基于残差连接和1D-CNN的滚动轴承故障诊断研究

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义.针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN-1D)方法.通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接...     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于一维卷积神经网络的齿轮箱故障诊断

传统故障诊断方法通常需要先人工提取特征再用模式识别方法进行分类,难以解决端到端故障诊断的问题,为此,提出了一种利用一维卷积神经网络的齿轮箱故障诊断模型。其特点是可以直接从原始振动信号中学习特征并完成故障诊断。采用PHM 2009 Challenge Data和某型坦克变速箱的复合故障数据对三种传统模型和一维卷积神经网络模型进行测试,结果表明,1-DCNN模型对单一和复合故障诊断准确率均高于传统诊断方法。     

GLT-CNN方法及其在航空发动机中介轴承故障诊断中的应用

航空发动机中介轴承故障振动信号是一种非平稳非线性信号,其中常混有干扰信号及噪声成分。以往方法大多采用人工特征提取来进行故障识别,特征提取往往依靠专家经验,不仅增加识别复杂度,同时选取的特征也不能很好地表征状态信息。因此提出一种基于卷积神经网络(Convolutional Neural Networks,CNN)的中介轴承故障诊断方法,首先将原始故障振动信号进行灰度变换(Gray-level Transformation,GLT),然后输入到结合滑动平均模型的卷积神经网络中,并选用相应的神经网络优化算法实现故障诊断与分类。最后,通过航空发动机中介轴承振动数据,验证所提方法的有效性。     

基于多种小波变换的一维卷积循环神经网络的风电机组轴承故障诊断

为解决在复杂工况下风力发电机组轴承故障诊断虚警率高的问题,提出一种端到端的混合深度学习框架--基于多种小波变换的一维卷积循环神经网络。首先,通过多种小波变换得到多个时-频矩阵,以充分提取信号特征;再通过一种扩展的LSTM,对多通道时-频矩阵不同时间步信息进行提取,捕获时-频数据时空特征;最后,通过全局池化层和分类层对故障状态进行分类。实验结果表明:在复杂工况下,多种小波变换的一维卷积循环神经网络对风力发电机组轴承故障识别率能够达到95%以上。     

1DAMCNN方法在滚动轴承故障诊断中的应用

针对传统滚动轴承故障诊断方法中特征提取依赖人工经验、处理过程繁琐以及识别准确率较低的问题,提出一种端到端基于一维注意力混合卷积神经网络(One Dimensional Attention Mixed Convolution Neural Network,1DAMCNN)的轴承故障诊断方法。该方法首先引入空洞卷积,构造混合卷积用于增大特征提取的感受野范围,以获取更全面的特征信息。然后加入注意力机制,增强模型对关键特征信息的提取能力,实现对轴承故障的智能诊断。试验数据分析结果表明,相比其他故障诊断方法,固定负载工况下该方法自适应性强,准确率高达99%以上。在只有60个样本量的情况下,该故障诊断方法准确率超过88%,表明其具有出色的特征提取能力。最后通过对比实验和可视化技术,验证所提方法的有效性。     

基于改进1DCNN-GRU的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型无法充分利用信号的空间及时间特征，需要大量专业知识等问题，提出一种改进一维卷积神经网络(1DCNN)与门控递归神经网络(GRU)结合的故障诊断方法。首先，利用具有不同卷积核的卷积层最大化提取信号的空间特征信息；其次，提出改进的线性修正单元(IReLU)增强网络的特征提取能力；然后，引入堆叠GRU模块进一步提取1DCNN模块输出数据的时间特征，完成空间及时间特征融合；最后，对融合后的特征进行识别。实验表明所提方法故障识别率高达99.96%,对不同负载下的数据均具有较高的识别率及较强的泛化性能。     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

基于BN-1DCNN的旋转机械故障诊断研究

为了对旋转机械的故障特征进行自适应提取,实现智能故障诊断,提出了一种基于批量归一化的一维卷积神经网络(convolutional neural networks, CNN)模型。由于卷积神经网络通常应用于二维图像或三维视频领域,故通过将卷积核改进为一维卷积核来实现对采集的一维振动数据的直接卷积,并且采用了批归一化层来防止过拟合,采用HZXT-008小型转子实验台采集的数据对该方法进行验证。试验结果表明该方法平均诊断准确率高达98.43%,并且与其他模型相比稳定性更高。该方法实现了大量样本下旋转机械不同故障类型的故障特征自适应提取与故障类型的准确识别。     

基于一维卷积神经网络的圆柱滚子轴承保持架故障诊断

为解决滚动轴承保持架故障振动信号存在的不稳定性、无冲击特性和故障特征难以获取问题,研究提出基于"端到端"识别的适应性卷积神经网络故障诊断模型。将不同保持架故障状态下的振动信号按一定比例采用有重叠样本分割进行数据增强,并对样本实施分段标准化预处理构建训练和测试集合;利用卷积神经网络实现对振动信号的自适应特征提取和特征降维;在输出端利用全局平均池化替换经典构架中使用的全连接运算,以减少训练模型参数和过程运算量,避免发生过拟合,最终经Softmax分类输出诊断结果。试验结果表明算法能够达到99%以上的故障识别率,且在不同负载和转速下均保持良好的泛化性能和鲁棒性,可有效应用于轴承保持架故障诊断任务。     

深度学习在机械设备诊断中的应用

传统的机械设备状态监测是根据经验通过提取现场采集的振动信号特征值构建特征空间,采用多种方法对特征值进行聚类、分类,从而实现对设备状态的分类。但这种方法严重依赖于专家经验,并且效果受到信号噪声等众多因素的影响。分别在经典一维和二维卷积神经网络的的基础上,提出两种机械设备智能故障诊断方法,并通过凯斯西储大学轴承数据中心发布的数据集比较两种模型的性能,实验结果表明,基于一维卷积神经网络的智能诊断方法更适用于一维振动信号。将基于一维卷积神经网络的智能诊断方法应用于石化厂的机泵设备,证明其能实现特征自适应提取,可取得较好诊断效果。     

基于MTF-CNN的轴承故障诊断研究EI北大核心CSCD

轴承故障诊断对保证机械设备的安全十分重要。近年来,数据驱动的故障诊断方法得到了研究者的关注。与传统的依赖于专家经验的故障特征提取方法不同,深度学习方法可以实现端到端自动故障特征提取与分类。针对一维信号作为卷积神经网络(convolutional neural network,CNN)输入时无法充分利用数据间的相关信息的问题,提出一种基于MTF-CNN的轴承故障诊断方法。利用马尔可夫变迁场(Markov transition field,MTF)对采集到的振动信号进行编码,根据数据之间的转移概率得到不同时间间隔内的数据相关性并生成相应特征图,之后将其输入卷积神经网络完成特征的提取并进行故障分类。采用凯斯西储大学轴承数据对模型进行验证,试验结果表明该模型达到99.8%以上的故障诊断准确率,与其他图像编码方式相比获得了较好的泛化性能。     

基于循环频谱相干和DCNN的隔膜泵单向阀故障诊断方法研究

针对传统的机器学习方法过分依赖特征提取的质量,而深度学习在强干扰条件下其故障辨识率不佳的问题,提出了一种基于循环频谱相干(CSCoh)和深度卷积神经网络(DCNN)的故障诊断方法,并将其应用于实际工况环境下的隔膜泵单向阀故障诊断当中。对振动信号进行循环平稳特性分析,利用快速循环相关谱计算方法将原始振动信号生成二维CSCoh图;将生成的CSCoh图作为输入从而降低深度诊断模型中特征学习的难度,通过构建DCNN模型,并引入批量归一化和Dropout技术来提升模型的收敛速度和泛化能力;利用所提模型对故障进行分类识别,进而实现单向阀的故障诊断。结果表明,该方法可以准确地识别单向阀的故障类型,并具有较好的泛化性能。     

一种结合改进Inception V2模块和CBAM的轴承故障诊断方法EI北大核心CSCD

传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱。针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果。实验结果表明:该方法可以建立“浅层”卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75%的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中。