Component,ISC);将ISC分量分别与原信号进行相关分析,筛选出包含主要故障信息的前几个ISC分量,计算其模糊熵并组成特征矩阵;将特征矩阵输入SOM神经网络进行分类识别。液压泵故障诊断实例表明,该方法能够准确识别液压泵典型故障,具有一定优势。通过与BP神经网络分类结果相对比,显示了SOM神经网络在特征分类方面的优越性。     

基于VMD和排列熵的滚动轴承故障诊断研究

针对难以识别的轴承运行振动信号中的状态特征,提出变分模态分解(VMD)和基于峭度准则排列熵结合的滚动轴承故障诊断方法。VMD分解算法受限于分解参数,分析参数对结果的影响,并通过定一求二的方法确定VMD的参数,使用设置好参数的VMD算法分解4种滚动轴承状态内圈故障、外圈故障、滚动体故障以及正常状态下的振动信号,由于滚动轴承的特殊运行特性,分析滚动轴承故障运行机理,得出基于峭度准则的排列熵(PE)特征向量构建方法,并使用支持向量机来对4种状态进行分类,最终实现故障诊断。     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。     

应用VMD和多参数融合的齿轮箱故障诊断

由于齿轮箱故障信号的非线性,以及各种噪声的影响导致故障特征难以确定,为了准确、高效地分析齿轮箱故障信号,提出了一种应用变分模态分解(VMD)和多参数融合的齿轮箱故障诊断方法。首先对齿轮箱故障信号进行变分模态分解,并与传统的经验模态分解(EMD)进行对比;同时提取各模态分量的能量百分比和信息熵作为特征值,并采用RBF神经网络进行故障诊断。实验结果表明变分模态分解能够有效避免模态混叠现象的发生,以VMD为基础的多参数融合方法能够准确、快速地实现齿轮箱的故障诊断。     

基于VMD与正交局部保持投影的齿轮故障诊断

为了提高齿轮非平稳、非线性振动信号故障特征的可辨识性提出一种变分模态分解方法与正交局部保持投影的齿轮故障状态识别模型。该模型首先利用VMD对齿轮故障振动信号分解,接着对含有敏感信息的本征模态函数进行特征初步提取并构造高维观测样本,再用流形学习OLPP算法对高维观测样本特征进行压缩和二次提取,最后选用随机森林与概率神经网络算法实现模式识别。结果表明:该模型可以有效的抑制噪声对数据内在本质结构的破坏,提高了故障诊断的准确率且具有很好的泛化学习能力。     

基于注意力机制的数控机床进给轴深度学习故障诊断

针对传统故障诊断方法易受振动传感器安装位置的影响、故障诊断准确性不高的问题，提出一种基于注意力机制的数控机床进给轴深度学习故障诊断方法(AM-CNN-GRU)。该方法以数控机床进给轴的电流、电压与温度等相关数据作为输入数据，针对采集的进给轴数据中蕴含大量的时空特征信息，为了提取数据中的时空信息以提高故障诊断准确性，设计一种由CNN与GRU并联组成的时空特征提取结构。为验证所提方法的准确性，利用FANUC数控提供的FOCAS数据开发包编写数控机床实时监测与数据采集软件，并在G460L数控车床上进行数据的采集，利用采集的数据训练故障诊断模型。把所提故障诊断方法与相关方法进行对比，准确性达到98.75%,所提方法具有一定的有效性和实用性。