轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines，简称 SNP-DELM））的滚动轴承故障诊断方法。首先，将极限学习机（extreme learning machine，简称ELM）与自编码器（autoencoder，简称AE）相结合，提出一种ELM-AE的结构，利用自编码器对极限学习机的隐含层进行分层；其次，将稀疏与近邻思想融入深层网络中，在投影过程中，通过稀疏表示保持数据的全局结构，通过近邻表示保持数据的局部流形结构，无监督地逐层提取数据的深层特征；最后，通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验，并与ELM、堆叠降噪自编码器（stacked autoencoder，简称SAE）、深层极限学习机（deep extreme learning machine，简称DELM）、卷积神经网络（convolution neural network，简称CNN）等方法进行对比，实验结果表明，SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

基于变分模态分解与灰狼算法优化极限学习机的滚动轴承故障诊断

提出了基于变分模态分解(VMD)和灰狼算法优化极限学习机(GWO-ELM)的故障诊断方法。采用变分模态分解对轴承振动信号进行分解,计算分解后本征模态分量的模糊熵并构建多尺度特征向量,将其输入灰狼算法改进极限学习机中进行故障模式识别。通过西储大学滚动轴承故障数据分析了变分模态分解及模糊熵算法中的参数选择问题,并随该算法进行了噪声鲁棒性验证。滚动轴承现场故障数据的诊断结果以及与常规极限学习机(ELM)和多隐层极限学习机(M-ELM)的对比分析表明,GWO-ELM模型能够有效识别滚动轴承故障类型,而且具备较高的故障识别率和较快的诊断速度。     

基于RCMRFDE和ELM的滚动轴承故障检测方法

为了有效地提升滚动轴承故障诊断的可靠性和准确性，鉴于精细复合多尺度反向波动散布熵(RCMRFDE)方法在描述非线性序列复杂度和特征提取方面的优势，提出了一种结合RCMRFDE和极限学习机(ELM)的滚动轴承综合故障检测方法(该方法包括健康检测和故障分类)。首先，根据滚动轴承健康和故障振动信号复杂性具有显著性差异的特点，利用RCMRFDE预先检测了滚动轴承的健康状态，筛选出了健康轴承；然后，采用RCMRFDE提取出了剩余故障轴承的故障特征，并采用极限学习机(ELM)对故障类型进行了智能化的识别；最后，基于两种公开的滚动轴承故障实验数据，分别采用RCMRFDE+ELM方法与其他5种故障诊断方法进行了检测，并将所得结果进行了比较分析，以验证新方法的检测精度、分类准确率、效率和可靠性。研究结果表明：采用RCMRFDE+ELM方法能够准确地检测出滚动轴承是否存在故障，并且在二次实验中，对于故障轴承的平均识别准确率分别达到了99.96%和99.67%,均高于其他方法。该方法可以为建立滚动轴承的健康监测模型提供阈值设置方法和诊断思路。     

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。     

多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通过池化运算提炼简化特征.最后,将提取后的特征用来训练KELM,并采用遗传粒子群(GAPSO)算法对KELM的惩罚系数C与核参数σ进行优化设置,得到故障诊断模型.为评估方法有效性,采用同工况和变工况条件下进行实验测试,并与CNN-SVM、经典AlexNet、VGG方法进行比较,结果显示该方法具有更好的准确性和稳定性.     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中，而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征，针对此问题，提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先，将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图，于现存的纵向插样和二维频谱而言，保留了特征自动提取过程中振动信号的时序性和关联性；其次，改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作，从二维特征图中自动提取出利于滚动轴承状态辨识的特征；最后，以softmax的交叉熵为损失函数，利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较，结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高，鲁棒性更强。     

变转速变载荷下滚动轴承故障的小波-HMM诊断

常规的谱分析等方法难以对滚动轴承变转速变载荷工况进行故障诊断，为此，采用具有时频局域特征的小波分析法。对变转速变载荷工况下滚动轴承的振动信号。用小波包分解法提取各频带的能量作为特征参数。再采用连续隐Markov模型（HMM）对滚动轴承的状态进行识别。试验证明，小波-HMM可以在变转速变载荷工况下以及未知转速情况下对滚动轴承的各种故障有效地进行诊断。     

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。     

基于深度信念网络的滚动轴承特征迁移诊断

滚动轴承的故障智能诊断研究多是针对同源数据进行，而不同型号、不同工况下的滚动轴承，由于时、频特征差异，加之背景噪声的影响，导致识别准确率偏低。为了解决这一问题，笔者以6307和6205两类深沟球轴承为研究对象，建立了以深度信念网络（deep belief network，简称DBN）为核心的迁移诊断模型，构造了以波形指标、峭度指标、近似熵及分散熵为代表的特征识别参数。为了抑制信号传递路径（共振频带差异）和背景噪声的影响，引入最大相关峭度反卷积（maximum correlated kurtosis deconvolution，简称MCKD）方法，并对其关键参数实施了自适应选取。结果表明，由MCKD与DBN联合组成的迁移诊断模型，在3类不同数据源之间的诊断准确率均超过了95%，为滚动轴承的迁移特征诊断提供了一条可行的途径。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

结合双模多尺度CNN特征及自适应深度 KELM的浮选工况识别

针对可见光图像特征驱动的浮选工况识别方法的不足,提出一种基于双模态图像多尺度CNN特征及自适应深度自编码核极限学习机(Kernel Extreme Learning Machine,KELM)的浮选工况识别方法。先对泡沫的可见光、红外图像进行非下采样剪切波多尺度分解,设计双通道CNN网络对双模态多尺度图像进行特征提取及融合,将多个双隐层自编码极限学习机串联成深度学习网络对CNN特征逐层抽象提取,然后通过核极限学习机映射到更高维空间进行决策,最后改进量子细菌觅食算法并应用于深度自编码KELM识别模型参数优化。实验结果表明:采用双模多尺度CNN特征较单模多尺度、双模单尺度CNN特征的识别精度提高了2.65%,自适应深度自编码KELM模型具有较好的分类精度和泛化性能,各工况识别的平均准确率达到95.98%,识别精度和稳定性较现有方法有较大提升。     

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti-interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

改进的布谷鸟算法优化极限学习机的石化轴承故障分类

针对通用的智能故障诊断方法在石化滚动轴承中准确率不理想的问题,提出一种通过改进的布谷鸟算法( CS )优化极限学习机( ELM )使诊断准确率提高的模型。将实测轴承振动信号降噪处理,计算不同嵌入维度下的关联维数作为 ELM 的输入信号;通过改进的布谷鸟算法获取极限学习机最优的隐含层偏置、输入权重,最后输出诊断结果。经过实验证明,该方法可以有效地克服测量信号时的干扰,可以对不同故障下的滚动轴承准确识别,并与多种模型对比,该方法的故障诊断准确率为 97.5% 。