TensorFlow中深度前馈网络优化研究及其轴承故障诊断应用

目前在复杂系统的故障诊断中,故障特征与故障类型之间存在较强的非线性关系,且数据量较大,信号处理复杂,诊断效率不高,而深度学习在特征提取与模式识别方面显示出巨大潜力。针对此问题提出基于深度前馈网络的故障诊断模型,将其应用于复杂的轴承故障诊断。该方法直接将原始信号作为模型的输入特征量,然后利用谷歌开源深度学习框架TensorFlow建模,通过相关参数设置、梯度算法优化、正则化处理对网络进行优化设计。构建上万的9种轴承故障类型样本,确保样本多样性,提高网络鲁棒性,最终优化后的模型诊断准确率为98.96%。将该方法与多种传统的机器学习诊断方法进行比较,结果表明该方法能更有效地进行轴承故障诊断,验证了模型的合理性和优越性。     

阶次倒谱在轴承故障诊断中的应用

将常规的阶次分析与倒谱分析技术相结合,提出了阶次倒谱分析的齿轮箱故障诊断方法。首先对齿轮箱升降速瞬态信号进行时域等间隔采样,再对时域信号进行等角度重采样。转化为角域平稳信号,最后对角域重采样信号进行倒谱分析,提取轴承的故障特征。通过对轴承内圈、外圈故障实验信号的分析,表明该方法能有效地诊断轴承故障类型。     

提升小波变换在煤矿轴承故障诊断中的应用研究

针对煤矿关键设备中滚动轴承故障诊断问题,提出将提升小波变换应用到煤矿轴承故障诊断中,介绍了提升小波变换原理,并设计了自适应提升小波预测器和升级滤波器。仿真结果表明,轴承故障信号实际测量值与理论值平均误差小于3%,说明利用提升小波变换能够实现噪声条件下轴承故障信号的准确识别。     

离散余弦变换在轴承故障诊断中的应用

针对轴承故障难以快速诊断的问题,提出了基于离散余弦变换(DCT)和Hilbert变换提取轴承损伤的特征信息新方法。首先采用离散余弦变换对时域信号进行处理获得系数,再合理选择离散余弦变换系数重构信号,用Hibert包络分析重构信号并从中提取特征频率。实际应用表明,该方法能快速、准确地检测出轴承损伤,可有效应用于轴承故障的在线监测与诊断。     

三值模型在主动网络故障诊断中的应用研究

在分析总结当前主动网络(AN:Active Network)故障诊断技术的基础上,把自测和互测两种方法结合起来,并将三值诊断模型应用到主动网络故障诊断管理中,提出了基于三值模型的AN故障诊断模型,并描述其算法,该模型在不增加任何网络额外成本的情况下就能正确诊断出网络运行时的故障部位,并在一定程度上提高了系统的可靠性以及诊断结果的准确性。     

一种改进BP算法在转炉轴承故障诊断中的应用

轴承故障的及时诊断非常重要,针对传统BP算法在炼钢转炉轴承等机械设备故障诊断应用中存在故障识别速度慢、精度不高的缺点,提出了同时调整神经元温度常数T、位置常数θ和联接权值W的观点,并推导出相应的改进算法公式;对比试验结果表明,改进BP算法能加快网络训练速度,提高识别精度,在轴承故障诊断领域中显示出良好的非线性模式识别能力;该算法经过一年多的现场实际运行,效果良好,证实此方法可靠,易于推广。     

模糊Petri网在8K电力机车LCU故障诊断中的应用

首先引入模糊Petri网的结构和定义,分析了8K电力机车逻辑控制单元(LCU)发生故障的主要原因,总结了3种常见故障;针对LCU故障并发的特点,建立了模糊产生式规则与Petri网推理技术相结合的常开触点和常闭触点两个故障诊断模型,利用其具有较好的并行处理能力及容错性,实现了对8K电力机车LCU的模糊故障的推理;结果表明该模型具有快捷、准确的特点,展现出较强的实用性;8K电力机车LCU的故障综合测试系统已在湖东电力机务段投入使用,提高了工作效率,保证了8K电力机车的安全运行。     

基于负熵与多目标优化的轮对轴承故障诊断方法*

最优小波解调是一种常用的滚动轴承故障诊断方法,针对如何选择最优中心频率和带宽的问题,从故障振动信号的冲击性和循环平稳性出发,提出了一种基于负熵和多目标优化的复Morlet小波解调方法 .利用遗传算法的泛优化能力,分别以窄带信号包络的负熵和包络谱的负熵设计两个目标函数,通过非支配排序和拥挤距离排序,结合选择、交叉和变异遗传操作对复Morlet小波参数进行优化,自适应地确定富含故障信息的最优共振频带进行包络解调.试验表明,该方法通过多目标优化可以统一表征轴承故障的冲击性和循环平稳性,可以准确识别轮对轴承的局部故障.     

轴承故障诊断FastICA算法性能优化方法

为提高FastICA算法的收敛平稳性和速度，克服FastICA算法对初始值选取敏感的问题，提出在最速下降法中引入松弛因子优化FastICA算法中解混矩阵初始值的方法。首先，按最速下降法负梯度原理确定初始值目标函数最速收敛方向，以最快速度选取靠近目标函数解的粗优值；然后，通过引入松弛因子[αk]，限制目标函数的下降性质，促使其进入牛顿迭代法收敛区域，最终达到收敛。将优化后的FastICA算法应用于轴承故障诊断中，根据多次仿真次数下迭代时长及时长的波动趋势验证优化FastICA算法在平稳性和速度方面优于传统FastICA算法，且不影响FastICA算法的分离性能，能准确诊断出轴承的故障类型。     

粗糙集理论在滚动轴承故障诊断中的应用

粗糙集是一种软计算方法,它不需要任何先验知识和理论推导,仅依赖于原始数据,从数据中发现潜在规律和隐含规则,其核心任务是数据约简,得到最简决策规则。文章基于粗糙集理论的可辨识矩阵算法,对滚动轴承故障信息表进行属性约简和属性值约简,得到了精简的诊断规则,从而方便了信息的机器处理,也为基于规则的滚动轴承智能故障诊断系统提供了一种更为简单的知识库自动构造方法。     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

基于改进FOA算法优化WKELM的医疗滚动轴承故障诊断技术研究

针对传统小波核极限学习机（Extreme Learning Machine-ELM）应用于医疗滚动轴承故障诊断中识别精度不高且训练速度慢的一系列问题的出现,并针对性的想出一种更好的对滚动转轴发生的故障进行识别的办法,通过对小波核极限学习机算法进行改进的方法。该方法运用改进果蝇算法（LGMS-Fruit-flying Optimization Algorithm, LGMS-FOA）优化小波核极限学习机中的正则化系数和小波核函数中的参数。采用的方法是变分模态分解（Variational Mode Decomposition-VMD）,通过这种方法能够对滚动轴承的故障信号分解为含有故障信息的各模态分量从而提取到故障特征。通过与其他三种算法的实验结果对比证明,基于LGMS-FOA-WKELM的滚动轴承故障诊断方法的识别精度更高且训练时间更短。     

基于词袋模型和极限学习机的轴承故障诊断

特征提取为设备故障诊断的关键步骤,现有特征提取主要基于时域、频域和时频域方法,但在噪声大、混合故障多发、变转速等复杂工况下应用受限.提出一种基于词袋模型(BoW,bag of words)的振动信号故障诊断方法.该方法改变了传统基于一维信号进行故障诊断的模式,首先将一维振动信号转换成二维灰度图像信号,结合图像处理的方法来实现故障诊断.同时针对一维振动信号升维的过程中忽略了信号的空间特性这一不足,引入极限学习机对算法优化,并以滚动轴承为研究对象验证了方法的有效性.     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

极值域均值模式分解在轴承故障诊断中的应用

为了研究滚动轴承信号的非平稳特征,提出了将局域波方法和Parzen窗概率神经网络相结合的故障诊断方法.分析了局域波时频分析中极值域均值模式分解方法的改进方法,并提出了一种筛选停止准则.对分解所得分量,提取平均瞬时频率和能量比作为故障特征向量构造神经网络,进行状态判断.通过对现场采集的滚动轴承信号进行分析,说明了该方法的...     

多级神经网络的轴承故障诊断研究

针对工业生产中轴承故障发生率高、危害大、不易察觉等问题,提出一种由改进的感知器、动态路由算法和随机优化算法集成的多级神经网络故障诊断模型。通过随机等间隔无重复采样的方式对轴承振动信号数据库进行扩充,并根据故障类型做好对应标签;通过改进的多层感知器提取故障特征,由动态路由算法对所提取特征进行预测分类,进而由损失函数得出分类误差,在误差反向传播中由自适应学习速率算法筛选学习速率,并由随机优化算法（Adam）更新权值以优化网络模型。最后进行轴承故障分类的数值仿真实验,结果表明该故障诊断模型能实现高精度轴承故障诊断与分类。     

改进深层小波自编码器的轴承故障诊断方法

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入“跨层”连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器等方法。     

用于轴承故障诊断的两步迁移学习法

由于轴承故障数据存在数据量少和分布不均衡的问题,将迁移学习引入故障诊断领域,同时由于轴承故障数据的分布与源数据集分布差异巨大,直接采用迁移学习的方法会产生负迁移效应,即由于源数据集与目标数据集间分布差异过大而导致无法学习到源数据集的知识,提出一种对迁移学习进行改进的诊断新方法:即两步迁移学习法,使用DCGAN来制作辅助...     

基于ResNet和领域自适应的轴承故障诊断研究

轴承故障诊断在实际工业场景中意义重大。基于信号处理方法和机器学习方法,往往非常依赖先验知识,难以保证特征提取的有效性,深度学习方法要求训练集和测试集满足同一分布,这在工业现场难以满足,使得模型性能大幅下降。提出一种基于多层领域自适应的故障诊断方法,能够实现多种类、多尺寸的轴承故障诊断。首先,采用预训练好的ResNet18(Residual Network)作为特征提取器,并对每个残差块提取的特征计算MK-MMD(Multiple Kernel-Maximum Mean Discrepancy)距离,通过同时匹配高层和低层特征以有效匹配边缘分布差异。其次,每个残差块提取的特征都进入与之匹配的分类器中,通过Softmax层计算的预测概率分布,并转化为伪标签,缩小条件分布差异。最后,引入Adam优化器,对整体模型参数进行优化,加快模型训练,提高模型收敛速度。实验结果表明,所提出的方法能够有效提取可迁移特征,在负载变化的场景下达到了较高的诊断精度,并具有一定的泛化能力。