样本不均衡下的DCGAN轴承故障诊断方法

在实际工况下,轴承可采集到的故障样本分布往往呈现极强的不均衡特性,该特性对故障诊断精度具有不可忽略的影响。为提高样本不均衡情况下的轴承故障诊断精度,采用样本生成扩充的思路,提出一种基于深度卷积生成对抗网络的故障诊断方法。首先针对轴承振动数据信号的特性,采用快速傅里叶变换使其转化为频域,并通过归一化进行预处理;其次利用深度卷积生成对抗网络进行对抗训练,生成具有真实样本特征的虚拟样本。模型采用衰减学习率并增设Dropout层,提高了模型生成的效率及真实性。最后,构建一维卷积神经网络模型完成故障诊断。实验验证结果表明,提出的方法能有效提高样本不均衡情况下的诊断精度以及诊断稳定性。     

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。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和自注意力卷积神经网络（SeCNN）的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。     

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...     

数值模型驱动的传动系统故障个性化诊断原理

如何获得机械传动系统大量反映实际运行状态的故障样本,是制约人工智能诊断模型走向工程应用的瓶颈.基于个体差异的精准诊断需求,提出机械传动系统个性化故障诊断基本原理,通过建立机械传动系统数值模型,进行仿真分析,获得故障样本,解决故障诊断过程中故障特征信息缺乏的短板,从而激活人工智能诊断方法.以轴承、齿轮传动、转子系统等机械传动系统为例,构建完好结构有限元模型,开展模型修正,获得具有一定精度的仿真模型.预定义多类故障并添加至具有一定精度的有限元模型,计算生成故障样本集,作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.任意选取的支持向量机、极限学习机、卷积神经网络等人工智能诊断模型故障分类实验结果表明:所提出机械传动系统故障诊断的个性化诊断原理,具有较强的普适性与可拓展性.     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断

针对柴油发电机组故障信号非平稳非线性特征参数难以提取的问题,结合深度学习的优势,提出一种基于变分模态分解(VMD)和深度卷积神经网络(CNN)相结合的故障诊断模型。为克服VMD算法中分解模态数较难确定的问题,采用峭度准则来选取最优分解模态数,将优化的VMD算法用于不同工况下的柴油发电机组声信号进行分解,转化为灰度图像作为网络输入,通过CNN自动进行特征提取,并利用训练集样本进行网络训练。为避免背景噪声和提高故障诊断精度,使用双传感器采集发电机组声信号。通过测试集的验证,表明该模型在对柴油发电机组的故障诊断中实现了不同工况下的可靠判别,进一步提升了故障判别的准确性。通过对比其他4种故障诊断方法,结果表明所提方法诊断精度更高且鲁棒性好。     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。     

基于Morlet小波与CART决策树的滚动轴承故障诊断方法

针对滚动轴承故障诊断过程中样本处理、故障识别等技术问题,提出一种基于Morlet小波和分类回归树(Classification and Regression Tree, CART)的滚动轴承故障诊断方法。首先,利用Morlet小波分析方法和移动窗方法对轴承振动信号进行样本处理。其次,对提取的短样本进行变分模态分解与特征提取,完成训练集和测试集的构建。然后,使用训练集训练CART决策树分类模型,同时引入随机搜索和K折交叉验证用于模型关键参数优化,以获取理想的轴承故障分类模型。测试集验证结果表明,该方法不但能实现多种轴承故障的有效诊断、在含噪测试集中表现良好,而且单个样本的数据长度和采样时长的缩短效果明显。     

周期能量与优化LMD结合的轴承故障诊断方法

为了提高轴承故障诊断准确率,缩短神经网络训练时间,将周期能量特征和优化的局域均值分解(local mean decomposition,简称LMD)特征结合,提出了一种新的轴承故障诊断方法。首先,采用形态滤波法对振动信号去噪;其次,以轴承一个旋转周期采样点数为标准,对振动信号进行截取,提取周期能量特征和LMD特征;然后,对提取的特征进行u律压扩和滑动平均优化处理;最后,设计两个同精度神经网络,采用经优化和未优化的特征对设计好的RBF神经网络进行训练,用训练好的神经网络进行故障诊断。实验结果表明,神经网络收敛迭代次数减少了50次,诊断正确率提高了10%,提高了轴承故障诊断正确率,缩短了神经网络训练时间。     

基于一种高精度卷积神经网络的框架结构模型故障诊断研究

框架结构健康检测和故障诊断是机械工程和土木工程等学科中十分重要的科学问题,能够准确诊断出框架结构的故障是保证框架结构健康工作的基本前提。为了提高噪声条件下的框架结构故障诊断精度,对现有的TICNN(convolution neural networks with training interference)模型进行了改进,得到了一种抗噪声能力极强的新型卷积神经网络模型。为了验证提出的改进型TICNN在抗噪声方面的优越性,将它和TICNN、1DCNN(dimensional convolution neural network)、WDCNN(first layer wide convolution kernel deep convolution neural network)进行对比实验研究,结果表明提出的改进型TICNN效果最优。在此基础上,运用改进的TICNN使用二分类的方式对一种4层钢结构模型进行故障诊断实验研究,结果表明:提出的改进型TICNN在噪声条件下仍能得到较高的诊断精度,从而验证了改进的TICNN的优越性。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

灰色关联分析的神经网络模型在轴承故障预测中的应用

为提高小样本轴承故障预测的精度,提出了灰色关联分析的神经网络预测模型。利用神经网络训练样本数据,并使用灰色关联分析不断调整其隐含层节点数,以寻找到最优的数据解,完成训练过程;基于已训练好的模型对未来时间点的运行状态进行分析,并根据设备的理论诊断标准实现故障预测。将提出的模型与同样可预测小样本波动数据的灰色马尔科夫预测模型进行实例应用对比,结果显示,灰色关联分析的神经网络预测模型效果明显优于灰色马尔科夫模型。     

轧机伺服液压缸内泄漏故障诊断研究

针对目前轧机伺服液压缸故障诊断过程中,故障特征提取困难,信号非线性变化,数据量大的问题,提出了一种基于深度置信网络的轧机伺服液压缸故障诊断的方法。根据轧机系统工作原理,建立轧机系统仿真模型,对轧机内泄漏故障状况进行模拟。利用深度置信网络在智能故障诊断的优越性,将信号归一化处理后放入深度置信网络进行训练,然后通过反向传播学习,优化网络各参数,提高诊断精度。深度置信网络模型由多层玻尔兹曼机以及顶层BP神经网络组成。与传统BP神经网络方法进行比较,结果表明,在训练样本数据足够的条件下,深度置信网络模型在伺服液压缸内泄漏故障诊断具有更高的诊断精度。     

不平衡技术在轴承故障诊断中的应用

为解决实际工程环境中因轴承故障数据缺失引起的数据不平衡,进而影响模型诊断的问题,提出了不平衡数据处理技术在轴承故障诊断中的应用,即使用少量数据,训练出一个能够诊断多种轴承故障的模型.针对不同种类故障数据的边界混淆及类内不平衡,首先对少数类样本进行高斯混合模型( GMM )聚类,根据簇密度分布函数使用 GMM-SMOTE 进行权重采样,然后针对边界混淆问题使用 Tomek’s Link 数据清洗技术进行边界混淆样本数据清洗,形成类内类间平衡的数据集,结合超参数优化的支持向量机(SVM )模型进行诊断分析.实验结果表明,该方法效果良好,在轴承的故障诊断中有较好的实际工程意义和推广性.     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。