基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断.首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适...     

类别标签辅助改进稠密网络的变工况轴承故障诊断

基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。     

融合CNN和ViT的声信号轴承故障诊断方法

针对轴承故障诊断任务数据量少、故障信号非平稳等特点,提出一种短时傅里叶变换、卷积神经网络和视觉转换器相结合的轴承故障诊断方法。首先,利用短时傅里叶变换将原始声信号转换为包含时序信息和频率信息的时频图像。其次,将时频图像作为卷积神经网络的输入,用于隐式提取图像的深层特征,其输出作为视觉转换器的输入。视觉转换器用于提取信号的时间序列信息。并在输出层利用Softmax函数实现故障模式的识别。试验结果表明,该方法对于轴承故障诊断准确率较高。为了更好解释和优化提出的轴承故障诊断方法,利用t-分布领域嵌入算法对分类特征进行了可视化展示。     

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。     

变工况下裂纹故障直齿轮副振动特性分析EI北大核心CSCD

针对齿根裂纹齿轮副的故障检测,常利用采集齿轮箱振动信号进行分析评估齿轮副的健康状态,但在对故障齿轮副进行振动故障检测过程中,因为齿轮副的转速误差以及负载转矩波动及其他非稳定工况,使得齿轮副运行并不处于理想状态,此对齿轮副振动信号影响较大,使之难以分辨齿轮副振动的特征频率。为此根据势能法建立齿轮副齿根裂纹模型,推导齿轮副发生局部故障后其时变啮合刚度计算解析式,对变工况下齿轮副振动非平稳信号进行短时傅里叶变换,分析在变工况情形下齿轮副的振动特性。研究结果表明:在稳定工况下,齿轮副的振动幅值随转速和负载转矩增加而增加,其边频带分布也随之呈现出一定规律。在非稳定工况下,利用短时傅里叶变换后,发现齿轮箱振动时域和振动频域都出现明显的振动冲击,频域中相邻冲击峰的间隔反映齿轮副的转速误差,其主要频率的分布和幅值也可反映齿轮副运行过程中的转速和转矩负载的波动。同时,在非稳定工况下所得到的结论与齿轮副在稳定工况下运行所得到的结论相一致,皆为齿轮副的振动幅值随转速和负载转矩增大而增大。     

改进滞变阻尼模型的时域计算方法

依据基于复阻尼模型的滞变阻尼模型,创建了改进滞变阻尼模型在复数域内的拉氏运动方程以及对应的时域运动方程.改进滞变阻尼模型克服了复阻尼模型的时域发散问题,并能保证有阻尼自振频率随损耗因子增大而减小.依据外激励加速度的识别方法,结合改进滞变阻尼模型的时域运动方程特点,分别提出了基于傅里叶变换的时域计算方法和基于希尔伯特-黄...     

基于URP-ANCNN的变转速齿轮箱智能故障诊断方法

由于齿轮箱振动信号在变转速工况下出现的调频、调幅等现象,使得信号征兆与故障模式之间的映射关系变得复杂,导致齿轮箱故障难以精确诊断。鉴于深度神经网络在自动提取数据特征和分类上的优势,提出一种基于无阈值递归图编码(Un-threshold Recurrence Plot,URP)和自适应归一化卷积神经网络(Adaptive Normalized Convolutional Neural Network,ANCNN)的变转速工况齿轮箱故障诊断方法。该方法先使用快速傅里叶变换(Fast Fourier Transform,FFT)将时域信号转化为频域信号,再利用URP编码将得到的频域信号转化为二维递归图,并提取图像特征输入到ANCNN模型。在ANCNN模型中,采用批量归一化算法消除因转速变化引起的特征分布差异,同时处理转速波动下产生的频移和调制特性,并使用遗传算法自动调整该网络模型的超参数,以提高该网络的整体性能。采用转速波动的齿轮箱试验数据对该方法进行验证,实验结果表明,该方法能够克服转速波动的影响,成功实现对不同齿轮故障的准确识别。     

融合注意力机制的改进DBN变工况齿轮箱故障诊断方法

针对齿轮箱在交变工况下运行时导致的故障模式难以识别、分类精度降低的问题,提出融合注意力机制的改进深度置信网络(DBN)变工况齿轮箱故障诊断方法.为解决齿轮箱单一时、频域特征反应故障信息不全面、异常不敏感问题,提取时域、频域、小波包时频域特征形成高维特征集.利用深度置信网络具有的贪心学习优势分别对其进行挖掘,同时结合注意...     

采用大核注意力机制的抗噪轴承故障诊断模型

针对滚动轴承故障诊断模型易受轴承工作环境噪声以及运行数据样本数量影响的特点,提出一种并行大核注意力机制卷积神经网络（PLKACNN）。首先,将一维时间序列通过短时傅里叶变换转化成二维图像作为模型的输入,使用并行大核注意力机制实现对不同维度的故障特征的提取;其次,将并行支路所得的特征图进行堆叠以获得整体信息,最终通过整合卷积层以及全连接层对整体信息进行学习以及分类。结果表明PLKACNN能够有效识别滚动轴承故障程度和故障位置,在带噪数据集上获得平均98.5%的准确率,并且在带噪小样本实验中获得92.81%平均准确率,证明所提PLKACNN具有较好的噪声鲁棒性以及泛化能力。     

基于子域自适应对抗网络的轴承故障诊断EI北大核心CSCD

现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。     

改进局部均值分解方法及其在往复压缩机轴承故障诊断中的应用

往复压缩机广泛应用于石油、化工生产行业,其滑动轴承常因磨损而出现间隙过大故障。针对往复压缩机振动信号的强非平稳和非线性特性,提出一种改进局部均值分解(LMD)方法,并将其应用于往复压缩机轴承间隙故障诊断。通过在极值点间加入极值对称点,使用单调三次Hermite插值(MPCHI)替代三次样条插值(CSI)构造包络线,提高局部均值与包络估计函数的准确性,以此提出了改进LMD方法的算法与流程。以往复压缩机轴承故障振动信号为对象,通过与不同LMD方法比较,验证改进的LMD方法的优越性,并以PF分量幅值包络频谱实现轴承间隙大故障的准确诊断。     

基于改进叠加自动编码器轴承智能故障诊断方法

有效的智能故障诊断模型已经成为机械设备故障预测与健康管理的研究热点,故障诊断模型建立的重点工作是学习高分辨率的故障特征,传统方法往往过多依赖于人工或者先验知识,故急需以一种智能方式从输入信号中自动地提取特征.首先利用SAE从振动信号的频谱中学习特征,并选用L1正则化约束SAE的学习能力防止模型产生过拟合现象;随后选用S...     

基于改进MPE与KELM的滚动轴承故障诊断

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法.首先,使用关联积分法(C-C...     

基于改进HHT和SVM的滚动轴承故障状态识别

针对滚动轴承故障信号特征难以提取与故障诊断效率较低问题,引入集合经验模态分解(EEMD)对Hilbert-Huang变换(HHT)进行改进,将改进的HHT结合拉普拉斯得分(Laplacian score,LS)进行轴承故障特征提取,并利用遗传算法(GA)优化支持向量机(SVM)分类参数,将其应用于滚动轴承振动信号故障状...     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于拉普拉斯特征映射的滚动轴承故障识别

用传统的线性方法对非平稳和非线性运行状态的滚动轴承进行故障诊断时,效果欠佳。为了及时、准确地监测轴承的运行状态,提出了将拉普拉斯特征映射算法(Laplacian Eigenmap LE)应用到滚动轴承的故障识别中。在振动信号构建的时域和频域高维特征空间矩阵中,充分利用LE算法在非线性特征提取和降维的优点,进行学习,提取表征轴承状态的特征量,并以可视化的聚类结果进行表示。实验模拟了轴承的4种不同类型故障以及滚动体的4种不同受损程度,采用模式识别中聚类性的类内距和类间距两个参数作为衡量指标。与PCA和KPCA两种方法对比,LE不仅明显识别出四种故障类型和有效的区分出滚动体的不同受损程度,而且识别率大大提高。并通过测试样本组验证了LE方法的有效性。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

基于FIR-EMD和改进SVM的铁路轴承故障诊断

针对铁路轴承故障难以有效识别的问题,提出了一种基于FIR-EMD和改进SVM的铁路轴承故障诊断方法。首先,对采集到的振动信号进行FIR降噪,再对降噪后的信号进行EMD分解,接着对分解后的信号构造IMF能量矩,最后将能量矩作为改进SVM的输入实现铁路轴承故障分类。实验结果表明该方法能有效地识别铁路轴承故障类型。     

一种自适应调整滤波参数的轴承故障诊断方法

针对机械振动信号中存在大量噪声和形态学滤波中结构元素长度不能自适应调整的问题,提出一种可自适应调整结构元素长度的滚动轴承故障诊断新方法。结构元素长度的不同会导致对信号特征提取效果的不同,该方法通过以峭度值为指标,找寻出使峭度值较大的一系列结构元素长度。然后通过计算不同长度滤波后信号的故障特征频率能量比值,找寻出使故障特征最突出、最明显的结构元素长度。以此长度为最优长度对信号进行滤波,能够较好地提取出滚动轴承的故障特征,找到故障特征频率。