基于S变换和XGBoost算法的进给系统轴承故障诊断方法

为解决生产加工过程中进给系统滚动轴承故障特征难提取、传统分类算法故障识别效率和精度较低的问题,本文提出一种基于S变换-奇异值分解和极端梯度提升(XGBoost)算法的进给系统轴承故障诊断方法。首先对采集的振动信号进行S变换和奇异值分解提取特征;然后利用获取的特征矩阵,建立XGBoost故障识别模型。实验结果表明S变换-奇异值分解方法能够有效捕获滚动轴承故障特征,XGBoost较其他算法在故障识别中具有更高的准确性和辨识效率。     

基于机器学习的轴承故障诊断研究

利用来自DC竞赛轴承故障检测数据集做了基于机器学习的轴承故障诊断研究。首先查看了轴承故障和正常状态的分布，然后利用XGBoost算法筛选出了20个核心建模特征，最后根据筛选出来的核心建模特征构建了随机森林、SVM和KNN3种机器学习模型，通过计算准确率、召回率、精确率、F1得分和ROC曲线下的面积（AUC）这5个性能指标来评估基于3种机器学习算法构建的预测模型在测试集上的预测效果。对比3个模型在测试集上表现的性能指标可以发现，基于随机森林算法构建的轴承故障诊断预测模型在AUC和准确率这两个核心指标上的评分都比其他两个模型高，它们的值都超过了90.00%，尤其是AUC达到了96.21%，效果最优。     

基于深度卷积神经网络模型和XGBoost算法的齿轮箱故障诊断研究

针对齿轮箱的复合故障诊断问题,将深度卷积神经网络(Deep Convolutional Neural Network,DCNN)与XGBoost(e Xtreme Gradient Boosting)算法相结合,建立故障诊断模型。首先,利用深度卷积神经网络自适应提取原始振动加速度信号的特征矩阵。其次,将所得到的特征矩阵作为输入数据,运用网格调参法对XGBoost算法进行参数调整,得到XGBoost模型。最后,作为训练数据训练XGBoost模型,得到DCNN-XGBoost齿轮箱故障诊断模型。为了验证该模型的有效性和XGBoost算法的优越性,与DCNN-BP神经网络、DCNN-随机森林和DCNN-支持向量机三种模型作对比分析,并且对DCNN所得特征矩阵和人工提取的特征矩阵进行t-SNE可视化降维分析。结果表明,DCNN获得的特征矩阵可视化的效果优于人工提取的特征矩阵,并且随机森林的稳定性不如XGBoost算法,和BP神经网络相比,XGBoost算法在防止过拟合方面有一定的优势,SVM与DCNN的结合有其局限性,最后DCNN-XGBoost模型的诊断正确率和时间优于其他模型。     

基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法

针对表征齿轮故障特征信息难提取与极限学习机输入权值与隐含层节点阈值随机选取,致使齿轮故障分类模型泛化能力弱、精度差的问题,提出一种基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法。该方法首先将齿轮振动信号经过小波包分解,再利用分解所得各节点信号与原信号的相关系数选取出最优节点并计算其能量特征;其次,利用蝙蝠算法优化极限学习机的输入权值与隐含层节点阈值,建立BA-ELM的齿轮故障分类模型;最后,将所得小波包最优节点能量特征向量作为模型输入进行齿轮不同故障状态的分类识别。实验结果表明,与基于SVM和ELM的故障分类方法相比,基于小波包最优节点能量特征的BA-ELM齿轮故障诊断方法具有更高的分类精度,更强的泛化能力。     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

基于元学习的设备故障知识图谱构建及推理方法

知识图谱技术可以有效实现故障信息的结构化存储，弥补传统故障诊断方法缺乏结构化管理故障信息能力的不足。但是实际工况下故障样本数量稀少，传统知识图谱技术难以在小样本情况下完成图谱构建。针对上述问题，提出一种基于元学习的设备故障知识图谱构建及推理方法。该方法首先提取故障规则链和信号特征构建设备故障信息知识图谱；其次提出基于元学习的故障链接预测算法，通过同一故障簇邻域负样本生成策略，使知识图谱具有在小样本情况下进行故障诊断的能力；最后，分别采用通识领域NELL-One数据集和实际设备故障数据集进行实验，验证了算法的故障诊断能力和查询相似故障的能力。     

基于HRFDE和GSA-PNN的旋转机械故障识别模型

采用波动散布熵只能提取故障振动信号的单一尺度特征，而多尺度反向波动散布熵(MRFDE)无法分析信号的高频特性信息，导致提取的故障特征不够全面，进而影响旋转机械故障识别准确率，针对这一问题，提出了一种基于层次反向波动散布熵(HRFDE)和引力搜索算法优化概率神经网络(GSA-PNN)的旋转机械故障诊断模型(方法)。首先，利用层次分割处理代替MRFDE中的粗粒化处理，提出了可以同时提取信号中低频段信息和高频段信息的HRFDE方法，并用于全面表征旋转机械故障特征中的低频和高频信息，从而生成了故障特征样本；然后，采用引力搜索算法(GSA)方法对概率神经网络(PNN)分类器的平滑因子进行了快速优化，建立了GSA-PNN多故障分类模型，对旋转机械的故障类型进行了识别和检测；最后，利用滚动轴承和齿轮箱两种典型的故障数据集，对基于HRFDE方法和GSA-PNN分类器的故障诊断方法的有效性和稳定性进行了实验分析，并将其与现有基于MRFDE、多尺度波动散布熵(MFDE)和层次散布熵(HDE)的故障特征提取方法进行了对比分析。研究结果表明：基于HRFDE方法和GSA-PNN分类器的故障诊断方法可以精准地识别...     

融合动态压力角域特征与多源信号的压缩机气阀故障诊断方法

针对不同故障下往复压缩机气缸动态压力数据特征非线性变化的特性，提出一种基于动态压力角域特征与多源信号的气阀故障诊断方法，构建了气缸动态压力仿真模型，基于气缸、气阀实际参数完成不同工况动态压力数据仿真，对实测与仿真数据进行归一化处理，提取整周期角域特征；进一步，提取振动、位移、管道温度等多源信号特征，采用径向基神经网络完成数据训练与故障诊断；应用实际往复压缩机气阀故障案例数据进行了测试验证。     

基于振动信号融合的ACO-DCNN多工况设备故障诊断

为解决大数据时代人工提取机械故障特征和设定网络参数造成多工况下设备故障诊断精度低的问题,提出了一种基于振动信号融合的蚁群优化深度卷积神经网络(Ant Colony Optimization-Deep Convolutional Neural Networks, ACO-DCNN)故障诊断方法。通过融合水平、竖直方向振动信号,确保不同位置信息的互补性;运用ACO算法自适应优化DCNN参数,利用深度学习强大的特征自提取和复杂映射表征能力进行故障判别。实例验证结果表明:与BP神经网络和标准DCNN相比,ACO-DCNN在多工况下平均故障诊断精度高达99.15%,该模型收敛速度较快且具有较强的泛化能力,可有效地实现多工况设备故障诊断。     

基于SDP图像与VGG网络的旋转机械转子故障诊断研究

针对传统故障诊断方法对旋转机械转子故障状态识别精度较低的问题,提出了一种基于对称点模式图像特征信息融合与深度学习相结合的旋转机械转子故障诊断方法。采用SDP信息融合技术,对转子故障状态下的多通道振动信号进行了信息融合,通过SDP图形特征可简单直观地区分不同转子故障振动状态;结合深度学习VGG网络自适应提取了SDP图像的特征信息,对不同故障转化的SDP图像实现了准确的诊断识别,进而判别了其故障类型;通过变速器机械故障模拟实验验证了所提出方法的有效性,并与传统机器学习方法极限学习机(ELM)进行了比较。研究结果表明:基于SDP图像与VGG网络的旋转机械转子故障诊断方法解决了转子故障振动信号中存在的高复杂、非线性和不稳定问题,与传统机器学习方法ELM相比具有更高的识别精度。     

基于张量Tucker分解的发动机故障诊断

传统的发动机故障诊断方法通常基于向量模式进行数据特征的提取,可能丢失数据之间的结构信息及破坏数据间相关性。针对此问题,提出了一种张量模式下提取发动机数据特征的方法,构建了“信号类别×曲轴转角×转速”的三阶张量形式的发动机状态样本,基于交替投影的思想,使用HOSVD-HOOI张量Tucker分解的联立求解算法,对数据特征进行提取。分别以不进行数据特征提取和基于张量Tucker分解进行数据特征提取两种情况,对发动机正常工作、单缸失火和轴系不对中三种状态下的实验数据进行处理,并分别采用网格参数优化法、遗传算法、粒子群算法对分类模型中的参数进行优化。以预测准确率和模型学习时间为评价指标进行对比分析,实验结果表明,基于张量Tucker分解的发动机数据特征提取及诊断方法预测准确率更高,分类模型学习时间更短。     

一种面向旋转机械的基于 Transformer 特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基 于 Transformer 的域自适应故障诊断方法。 采用 Transformer 的变体 VOLO 构造特征提取器以获取细粒度更佳的故障特征表示。 利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。 利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边 缘分布、条件分布对齐。 通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于 Transformer 特征提 取的域自适应故障诊断方法相比 5 种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了 22. 15% 和 11. 67% 的诊断精 度,证明所提出方法对于跨域诊断精度具有提升作用。     

钢筋混凝土框架近断层速度脉冲地震响应分析

针对滚动轴承的故障诊断问题，提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder，简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization，简称IGWO)以及支持向量机(support vector machine，简称SVM)的混合智能故障诊断模型。首先，利用栈式自编码网络强大的特征自提取能力，实现故障信号深层频谱特征的自适应学习，通过引入稀疏项约束提高特征学习的泛化性能；其次，利用改进的灰狼算法实现支持向量机的参数优化；最后，基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能，避免了手工特征提取的弊端，可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明，相比传统方法，笔者所提出的模型具有更优秀的故障识别能力，诊断准确率可达98%以上。     

基于最小熵解卷积-变分模态分解和优化支持向量机的滚动轴承故障诊断方法

提出了一种基于最小熵解卷积和变分模态分解以及模糊近似熵的故障特征提取方法,并采用优化支持向量机对故障进行识别分类。首先利用最小熵解卷积方法降低噪声干扰并增强故障信号中故障特征信息,进而对降噪后的信号进行变分模态分解,并利用模糊近似熵量化变分模态分解后包含故障特征信息的模态分量以构建特征向量,之后通过采用扩展粒子群算法优化惩罚因子和核函数参数的支持向量机,对故障样本训练并完成故障识别分类。将所提方法应用于滚动轴承不同损伤程度、不同故障部位的实验数据,验证了该方法的有效性。与基于局部均值分解的特征提取方法相对比,结果表明所提方法可以更精确地提取出滚动轴承故障特征,并能够更准确地完成不同故障的识别;通过与基于网格寻优算法优化的支持向量机方法和基于扩展粒子群优化的最小二乘支持向量机方法相对比,结果表明所提方法具有更好的分类性能,能达到更好的诊断效果。     

A Deep Learning Approach for Fault Diagnosis of Induction Motors in Manufacturing

Extracting features from original signals is a key procedure for traditional fault diagnosis of induction motors, as it directly influences the performance of fault recognition. However, high quality features need expert knowledge and human intervention. In this paper, a deep learning approach based on deep belief networks (DBN) is developed to learn features from frequency distribution of vibration signals with the purpose of characterizing working status of induction motors. It combines feature extraction procedure with classification task together to achieve automated and intelligent fault diagnosis. The DBN model is built by stacking multiple-units of restricted Boltzmann machine (RBM), and is trained using layer-by-layer pre-training algorithm. Compared with traditional diagnostic approaches where feature extraction is needed, the presented approach has the ability of learning hierarchical representations, which are suitable for fault classification, directly from frequency distribution of the measurement data. The structure of the DBN model is investigated as the scale and depth of the DBN architecture directly affect its classification performance. Experimental study conducted on a machine fault simulator verifies the effectiveness of the deep learning approach for fault diagnosis of induction motors. This research proposes an intelligent diagnosis method for induction motor which utilizes deep learning model to automatically learn features from sensor data and realize working status recognition.     

基于加权排列熵和DE-ELM的滚动轴承故障诊断

针对滚动轴承振动信号非平稳非线性的特征,提出一种基于加权排列熵和差分进化算法优化极限学习机(DE-ELM)的滚动轴承故障诊断方法。首先利用自适应噪声的完全集合经验模态分解处理轴承振动信号得到固有模态函数(IMF),然后计算主要IMF分量的加权排列熵组成故障特征向量,最后利用差分优化算法(DE)优化极限学习机隐含层输入权值和偏置,并将故障特征向量作为DE-ELM的输入。实验证明,加权排列熵能够精确提取故障特征,DE-ELM算法能有效提高故障分类精度。与多种方法相比,该方法更加准确可靠。     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于深度学习特征提取和粒子群支持向量机状态识别的齿轮智能故障诊断

针对齿轮故障诊断问题,利用数理统计特征提取方法、深度学习神经网络、粒子群算法和支持向量机等技术,提出了一种基于深度学习特征提取和粒子群支持向量机状态识别相结合的智能诊断模型。该模型利用深度学习自适应提取的频谱特征与数理统计方法提取的时域特征相结合组成联合特征向量,然后利用粒子群支持向量机对联合特征向量进行故障诊断。该模型在对多级齿轮传动系统试验台的故障诊断中实现了中速轴大齿轮不同故障类型的可靠识别,获得了满意的诊断结果。应用结果也验证了基于深度学习自适应提取频谱特征的有效性。     

广义精细复合多尺度样本熵与流形学习相结合的滚动轴承故障诊断方法

针对滚动轴承故障特征提取困难的问题，提出了一种广义精细复合多尺度样本熵(GRCMSE)与流形学习相结合的特征提取方法。利用GRCMSE提取滚动轴承故障特征信息；采用判别式扩散映射分析(DDMA)方法对高维特征进行降维处理；将低维故障特征输入粒子群优化支持向量机多故障分类器中进行故障识别。滚动轴承故障实验分析结果表明：GRCMSE特征提取效果优于多尺度样本熵(MSE)、精细复合多尺度样本熵(RCMSE)和广义多尺度样本熵(GMSE)； DDMA降维效果优于等度规映射(Isomap)和局部切空间排列(LTSA)的降维效果；GRCMSE和DDMA相结合后的滚动轴承故障识别精度达到100%。