基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于SCGAN网络的齿轮故障诊断方法

为了提高齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,融合卷积神经网络(convolutional neural network,简称CNN)与对抗神经网络(generative adversarial network,简称GAN)两种深度神经网络特征,提出...     

时空神经网络滚动轴承故障诊断方法

深度神经网络在故障诊断领域已有一定应用,为了进一步提高其诊断效率和准确率,本文提出了一种基于时空神经网络的滚动轴承故障诊断方法:该方法使用卷积神经网络(Convolution neural network,CNN)框架,借用深度残差网络(Residual neural network,ResNet)的网络并联法,并联CNN卷积层和循环神经网络(Recurrent neural network,RNN)的LSTM层,构建新的时空神经网络,对传感器采集的信号进行特征提取。该网络同时具备对空间域的强大学习能力和时域信号的学习能力,并且在每一层中权值共享,这使得时空神经网络参数数量较低,从而极大地避免了过拟合现象的产生,也降低了系统所占用的内存,可以高效地提取故障特征,从而提高诊断的准确率。试验结果表明:该方法比单个网络的诊断正确率提高了1.01个百分点。     

基于原始振动信号的往复压缩机卷积神经网络故障诊断

往复压缩机振动信号特性复杂,传统特征提取方法难以有效提取故障特征,从而影响故障诊断效果。提出了基于原始振动信号卷积神经网络(RVCNN)的方法,将采集的一维原始振动信号作为输入,充分利用卷积神经网络(CNN)自动提取信号特征的特性,对往复压缩机故障进行特征提取及诊断。使用从试验台获得的压缩机气阀故障数据样本进行测试,结果表明,与传统方法相比,RVCNN方法具有更高的故障识别率和更好的抗噪性能。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题，提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network，简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先，对振动信号进行共振稀疏分解，得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量；其次，构建多共振分量融合卷积神经网络，将得到的高、低共振分量和原始振动信号进行自适应的特征级融合，通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明，该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障，成功对行星齿轮箱故障进行诊断，同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络(multi-resonance component fusion based convolutional neural network,简称MRCF-CNN)的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

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。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法。首先,对多传感器振动信号分别进行特征提取,将获得特征向量作为一维特征面构造多传感器特征面集合,将该集合作为深度卷积神经网络的输入;其次,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后,由softmax回归分类器输出诊断结果。实验结果表明,该方法具有更高的故障分类与辨识能力,良好的鲁棒性和自适应性。本方法可为解决复杂机械系统故障诊断的多传感器信息融合问题,提供理论参考依据。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。