基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明：FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。     

基于短时傅里叶变换和深度卷积神经网络的直升机齿轮箱故障诊断方法

齿轮箱作为直升机重要的传动机构,其运转的可靠性对保障直升机系统安全具有重要的作用.针对传统信号处理需要大量专家经验来识别故障类型的不便性和复杂性,为了实现直升机齿轮箱故障诊断,本研究提出一种基于短时傅里叶变换和深度卷积神经网络的故障诊断方法.首先,将采集到的直升机齿轮箱振动信号利用短时傅里叶变换绘制时频图,以提取振动信...     

基于RBF神经网络的数控机床故障诊断研究

本文介绍神经网络用于数控机床控制系统的故障诊断技术，分析了数控机床故障诊断的方法，并采用RBF神经网络实现数控机床控制系统故障诊断的算法和程序设计。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于混合神经网络的数控机床故障诊断技术研究

为了实现数控机床故障诊断的自动化和智能化,提出了一种基于混合神经网络的数控机床故障诊断技术.首先通过一级BP神经网络对输入的故障信息进行分类,然后针对分类后的故障再通过二级ART神经网络实现故障的诊断和排除.基于两级混合神经网络的故障诊断系统不但具有故障自动诊断功能,而且还具有自学习和自组织等智能.     

基于免疫神经网络的数控机床故障诊断研究

针对BP神经网络在数控机床故障预测中出现的收敛速度慢和训练容易陷入局部极值问题,提出一种基于人工免疫算法优化BP神经网络(IMBP)的数据机床故障诊断算法。介绍了常见的数控机床故障类型和分类,阐述了人工免疫算法和BP神经网络以及人工免疫优化BP神经网络算法的工作流程。利用免疫算法的全局搜索性能先对神经网络权值和阈值进行全局优化,加快了BP算法训练过程的收敛速度,减少训练过程所需要的时间。通过仿真性能测试分析,结果表明:与BP、GABP和IMBP 3种算法对比,比BP神经网络算法的数控机床故障预测诊断提高了18.3%,比GABP神经网络算法提高了12.05%,提高了数控机床故障诊断精度。     

基于1D-RSLBCNN的齿轮箱故障诊断

针对传统故障模型参数多,训练和检测时间长的问题,提出了基于残差结构和局部二进制卷积(1D-RSLBCNN)的齿轮箱故障诊断方法。其利用局部二进制卷积层来替代传统卷积层,在减少模型参数的同时,加快了训练速度和收敛速度;同时在网络模型中引入残差结构,避免了由于网络深度的增加引起的正确率饱和甚至下降的问题。实验结果表明,局部二进制卷积层的参数量为传统卷积层的1/3,诊断准确率更是高达99.7%。与其他模型相比,具有更稳定、可靠的预测精度。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

基于VMD分解与卷积神经网络的液压泵故障诊断

针对液压泵数据退化特征维数高以及故障诊断精度不高的问题,提出了一种基于变分模态分解（Variational mode decomposition,VMD）与卷积神经网络（Convolutional Neural Network,CNN）的液压泵故障诊断方法。利用VMD良好的分解能力处理高维度数据,进行数据扩展,提取详细特征;基于CNN良好的特征提取和分类性能,在不需要先验知识的情况下直接从数据中提取特征,实现高精度故障诊断。该方法因具有端到端特征学习能力,在实测液压泵数据上进行验证,具有较高的故障诊断精度和稳定性。     

基于循环神经网络的数控机床故障诊断研究

为快速对数控机床故障进行在线定位与诊断,提出基于循环神经网络的数控机床故障诊断技术。通过提取网络节点,建立基于循环神经网络的“门”判别结构;引入模糊边界理论,对机床故障特征空间进行分类;通过组织故障诊断样本的方式,完成规则可信度率的统计与判别,实现对数控机床故障的在线诊断。以CAK6150数控机床作为研究对象,经过数据归纳可知,在循环神经网络支持下,故障诊断数据的实际输出与理论值非常接近,且收敛速度较快,能够较好解决制造类企业的机械设备应用故障问题。     

基于LMD和RBF结合的齿轮箱故障诊断

局域均值分解(Local Mean Decomposition,LMD)是近年来出现的一种新的时频分析方法,在机械设备故障诊断领域中的应用日益广泛。针对齿轮箱振动故障信号的非平稳性和非线性,提出了一种基于局域均值分解和径向基函数神经网络(Radial Basis Function Neural Network,RBF)相结合的齿轮箱故障诊断方法。该方法利用小波包对原始信号进行消噪;利用LMD对处理后信号进行分解,得到一系列PF分量(Product Function,PF);选取包含主要故障信息的PF分量并从中提取偏度系数等特征参数对RBF神经网络进行训练,并对齿轮箱故障进行识别和分类。通过实例验证了该方法的有效性。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

基于CEEMDAN- EFICA去噪的风电齿轮箱故障诊断

针对风电齿轮箱实验样本较少,以及振动信号具有非平稳、非线性的特点,提出了基于完备集合经验模态分解(CEEMDAN)-高效快速独立分量分析(EFICA)的去噪方法。首先应用CEEMDAN与峭度-相关系数准则完成信号重构,对重构信号和原信号进行EFICA分离来获得去噪信号;然后提取去噪信号的时域特征、频域特征构建特征向量,使用核主分量分析(KPCA)对向量降维处理实现特征信息融合;最后采用复合神经网络对信号特征集进行分类完成故障诊断。通过实验数据对比,证明了该方法消噪效果更好且复合神经网络的诊断准确率最高,所提方法具有可行性和优越性。     

基于改进PSO优化模糊神经网络的数控机床故障诊断技术研究

数控机床故障具有隐蔽性和复杂性的特点,为了快速准确地识别数控机床发生的故障,结合粒子群算法全局搜索能力强、寻优速度快及模糊神经网络容错能力强、自适应性强的特点,提出了将模糊逻辑、RBF神经网络及粒子群算法有机结合的数控机床故障诊断方法。为了改善粒子群算法局部搜索能力,在标准粒子群算法的基础上,改进粒子群的速度更新公式和惯性权重,以此优化模糊神经网络结构参数,从而建立起改进PSO优化模糊神经网络的数控机床主轴伺服系统故障诊断模型。实验和仿真结果表明:与RBF神经网络、标准PSO优化模糊神经网络相比,改进PSO优化模糊神经网络的故障辨识准确性更高、泛化能力更强。     

基于一维卷积迁移学习的跨工况机床轴承故障诊断

滚动轴承作为机床的重要核心零件,对保证机床的正常运转至关重要。然而在实际工作中,机床的工况经常根据不同的工作要求产生相应的变化,对机床轴承的转速以及负载产生一定的影响,从而导致轴承的机械振动信号呈现出非平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练（源域）和测试（目标域）数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而,由于机床常在非平稳工况下运行,因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题,基于迁移学习（TL）技术,设计一维卷积神经网络（1-DCNN）与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征信息,并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉近两域的特征分布,实现轴承跨工况迁移故障诊断。最后通过构建的12组迁移任务对比实验,验证所设计模型的优越性。结果表明：设计的基于一维卷积的迁移学习神经网络模型可直接实现对机床轴承故障的实时监测;设计的模型通过结合对抗策略迁移与度量域分布差异两种迁移策略,大大提高了迁移故障诊断性能,可更好地提取源域与目标域的公共特征;在实验构建的12组迁移任务中优于其余两种迁移策略,能完美完成迁移故障诊断任务。     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全,提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱,并将其划分为训练集和测试集;然后将训练集输入卷积神经网络模型中,进行训练样本信号的特征提取工作,通过前向传播和反向传播方式得到卷积神经网络的具体模型,并通过多次迭代更新网络参数;最后,将训练好的模型用于测试集,获得蛇行减振器故障诊断的准确率。为了验证模型的有效性,选用正常状态、启动不良和锯齿波故障数据作为实验验证,结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题,且具有较好的诊断效果。     

双重融合的轻量级卷积神经网络轴承故障诊断

以往的轴承故障诊断模型精度低,迭代时间长,难以适应现实生产场景,因此建立了一种数据融合加特征融合的并行双通道卷积神经网络模型。首先,将风扇端的数据和驱动端的数据组合,重新构建新的数据;之后将新的数据和数据重构后的二维数据输入到模型中提取特征,1D-CNN提取一维空间特征,2D-CNN利用深度残差收缩网络提取二维空间特征并进行降噪处理。使用深度可分离卷积和全局平均池化降低模型参数量;然后,将提取到的特征在全连接层进行特征融合,可以在保持高诊断准确率的同时降低噪声的影响;最后,利用Softmax分类器对轴承的状况进行辨别。模型的结构配置良好,迭代次数少,可以快速的收敛。参数量相比其他方法少很多,以便实际部署。实验表明,本文所提出的网络模型相较于其他深度学习方法,在强背景噪声以及弱干扰噪声的影响下都能更准确地识别信号的故障模式,验证了该模型的可行性和优越性。     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

基于CEEMDAN自适应小波降噪与卷积神经网络的齿轮箱故障诊断研究

噪声情况下精确地对齿轮箱进行故障诊断是齿轮箱故障诊断的难题。为了解决该难题,采取自适应小波对自适应噪声完全集合经验模态分解（CEEMDAN）分量进行分解降噪与重组,并提出卷积神经网络(CNN)结合Inception模块的一维卷积神经网络(BICNN)提取重构信号的基本数字特征,同时使用长短期记忆提取BICNN所提取到的特征之间的相关性特征,对齿轮箱进行故障诊断研究。诊断结果表明：所提出的方法具有较高的抗噪声能力,并且齿轮箱在受到-4 dB噪声干扰的情况下,所提出的方法仍然可以获得99.63%的训练精度。     

基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法

针对滚动轴承故障诊断中单一网络模型的不确定问题,并考虑到声信号非接触式测量的优势,提出一种多卷积神经网络(CNN)模型融合的滚动轴承声学故障诊断方法,采用多通道传声器信号对每一个CNN进行训练,然后采用Blending模型融合方法将多CNN模型进行融合,实现更精确、更可靠的故障诊断.通过半消声室内滚动轴承实验台的传声器...