深度残差网络在滚动轴承故障诊断中的研究

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),...     

基于深度残差收缩网络的船用补水泵滚动轴承故障诊断

船用补水泵是常规的船用设备,与陆上普通补水泵不同的是船用补水泵有着较高的可靠性要求,并且要求故障发生时要及时发现故障位置。为了能够提升对于补水泵的健康监测以及智能故障诊断,这篇文章提出了一种基于深度残差收缩网络的补水泵滚动轴承故障诊断模型。该模型使用的深度残差收缩网络是对于残差网络的改进,首先增加了网络深度,强化了特征提取能力,残差模块的显著特点是具有恒等映射结构,该结构能有效解决深度神经网络中的梯度消失或爆炸问题。通过软阈值和注意力机制的深度融合从而实现样本降噪功能。最后,为了验证方法的有效性,采用大量的补水泵滚动轴承振动信号进行测试,通过与其他主流网络模型的故障分类准确率对比,得出结论深度残差收缩网络对于滚动轴承的故障具有较高的分类精度。     

基于残差胶囊网络的滚动轴承故障诊断研究

采用传统的滚动轴承故障诊断方法对时域信号进行特征提取时,过分依赖于专家知识,而且提取到的特征对故障信息表达不充分,针对这一问题,提出了一种基于残差网络和胶囊网络的滚动轴承智能故障诊断方法。首先,以原始振动信号作为输入,使用一维卷积神经网络对其时域信号进行了全局特征提取;然后,利用残差网络提取了数据的低层特征,并将其输入到胶囊网络中,进行了低层特征矢量化处理;随后,采用模糊聚类改进的动态路由方法完成了低层特征到高层特征的聚合,并进行了特征分类;最后,为了验证该方法的有效性,采用滚动轴承数据集对所提出的方法进行了试验验证,并将该方法诊断结果与其他深度学习方法诊断结果进行了比较。研究结果表明:残差胶囊网络在分类精度上达到了99.95%,并且在收敛速度方面得到了提高,通过t-sne可视化分析进一步证明了该网络模型具有自适应挖掘高层特征的能力;残差胶囊网络在滚动轴承故障诊断中具有良好的精确性和泛化性。     

基于改进深度残差收缩网络的风电机组滚动轴承故障诊断方法

滚动轴承是风电机组关键部件,其运行工况复杂,故障类型难以准确识别。针对传统深度神经网络在强噪声环境下特征学习能力不足的问题,提出一种基于稠密连接模块的改进深度残差收缩网络(Deep residual shrinkage network based on dense block,DB-DRSN),实现强噪声、不同负载工况下滚动轴承故障的高效诊断。首先,将添加不同等级噪声的振动信号间隔采样并矩阵化,构建二维灰度图作为输入样本。然后,基于Dense block构造稠密连接残差收缩模块层(Residual shrinkage block unit based on dense block,DB-RSBU),利用Bottleneck层替代残差收缩模块中的卷积隐层,并加入Concat连接,达到对浅层和深层特征的充分利用。在每次稠密连接后通过1×1卷积进行降维,利用注意力模块和软阈值对逐通道特征赋不同阈值并降噪。最后,输入样本经过卷积池化层和DB-RSBU层堆叠的网络得到分类结果。试验表明,DB-DRSN模型在CWRU与PU滚动轴承数据集上不同噪声等级下的平均诊断准确率分别达到99.80%和96.4...     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于FB-LSTM ResNet的滚动轴承故障诊断方法

提出一种基于FB-LSTM ResNet的滚动轴承故障诊断方法,并将故障诊断过程划分为3个部分。原始振动信号获取与处理模块利用振动信号窗平移方法完成重叠信号的分割,并利用Inception网络高效完成一维信号预处理;振动信号特征提取模块采用FB-LSTM ResNet网络,可以有效处理层深所引起的退化情况;故障诊断分类模块选用全局池化层代替全连接层,能够削减网络参量,从而有效规避过拟合情况。采用CWRU与QPZZ-II故障轴承样本集的试验结果表明,FB-LSTM ResNet方法在原始样本和加噪样本中均获得了最高的故障诊断准确率,并可在较少的迭代过程中达到较优的准确率与损失值,其效果优于单独的FB-LSTM, ResNet方法以及其他融合方法。     

基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

传统故障诊断模型训练时易陷入局部最优、模型泛化能力差,且故障识别精度易受人工特征提取质量的影响,针对这一问题对滚动轴承故障诊断方法进行了研究.首先,提出了基于深度置信网络(DBN)的滚动轴承故障诊断模型,研究了DBN模型的逐层自适应特征提取能力;然后,提出了一种改进的混合蛙跳算法(ISFLA),对DBN各隐含层神经元个...     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

基于深度残差收缩网络的风力发电机齿轮箱故障诊断

提出了一种基于深度残差收缩网络的风力发电机齿轮箱故障诊断方法。首先，通过齿轮箱动力学模拟实验平台采集9种工况下的8种故障的振动信号；其次，对所采集的信号进行数据预处理，将其输入至深度残差收缩网络中训练；最后，利用反向传播算法不断优化网络参数，实现变工况下风力发电机齿轮箱故障的识别与分类。实验结果表明，所提方法在变工况场景下，可有效提取齿轮箱的故障特征并具有较高的识别准确率，证明了其在风力发电机齿轮箱故障诊断方面的可行性及有效性。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于改进标准化EMD的滚动轴承故障诊断方法

基于传统的标准化经验模态分解方法在实际应用中存在没有考虑插值误差的影响、停机准则过于苛刻和计算得到的瞬时幅值不光滑带有毛刺等不足,提出了改进方法,并运用该方法对实际的轴承振动信号进行处理。结果表明:该方法可以有效提取滚动轴承故障特征频率,提高了轴承故障诊断的准确性。     

改进多线性主成分分析网络及其在滚动轴承故障诊断中的应用

针对实测滚动轴承振动信号通常存在噪声干扰,具有非线性和非平稳特性,而多线性主成分分析网络(MPCAnet)在处理复杂非平稳数据时存在非线性拟合能力差、特征聚类性一般的问题,通过引入核变换,提出了一种改进的多线性主成分分析网络,增大了训练样本间的差异度,进一步提高了MPCAnet在处理非线性数据时的泛化能力和分类精度.通...     

基于压缩信息特征提取的滚动轴承故障诊断方法

压缩感知作为一种新型压缩采样方法,利用信号稀疏特性以远低于奈奎斯特采样定理的采样速率压缩采集信号,减小数据采集、传输、存储的硬件压力。基于压缩感知框架下压缩采集的信号,提出了一种滚动轴承故障诊断新方法。该方法选择部分hadamard矩阵作为测量矩阵,将峭度因子、方差、波形因子作为敏感特征参量,不重构压缩测量量,直接利用压缩采集信息,提取敏感特征,然后通过PSO-SVM算法进行模式识别从而实现故障诊断。研究结果表明,在一定压缩比范围内,利用该方法能够在降低平均采样速率的同时用更少的数据量表现故障特征,实现滚动轴承故障诊断。     

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。     

基于双时域变换和稀疏编码收缩的滚动轴承早期故障诊断方法

针对滚动轴承早期故障特征微弱、在噪声和谐波干扰下难以有效提取的问题,提出了联合双时域(DTD)变换和稀疏编码收缩(SCS)的故障诊断方法。首先对原始信号进行双时域变换,将双时域变换谱的对角序列作为重构信号;然后对重构信号进行稀疏编码收缩,减小噪声与低频杂波的干扰;最后对降噪信号做包络谱分析,提取故障特征频率,判定故障类型,实现故障诊断。对仿真信号、实验信号、工程信号的分析结果表明,该方法可有效提取轴承早期故障信号中的微弱故障特征,准确判断故障类型。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深...     

低速滚动轴承故障诊断方法研究

低速滚动轴承结构和工作条件特殊,故障机理复杂,诊断难度较大。本文根据低速滚动轴承的故障特性,提出了利用应力波与小波分析进行低速滚动轴承故障诊断的方法。首先以低速运转Cooper轴承系列01B65 EX滚子轴承为例,建立了完好和故障低速滚动轴承的三维整体接触计算模型,运用有限元软件对其进行了比较全面、精确的分析,计算出外圈故障模型的最大应力和应变及各元件之间的接触应力,将发生故障前后的外圈外表面应力应变分布规律以及接触应力分布规律进行比较。然后在应力波实验分析的基础上,选择db6母小波、尺度j=4对实验所采集的数据信号进行小波变换,成功提取了外圈模拟故障的应力波信号特征频率。