变工况齿轮箱故障诊断方法综述

齿轮箱是机械传动链中的关键且故障多发部件,传统齿轮箱诊断方法难以对运行在变工况下的齿轮箱故障进行准确的检测和有效识别。综述了国内外对于变工况齿轮箱故障诊断技术、研究现状及进展,并简要讨论了变工况齿轮箱故障诊断方法的应用现状及可能的发展趋势。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

一种改进1DCNN的滚动轴承变工况故障诊断方法

针对滚动轴承在强噪声背景时运行存在不同工况下样本分布不同而导致传统模型诊断精度较低的问题,提出一种改进一维卷积神经网络的滚动轴承变工况故障诊断方法。以一维卷积神经网络模型为基础,通过全局均值池化代替全连接层,减少模型训练参数,同时在全局均值池化层引入最大均值差异域自适应迁移学习实现滚动轴承变工况故障诊断。与ResNet和1DCNN+DA等方法的对比分析表明,将1DCNN模型中的FC层通过GAP层代替并与DA迁移学习相结合,能够提高整个模型的泛化性和诊断精度。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

基于VMD-WPD的异构特征与随机森林融合的轴承变工况故障诊断应用研究

滚动轴承在变转速工况下,振动故障信息受到转速调制,传统的FFT分析会产生严重的频谱混叠。为了有效解决轴承变转速工况的故障诊断问题,文章提出了一种基于异构特征融合的智能故障诊断方法,首先利用变分模态分解（VMD）和小波包分解（WPD）将非平稳的变转速信号分解为不同的分量,其次对不同的分量求取能量信息,利用能量信息构建基于模态和高低频的异构特征向量,最后将VMD-WPD的异构特征与随机森林的共智决策能力相结合,实现轴承智能故障诊断。试验表明,该方法能够较好地识别轴承变转速工况下的故障类型,为轴承的非平稳运行故障诊断研究提供参考。     

GAPSO-KELM在滚动轴承故障诊断中的应用

为了减小故障特征提取对信号处理方法和人工经验的依赖性、降低诊断模型的计算复杂度、有效提高诊断精度,本文提出了一种卷积神经网络(CNN)与核极限学习机(KELM)相结合的滚动轴承故障诊断方法.首先,直接将不同故障模式下的滚动轴承原始振动信号进行分段处理,用以构建训练集、验证集和测试集.其次,利用CNN卷积运算提取特征,通...     

基于DE-VMD和GMDE的往复压缩机轴承间隙故障诊断方法

针对往复压缩机轴承间隙故障特征提取困难、识别准确率不高等问题,提出了差分进化算法优化变分模态分解方法和广义多尺度散布熵相结合的往复压缩机间隙故障诊断方法。首先,采用差分进化算法对变分模态分解算法的两个核心参数进行了优化,并利用优化后的变分模态分解方法对轴承间隙振动信号进行了信号分解和重构处理;然后,研究了多尺度散布熵的粗粒化过程,通过将方差粗粒化代替均值粗粒化,进行了多尺度处理,构建了广义多尺度散布熵算法,利用广义多尺度散布熵算法对重构信号进行了故障特征提取分析;最后,设计了核极限学习机模型对故障特征向量集进行了分类识别,完成了往复压缩机轴承间隙不同故障状态的智能诊断研究。研究结果表明,该故障诊断方法的识别准确率高达97%,高效地实现了轴承不同种类故障的智能诊断目的。     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

变桨轴承工况载荷计算与分析

工况载荷的变化直接影响变桨轴承内部的载荷分布状态,并将决定受载最大的滚动体承受的载荷大小,进而影响变桨轴承的寿命.本文以水平轴式风力发电机为例说明变桨轴承的工况载荷分析与计算.     

基于元学习技术的变工况齿轮故障诊断方法

在变工况齿轮故障诊断过程中,存在齿轮运行工况多变、故障样本数据少、数据分布性差异大和故障数据非均衡性等问题,导致传统的深度学习模型通用性差、诊断准确率不高。针对这些问题,提出了一种基于元学习技术的变工况齿轮故障诊断(VWFD)方法(模型)。首先,采用重叠采样技术,对齿轮的原始振动信号进行了重采样,增加了故障样本的数量;其次,对重采样的故障数据进行了短时傅里叶变换(STFT),将其转化为时频特征图,使其数据形式更加符合模型的输入,以便于后续提取更完善的故障特征;然后,将Inception模块引入到基于元学习技术的原型网络中,以提高其特征表达能力,获取更加全面的齿轮故障特征信息;最后,基于优化的原型网络,建立了各类故障的度量类原型,采用度量分类器进行了故障分类,对变工况下的齿轮故障进行了诊断;为了验证VWFD模型结构与Inception模块引入位置和数量的合理性,设计了一系列对比实验,并对实验结果进行了分析。研究结果表明：与采用其他故障诊断方法得到的结果相比,采用VWFD方法所得到的诊断精度更高,如在相同负载、不同转速变工况类型下的5-way 5-shot实验组中,VWFD的平均诊断精度高...     

基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成...     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法.该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率.利用6种轴承状态对所提方法的分类效果进行了测试.实验结果表明,所提方法能直接利用振动信...     

谱质心迁移在变工况轴承故障诊断的应用

轴承故障诊断普遍存在需建立不同模型以适应变工况的问题,故提出一种谱质心迁移学习模型,通过将源工况领域迁移至目标工况领域减少后者的建模代价,并增强模型通用性。首先计算两工况领域间频谱相似度(FSSM)并排序选择近距离源工况领域为初始训练集。其次在迭代过程中剔除与训练集谱质心均值距离较远的样本,并加入同数量目标工况领域无标签样本,直至两者谱质心均值距离一致,模型故障类别取决于支持向量机(SVM)和逻辑回归(LR)基分类器的输出。Spectra Quest齿轮传动系统试验结果表明,转速负载发生变化时,该模型诊断性能优于非迁移模型,且能够根据替换样本数、精度、频谱相似度、耗时等指标评估源工况领域质量,因此具有解决变工况轴承故障诊断问题的潜在价值。     

基于FSST-Res Net的滚动轴承变工况数据故障诊断研究

针对滚动轴承运行工况复杂多变,难以诊断的问题,提出一种基于短时傅里叶的同步压缩变换(FSST)与残差神经网络(ResNet)相结合的故障诊断方法。该方法对轴承振动信号做短时傅里叶变换后,将时频系数压缩重排,生成基于FSST时频图在3种变工况下的训练集和测试集。考虑到深度模型的网络退化问题,采用ResNet模型对数据集进行时频特征提取和故障诊断,进一步提升轴承故障诊断的精度。通过3种变工况实验证明了该方法的有效性和可行性,平均诊断准确率高达98.9%,与其他方法相比,诊断精度有较大提高。     

CMWPE结合SaE-ELM的轮对轴承故障诊断方法

针对DF4型内燃机车轮对轴承不同故障状态的判别问题,提出了一种基于复合多尺度加权排列熵(Composit multiscale weighted permutation entropy, CMWPE)和自适应进化极限学习机(Self-adaptive evolutionary extreme learning machine, SaE-ELM)的机车轮对轴承故障识别方法。CMWPE基于复合粗粒化和加权排列熵的思想,能很好地区分信号的不同模式。SaE-ELM通过自适应进化算法对极限学习机的输入权重、隐含层参数和输出权重进行优化,解决了ELM随机选取网络参数的局限性,提高了网络的泛化性能。计算机车轮对轴承不同健康状态下振动信号的CMWPE,利用SaE-ELM识别轴承所属故障类型及故障程度。在机务段的JL-501轴承检测台上采集了7种不同健康状态的轮对轴承试件的振动信号数据。结果表明：CMWPE特征提取效果优于MPE和MWPE;SaE-ELM模式识别效果优于参数不经优化的ELM。所提方法能够有效诊断机车轮对轴承的不同故障,且故障识别率达到100%。     

POVMD与包络阶次谱的变工况滚动轴承故障诊断

针对变转速滚动轴承故障特征提取较难的问题,提出一种基于参数优化变分模态分解(parameter optimized variational mode decomposition,简称POVMD)与包络阶次谱的变工况滚动轴承故障诊断方法。首先,采用POVMD对变转速滚动轴承振动信号进行分解,得到若干个本征模态函数之和;其次,对各个分量的时域信号进行角域重采样,将时变信号转化为平稳信号处理,再利用Hilbert变换估计重采样后的平稳信号的包络;最后,对得到的包络信号进行阶比分析,从谱图中读取故障特征信息。将POVMD方法与经验模态分解进行了对比,仿真信号分析结果表明了POVMD方法的优越性。将提出的变转速滚动轴承故障诊断方法应用于试验数据分析,分析结果表明,所提出的方法能够实现变转速滚动轴承的故障诊断,而且诊断效果优于现有方法。