基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

基于CNN的变工况滚动轴承故障诊断研究

针对滚动轴承工作环境多变和样本不足导致故障诊断效果不佳的问题,提出一种多模态注意力卷积神经网络。该网络采用多个并行卷积层构建,并结合注意力机制,有效地提取了丰富的故障特征。然后提出了两种有限数据条件下的数据增强方法,解决了数据样本不足的问题。另外,将采集到的滚动轴承时域信号通过小波变换转换为时频图谱作为网络输入来提高数据质量,利用多种转频下故障数据对所提方法进行实验分析。结果表明,该方法在变工况实验中准确率高,聚类效果明显,说明该方法能有效提高变工况下轴承故障诊断的精度,具有很好的应用价值。     

变工况滚动轴承故障诊断方法综述

智能制造背景下,旋转机械工况更加复杂,运行条件更加严峻,设备的运行状态监测与故障诊断更加重要。变工况条件下,轴承振动信号存在幅值变、脉动冲击间隔、采样相位不恒定和信号噪声污染等特点,传统滚动轴承故障诊断方法的应用受到了限制。针对变工况条件下的轴承故障诊断技术,发展了以阶次跟踪、时频分析、随机振动以及混沌理论等人工提取特征的信号解调与分析方法、以卷积神经网络、自编码器与深度置信网络为代表的深度学习方法以及迁移学习方法。回顾近五年变工况轴承故障诊断领域的进展,从算法原理、算法优化以及算法实际应用等角度,详细介绍几种当前主流的变工况故障诊断方法,讨论各类算法的优势不足及适用场景,为后续的研究指明方向。     

基于深度在线迁移的变负载下滚动轴承故障诊断方法

针对变负载条件下滚动轴承源域与目标域中相同状态的数据特征分布差异性较大,目标域数据按照序列方式在线获取时,数据更新需重新训练模型的问题,提出一种深度在线迁移的CNN-ISVM(convolutional neural networks-incremental support vector machine)变负载下滚动轴...     

基于ECAMTL模型的小样本变工况轴承故障诊断

为解决小样本变工况轴承故障诊断中故障诊断模型参数多且泛化性能弱、故障诊断率低、诊断速度慢的问题,提出了将高效通道注意力(Efficient Channel Attention, ECA)机制与元迁移学习(Meta Transfer Learning, MTL)相结合的在线故障诊断方法。首先,将不同工况的原始振动信号转化为二维灰度图像,采用改进后的残差网络作为特征提取器进行特征提取。在不提升模型复杂度的情况下,增强了模型对重要特征的关注度,增强了模型的特征提取能力。之后,将提取到的特征与现场数据结合进行元训练,获得训练参数。最后,在元测试阶段,利用不同工况的元学习任务对模型进行微调,实现在线变工况轴承故障诊断。对比实验验证了本文方法的有效性和泛化能力。     

基于卷积注意力特征迁移学习的滚动轴承故障诊断

针对变工况条件下因源域和目标域样本数据分布差异大造成滚动轴承故障诊断准确率较低的问题,提出一种新的迁移学习方法——卷积注意力特征迁移学习(Convolutional Attention-based Feature Transfer Learning, CAFTL),并用于变工况条件下的滚动轴承故障诊断。在所提出的CAFTL中,将源域和目标域样本经过多头自注意力计算再经过归一化之后,输入到卷积神经网络中得到对应的源域和目标域特征;然后通过域自适应迁移学习网络将两域特征投影到同一个公共特征空间内;接着,利用由源域有标签样本构建的分类器进行分类;最后,利用随机梯度下降(Stochastic Gradient Descent, SGD)方法对CAFTL进行训练和参数更新,得到CAFTL的最优参数集后将参数优化后的CAFTL用于滚动轴承待测样本的故障诊断。滚动轴承故障诊断实例验证了所提出的方法的有效性。     

强噪声背景与变转速工况条件下滚动轴承故障诊断研究

煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难。针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法。首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的目的。仿真和实验结果证明了该方法的有效性。将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.001 96,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性。     

基于小波包和AGA-LSSVM模型的滚动轴承故障诊断

为了解决滚动轴承故障特征提取和故障类型识别问题,提高诊断准确率,提出了一种基于小波包与自适应遗传算法优化最小二乘支持向量机(AGA-LSSVM)相结合的故障诊断模型.首先由小波包分解与重构获取振动信号中能反映不同故障状态的能量特征向量,其次,由经过自适应遗传算法优化的LSSVM模型对滚动轴承常见故障进行诊断.Matlab运行结果表明,相较于传统LSSVM方法,所采用的方法可靠度较高,可以较好地实现对轴承故障的诊断.     

基于EEMD的滚动轴承故障诊断

模糊熵是一种检测时间序列复杂程度的方法,在衡量时间序列复杂性方面具有广泛应用.由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析.基于此提出了基于集合经验模态分解和模糊熵的滚动轴承故障诊断方法.首先,通过集合经验模态分解将振动信号自适应的分解为多个不同尺度下的内禀模态函数;...