基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号噪声干扰大、单一分类器泛化能力不强的问题,提出了一种基于深度学习多样性特征提取与信息融合的行星齿轮箱故障诊断方法。利用多目标优化算法优化多个堆栈去噪自动编码器(SDAE)以获得多个性能优异的SDAE,并提取多样性的故障特征;采用多响应线性回归模型集成多样性故障特征实现信息融合,得到多目标集成堆栈去噪自动编码器(MO-ESDAE),最后将其应用于行星齿轮箱故障诊断。实验结果表明:该方法能有效提高故障诊断精度与稳定性,具有较强的泛化能力。     

基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

基于堆栈稀疏自编码器的齿轮箱故障诊断

针对当前齿轮箱故障诊断需要进行复杂的特征提取以及识别准确率不高等问题,提出了一种基于堆栈稀疏自编码器(SSAE)的齿轮箱故障诊断方法,采用时域分析对故障信号进行特征预处理,然后将其输入稀疏自编码器网络中进行特征优化以及降维,提取出表征信号本质信息的特征,最后将其输入到Softmax分类器中实现齿轮箱故障的分类。实验结果表明,该方法在相同工况和混合工况下的均能达到较高的识别精度,在混合工况下,其识别精度达到99.5%,高于文中提出的其他模型,因此该方法能有效地用于齿轮箱故障诊断。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络(multi-resonance component fusion based convolutional neural network,简称MRCF-CNN)的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

多共振分量融合CNN的行星齿轮箱故障诊断

针对行星齿轮箱中各部件所激起的振动成分混叠、早期故障特征经常被较强的各级齿轮谐波成分以及环境噪声所湮没的问题,提出一种多共振分量融合卷积神经网络（multi-resonance component fusion based convolutional neural network,简称MRCF-CNN）的行星齿轮箱故障诊断方法。首先,对振动信号进行共振稀疏分解,得到包含齿轮谐波成分的高共振分量和可能包含轴承故障冲击成分的低共振分量;其次,构建多共振分量融合卷积神经网络,将得到的高、低共振分量和原始振动信号进行自适应的特征级融合,通过有监督的方式训练模型并进行行星齿轮箱故障诊断。对行星齿轮箱实验数据的分析结果表明,该方法能够有效分类行星齿轮箱中滚动轴承和齿轮的故障,成功对行星齿轮箱故障进行诊断,同时能够进一步增强卷积神经网络对振动信号所蕴含的故障信息的辨识能力。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

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(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于CFA参数优化DAE方法的滚动轴承故障诊断

为了进一步提高滚动轴承的故障诊断效率,设计了一种混沌萤火虫参数优化去噪自动编码器(Denosing auto-encoder, DAE)轴承故障诊断方法,标记为CFADAE。选择核去噪自动编码器构建深度神经网络,从初始信号中提取得到首层特征,经过自动编码器堆叠处理形成深度网络,实现深层特征参数的准确提取。研究结果表明：利用FA参数确定的准确率为92.82%,标准差为1.45,相对CFA方法95.94%准确率发生了降低,表明混沌改进萤火虫算法进行诊断的准确率更高,并且能够大幅减小波动幅度。相比较其他的方法,DAE网络的诊断平均准确率达到95.84%,表明去噪自动编码器与L2惩罚项能够促进模型鲁棒效果与泛化性的显著提升,由此获得更优的诊断精度。该研究可以拓宽到其它机械传动故障诊断领域,具有很好的推广应用价值。     

基于MEEMD与相关分析的行星齿轮箱测点优化

机械传动设备行星齿轮箱极易发生故障,为了减少行星齿轮箱故障诊断中传感器的布置数量,进而降低成本.提出了一种基于改进的集成经验模态分解(MEEMD)信息熵与相关分析相结合的行星齿轮箱测点优化方法.首先,使用MEEMD算法分解5种工况的振动测试信号.其次,用分解出的各分量与原始数据之间的相关系数筛选出包含主要故障信息的IM...     

流向图在行星齿轮箱故障诊断中的应用

针对行星齿轮箱诊断过程复杂和诊断结果准确率低的问题,提出了一种基于流向图的行星齿轮箱故障诊断方法。该方法通过流向图构建算法直观地表示行星齿轮箱的故障诊断知识,利用流向图约简算法删除不必要的征兆属性节点,以简洁的形式表示属性之间的因果关系,利用流向图分类决策算法确定待诊实例的故障类型。仿真和实验结果证明了该方法的准确性和直观性,为行星齿轮箱的故障诊断提供了一种新颖的解决思路。     

Health condition identification of planetary gearboxes based on variational mode decomposition and generalized composite multi-scale symbolic dynamic entropy

This paper proposes a novel fault diagnosis method based on variational mode decomposition (VMD) and generalized composite multi-scale symbol dynamic entropy (GCMSDE) to identify the different health conditions of planetary gearboxes. First, VMD is adopted to remove the noises and highlight the fault symptoms. Second, GCMSDE is utilized to extract the fault features from the denoised vibration signals. Third, the Laplacian score (LS) approach is employed to refine the fault features. Finally, the new features are fed into Softmax regression to identify the health conditions of planetary gearboxes. The proposed method is numerically and experimentally demonstrated to be able to differentiate seven localized fault types on the sun gear, planet gear and ring gear of planetary gearboxes.     

基于SSDAE深度神经网络的钛板电涡流检测图像分类研究

钛板电涡流成像检测易受工业现场中的噪声影响,包含噪声的检测图像往往难以提取较好的特征,从而影响分类识别精度。针对以上问题,提出了一种基于栈式稀疏降噪自编码(SSDAE)深度神经网络的钛板缺陷电涡流检测图像分类方法。将稀疏性限制引入降噪自编码器并进行逐层无监督自学习,然后将自编码器栈式组合后添加逻辑识别(LR)层,构建出SSDAE深度神经网络,网络在有监督微调后可实现钛板缺陷电涡流图像特征自动提取与分类识别。稀疏性限制的引入提高了特征学习能力,降噪自编码器的栈式组合提高了深度网络的鲁棒性。实验结果表明,相比其他常规方法,所提出方法不仅在理想环境下有更高的分类准确率,且该方法能有效抵抗噪声,在复杂工况下能更有效地对钛板缺陷进行分类识别。     

行星齿轮箱故障诊断技术的研究进展

行星齿轮箱广泛用于风力发电、直升机、工程机械等大型复杂机械装备中,低速重载的恶劣工作环境经常导致其太阳轮、行星轮、行星架等关键部件出现严重磨损或疲劳裂纹等故障。然而,现有的中心轴固定的传统齿轮箱故障诊断理论与技术不能有效解决行星齿轮箱诊断中所面临的诸多棘手问题,例如行星齿轮箱中多模式混淆和振动传输路径复杂导致故障响应微弱、载荷大范围瞬时波动引起振动的强烈非平稳性、多对齿轮啮合的振动相互耦合造成振动明显的非线性、低频特征频率成分噪声污染严重等。阐述行星齿轮箱故障诊断的特点与难点;从动力学建模和动态信号处理两方面,综述和分析行星齿轮箱故障诊断的国内外研究进展;指出当前研究中存在的关键问题;讨论解决这些关键问题的途径。     

Fault diagnosis of rolling bearings with recurrent neural network-based autoencoders

As the rolling bearings being the key part of rotary machine, its healthy condition is quite important for safety production. Fault diagnosis of rolling bearing has been research focus for the sake of improving the economic efficiency and guaranteeing the operation security. However, the collected signals are mixed with ambient noise during the operation of rotary machine, which brings great challenge to the exact diagnosis results. Using signals collected from multiple sensors can avoid the loss of local information and extract more helpful characteristics. Recurrent Neural Networks (RNN) is a type of artificial neural network which can deal with multiple time sequence data. The capacity of RNN has been proved outstanding for catching time relevance about time sequence data. This paper proposed a novel method for bearing fault diagnosis with RNN in the form of an autoencoder. In this approach, multiple vibration value of the rolling bearings of the next period are predicted from the previous period by means of Gated Recurrent Unit (GRU)-based denoising autoencoder. These GRU-based non-linear predictive denoising autoencoders (GRU-NP-DAEs) are trained with strong generalization ability for each different fault pattern. Then for the given input data, the reconstruction errors between the next period data and the output data generated by different GRU-NP-DAEs are used to detect anomalous conditions and classify fault type. Classic rotating machinery datasets have been employed to testify the effectiveness of the proposed diagnosis method and its preponderance over some state-of-the-art methods. The experiment results indicate that the proposed method achieves satisfactory performance with strong robustness and high classification accuracy.     

Gear fault detection using customized multiwavelet lifting schemes

Fault symptoms of running gearboxes must be detected as early as possible to avoid serious accidents. Diverse advanced methods are developed for this challenging task. However, for multiwavelet transforms, the fixed basis functions independent of the input dynamic response signals will possibly reduce the accuracy of fault diagnosis. Meanwhile, for multiwavelet denoising technique, the universal threshold denoising tends to overkill important but weak features in gear fault diagnosis. To overcome the shortcoming, a novel method incorporating customized (i.e., signal-based) multiwavelet lifting schemes with sliding window denoising is proposed in this paper. On the basis of Hermite spline interpolation, various vector prediction and update operators with the desirable properties of biorthogonality, symmetry, short support and vanishing moments are constructed. The customized lifting-based multiwavelets for feature matching are chosen by the minimum entropy principle. Due to the periodic characteristics of gearbox vibration signals, sliding window denoising favorable to retain valuable information as much as possible is employed to extract and identify the fault features in gearbox signals. The proposed method is applied to simulation experiments, gear fault diagnosis and normal gear detection to testify the efficiency and reliability. The results show that the method involving the selection of appropriate basis functions and the proper feature extraction technique could act as an effective and promising tool for gear fault detection.     

基于互补的总体经验模式分解算法的齿轮箱故障诊断

针对经验模式分解(EMD)和总体经验模式分解(EEMD)算法在齿轮箱故障诊断中的缺陷,提出了一种基于互补的总体经验模式分解(CEEMD)算法的齿轮箱故障诊断方法。首先介绍了CEEMD方法,然后将CEEMD方法用于实际齿轮箱的故障诊断中。结果表明,与基于EMD/EEMD算法的齿轮箱故障诊断方法相比,基于CEEMD算法的齿轮箱故障诊断方法不但可以有效地克服模态混叠和能量泄露现象,而且大大提高了计算效率,为齿轮箱的故障诊断提供了一种新的方法。     

基于改进的多元离群检测方法的风机齿轮箱早期故障诊断

针对风电机组运行工况波动性以及机组早期故障特征不易提取的特点,提出一种基于改进的多元离群监测方法来实现风机齿轮箱故障的早期诊断。运用阶比重采样方法对原始振动信号进行预处理,并对处理结果进行量纲一因子分析;通过马氏距离建立风电齿轮箱的早期故障识别模型;利用多元线性回归改进多元离群检测算法进行实际数据的分析计算。结果表明,该方法较原始方法能够更早地察觉出风电齿轮箱早期故障。     

小样本下混合自注意力原型网络的风电齿轮箱故障诊断方法

针对部分风场因有标签故障样本数据稀少而导致风电齿轮箱故障诊断准确率不高的问题,提出了一种小样本下混合自注意力原型网络的故障诊断方法。首先,通过原型网络将振动信号映射到故障特征度量空间;然后采用位置自注意力机制和通道自注意力机制进行矩阵融合构建混合自注意力模块,建立原始振动信号的全局依赖关系,获取更具判别性的特征信息,学习风电齿轮箱各健康状态下的度量原型;最后通过度量分类器进行模式识别,实现小样本条件下风电齿轮箱的故障诊断。实验结果表明,所提出的混合自注意力原型网络故障诊断方法在不同小样本数据集上均能实现风电齿轮箱高精度故障诊断。