基于无监督学习的岸边集装箱起重机关键部件故障诊断方法

为保障集装箱码头的安全性与可靠性,需要对岸边集装箱起重机进行故障诊断,发现异常从而保障关键部位功能安全.文中针对目前岸边集装箱起重机故障样本少的现状,提出了一种基于无监督方法的岸边集装箱起重机故障检测方案,能够根据现有数据自动的获得岸边集装箱起重机的健康状态,且不强制要求存在大量的故障数据对该故障检测模型进行训练.在岸...     

深度嵌入关系空间下齿轮箱标记样本扩充及其半监督故障诊断方法

针对只有少量标记样本的情况下,传统的基于深度学习的齿轮箱故障诊断方法训练出来的深度模型泛化能力差并且容易发生过拟合的问题,提出了一种基于深度嵌入关系空间下齿轮箱标记样本扩充的齿轮箱半监督故障诊断方法.该方法将少量的有标记振动信号以成对的输入方式输入到关系网络中进行监督训练,然后以有标记振动信号为参考,将大量的无标记振动...     

基于连续小波变换和无模型元学习的小样本汽车行星齿轮箱故障诊断

针对行星齿轮箱振动信号具有较强的非平稳特性、故障样本少以及传统深度学习对数据依赖性的问题,提出了一种基于连续小波变换（Continuous wavelet transform,CWT）和无模型元学习（Model agnostic meta learning,MAML）的小样本行星齿轮箱故障诊断方法。通过CWT将行星齿轮箱振动信号转换为时频图像,有效地表达行星齿轮箱非平稳性特征;利用MAML“学会学习”的能力训练小样本的时频图像,对“未见过”的行星齿轮箱故障类型进行测试。通过对不同样本数量、跨工况条件和不同噪声环境下的行星齿轮箱进行故障诊断实验,结果表明,该方法相比于其他方法具有更高的识别精度、泛化性和鲁棒性。     

基于时频联合特征提取与MS-LTSA流形学习的齿轮箱故障诊断

提出了基于时频联合（TFC）特征提取和改进的监督局部切空间排列（MS-LTSA）的流形学习的齿轮箱故障诊断的方法。首先,提出了信号的时域、频域和HHT时频域三者结合的特征提取方法,以获取振动信号全面的特征向量信息;然后,提取高维特征向量的奇异值,利用流形学习理论对奇异值矩阵进行降噪;最后,通过降噪后的特征向量实现对齿轮箱各种故障的高效、精确地故障识别。提出的MS-LTSA方法实现了数据集内部结构信息和类判别信息的结合,提高了所提取低维特征的聚类效果;通过实验数据的分析,证实了所提方法在齿轮箱诊断上的优异表现和应用价值。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

基于低阶加权与卷积稀疏学习的齿轮箱故障诊断

为了提升在噪声与复杂传递路径调制下齿轮箱故障诊断的精度,提出了一种基于低阶加权与卷积稀疏学习的齿轮箱两阶段源特征恢复方法。首先利用源特征的周期性自相似性结构,设计了一种低阶加权模型,当两种波形耦合在同一频带内时,可以有效地区分调制波和干扰波。然后采用卷积滤波器直接描述传输路径的调制过程,保证了脉冲源包络的可靠恢复。同时,通过非负有界稀疏先验保证了反褶积能力。最后数值仿真与风力发电机组实验结果证明了低阶模型主能够分离聚焦特征波形,卷积稀疏学习能够突出脉冲源特征,从而有效提升齿轮箱的故障诊断精度。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(D...     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

基于仿真数据的无监督域适应轴承故障诊断方法

针对目前实际诊断任务中难以获得有效的滚动轴承故障数据以及目前诊断模型泛化能力差的问题,文章提出一种基于动力学仿真与无监督领域自适应的故障诊断方法。首先建立滚动轴承动力学仿真模型,获得大量的仿真数据充当源域;然后使用无监督领域自适应的迁移学习故障诊断方法,在全局领域适配的基础上,引入最大最小化分类器差异的对抗学习策略,进一步减小了源域和目标域特征的条件分布差异;最后通过与其他迁移学习方法对比验证所提方法的可行性与优异性。     

改进的小波包变换方法在齿轮箱故障诊断中的应用

介绍了小波包变换的改进方法,将其应用于齿轮箱的故障诊断中,避免了混频现象,有效地提取出齿轮箱故障特征,提高了故障诊断的准确率。     

基于加权概率神经网络的齿轮箱抗噪故障诊断

针对齿轮箱现场故障诊断易受噪声干扰、诊断精度低的问题,提出了一种基于区分性权重概率神经网络的故障诊断方法。该方法考虑了不同子带特征受噪声的污染程度不同,提高噪声影响小的特征在诊断中的权重,降低噪声影响大的特征在诊断中的权重,以提高诊断的噪声鲁棒性,最终实现了齿轮箱故障的诊断。试验研究结果表明,与BP神经网络和概率神经网络诊断相比,该方法具有较高的诊断正确率和较强的诊断鲁棒性;并且该方法中平滑度参数对故障诊断精度影响不大,可以避免该参数选择困难的问题,具有良好的工程应用前景。     

Complex signal analysis for planetary gearbox fault diagnosis via shift invariant dictionary learning

Planetary gearbox vibration signals are intricate due to the unique structure, complex kinetics and background noise interference. Moreover, they have time shift invariant feature because of the periodical rotation of the mechanical components. Reliable feature extraction from such signals is the key to success in planetary gearbox fault diagnosis. The recently proposed shift invariant K-means singular value decomposition (SI-K-SVD) dictionary learning method offers a good approach to analyze such signals. This method requires neither a priori knowledge on signals to construct any analytic dictionary, nor a large number of sample signals to form a training dictionary. It is therefore data-driven in nature, and highly flexible and adaptive to represent signals. In this paper, such properties of the SI-K-SVD are exploited to extract the latent constituent components of complex signals and use them to represent signals sparsely, thus suppressing background noise and revealing the true vibration patterns. To apply the SI-K-SVD method to planetary gearbox signals, the criteria for determining the key parameters used in the SI-K-SVD, i.e., the length of pattern and number of decompositions, are suggested. The method has been illustrated by analyzing numerically simulated signals. It has been favorably compared with the frequently used matching pursuit (MP) and K-means singular value decomposition (K-SVD) methods. Its effectiveness in real planetary gearbox fault diagnosis has been validated by analysis of lab experimental signals of a planetary gearbox. The results show that both localized and distributed gear faults can be diagnosed successfully.     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

一种运用非线性特征提取的动车牵引齿轮箱故障可靠诊断新方法

动车牵引齿轮箱是其动力源保障,开展齿轮箱故障诊断能够保证机车安全运行。但是目前在故障非线性特征方面仍需进一步研究。为此,提出了一种新的动车牵引齿轮箱故障诊断方法,利用集合经验模态分解(EEMD)和局部线性嵌入(LLE)优异的非线性分析能力巧妙提取齿轮振动信号的关键特征,并利用支持向量机(SVM)实现对齿轮箱多种故障的可靠诊断。通过齿轮箱故障试验台进行实验分析,结果表明,提出的新方法能够有效检测齿轮磨损、裂纹以及断齿故障,且诊断率比现有方法(如线性特征提取方法)高5%,从而验证了新方法是有效的,有望应用于工程实践之中。     

小波分析在装裁机变速箱滚动轴承故障诊断中的应用

采用小波分解和重构的方法，提取装载机变速箱滚动轴承振动信号中被噪声所掩盖的由滚动表面剥落磨损所引起的冲击成分，并加以分析。通过对滚动轴承出现外圈剥落情况下振动信号的分析，说明这种方法可以有效地用于变速箱滚动轴承的故障诊断。     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

Fault diagnosis of spur gearbox based on random forest and wavelet packet decomposition

This paper addresses the development of a random forest classifier for the multi-class fault diagnosis in spur gearboxes. The vibration signal’s condition parameters are first extracted by applying the wavelet packet decomposition with multiple mother wavelets, and the coefficients’ energy content for terminal nodes is used as the input feature for the classification problem. Then, a study through the parameters’ space to find the best values for the number of trees and the number of random features is performed. In this way, the best set of mother wavelets for the application is identified and the best features are selected through the internal ranking of the random forest classifier. The results show that the proposed method reached 98.68% in classification accuracy, and high efficiency and robustness in the models.