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。     

非线性稀疏盲解卷积的轴承早期故障诊断方法

针对大数据环境下旋转机械的早期故障诊断，提出一种基于非线性稀疏盲解卷积的快速高效的轴承故障诊断方法。首先对无监督学习目标函数的故障表达能力进行了理论研究，结果表明，适当的非线性伸缩能够改善目标函数的相对梯度，提高异常干扰下故障表达的稳定性；然后利用归一化后的广义非线性卷积激活解决了非线性函数的尺度不一致导致的分布异变问题，并构造非线性稀疏盲解卷积目标函数，搭建无监督神经网络；为提高滤波器的冲击特征，通过自适应拟合的高斯窗函数对学习到的滤波器进行修正，并通过频域峭度对滤波器组进行降维；最后进行滤波和包络分析，得到轴承的早期故障特征。通过仿真外圈故障、远端内圈故障和轴承加速寿命数据进行验证和对比。结果表明，非线性稀疏盲解卷积能够自主学习并增强微弱的早期故障，具备更强的噪声适应性、计算时间和鲁棒性，为实现机械装备的实时在线监测提供良好的理论支撑，展现出良好的应用前景。     

滚动轴承故障特征选择的Filter与改进灰狼优化混合算法

为了从原始高维特征空间中选择最具鉴别能力的特征，提高轴承故障诊断精度，提出了一种Filter与改进灰狼优化混合的故障特征选择算法。首先，针对滚动轴承的原始振动信号，利用一种基于Hilbert-Huang变换的时频域特征提取策略建立高维敏感特征集合。然后，通过由ReliefF算法与拉普拉斯分数构成的混合Filter方法对原始特征集合进行相关性评估并快速筛选重要特征，从而完成特征集合的一次预选。最后，引入改进灰狼优化算法对预选特征集合进行二次筛选，实现冗余特征去除的同时，完成对支持向量机模型参数的优化。利用旋转机械振动试验台获取故障轴承数据进行了验证，试验结果表明，该方法显著提高了分类器模型的诊断准确率，有效实现了故障数据集的特征降维，并且与同类方法相比，所提方法具有更好的综合性能。