一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。     

一种结合域自适应的图像语义分割算法

语义分割为图像分配像素级稠密标签,对场景理解具有重要作用,是视觉研究核心任务之一,涉及自动驾驶、医学成像等实际应用.现有基于深度神经网络的图像语义分割方法的训练需要大量标记数据,这些数据的收集和标记成本高昂,这很大程度上限制了此类方法的实际应用.为解决此问题,这里使用成本较低的计算机生成并标记的逼真的合成数据训练深度神经网络.但真实图像与合成图像在分布域上存在的差异会降低模型性能,因此这里使用一种对抗学习方法来实现域的自适应,以解决上述问题.又因为语义分割的结构化输出描述了源域与目标域的空间相似性,所以这里选择在语义分割的输出空间上实现域自适应方法.在此基础上,这里又于不同级别的空间构建多级域自适应网络以提升模型性能.     

基于软联合最大均值差异的域自适应齿轮箱故障诊断

为了解决源域和目标域之间存在联合分布差异,提出了一种基于软连接最大均值差异的域自适应齿轮箱故障诊断方法。首先提出了一种域自适应Y网模型,用于提取跨源域和目标域的域不变深度特征,解决域自适应问题。然后通过软联合最大均值差异来驱动传输过程,从而模拟源域和目标域之间的分布差异。进一步引入SE-RES模块,增强了稀疏特征提取的双连接卷积流水线,并提出了一种考虑类权重偏差的软联合最大均值差异度量。最后通过两个行星齿轮箱数据集进行实验验证,结果证明提出的方法实现了不同行星齿轮箱在不同工况下的域自适应故障诊断。     

基于深度强化学习的旋转机械故障诊断策略

由于传统深度学习方法无法挖掘原始振动数据与旋转机械状态之间的非线性映射关系,提出了一种基于堆叠式自动编码器与深度Q网络相结合的深度强化学习旋转机械故障诊断方法.首先建立故障诊断"博弈"模型,该博弈模型可以为故障诊断代理提供观察、行动和获得奖励的交互式环境.然后,堆叠式自动编码器采用完全连接模型进行逐级的内在特征学习从而构建了故障诊断代理,然后通过引入记忆回放和迭代更新策略以及奖励反馈机制,使得深度Q网络实现了原始振动信号与故障模式之间的非线性映射关系.最后通过实验证明了提出方法的有效性与可行性.     

基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法

传统卷积神经网络模型采用单一类型卷积核,面对复杂工况下的实际数据时存在特征提取不充分,故障识别率低等问题,因此提出了一种基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法(MCK-CNN)。首先,将轴承一维振动信号经过小波变换转换为二维时频图,将时频图经过一个共同的特征提取网络初步进行特征提取后并行经过一个常规的Convolution和Involution卷积网络;然后,经过2个由不同卷积核构成的网络进行不同方式的特征提取并通过CBAM注意力模块将两类特征自适应地融合;最后,将融合特征输入全连接层并通过Softmax函数输出分类结果。CWRU和实验室轴承数据集的试验结果表明,MCK-CNN模型的训练效率和故障识别率均较高。     

基于特征提取的航空发动机滚动轴承故障诊断

航空发动机振动信号复杂,数据量大,其机械系统滚动轴承故障诊断困难重重。在振动信号处理及故障检测领域,利用机器学习强大的自主学习能力在旋转机械故障的诊断方面得到了越来越多的应用。本文提出一种基于特征提取的滚动轴承故障诊断方法,通过特征提取获得更全面数据信息,再将深度信念网络模型用于信号识别,全方位反映航空发动机滚动轴承的运行状态。经实验验证,DBN模型在噪声环境下的平均准确率可达99%以上,具有较强的抗噪能力。     

基于cICA的旋转机械变速过程滚动轴承故障特征提取

在ICA基础上发展起来的约束独立分量分析(cICA)方法,可根据一定的先验知识生成参考信号以提取选定的独立分量,解决了原ICA算法的次序不确定性问题。将cICA用于滚动轴承故障诊断,能够根据被监测滚动轴承的特征频率等先验信息建立参考信号并实现对其故障振动特征信号的提取。本文将该方法与针对旋转机械变速过程的阶比跟踪技术和滚动轴承包络分析技术相结合,提出了基于cICA的旋转机械变速工作过程滚动轴承早期故障分析方法。该方法首先通过包络提取技术在共振带获得包含故障信息的包络信号,再通过阶比分析中的等角度采样将包络信号转换到角域,在角域建立参考信号,并用cICA实现旋转机械变速过程下滚动轴承故障对应冲击性信号成分的有效提取。仿真和测试试验表明,所提出方法适合于旋转机械升降速等变速过程中的滚动轴承初期故障特征信息提取。     

基于双识别器对抗的开放域自适应故障诊断方法

领域自适应问题在机械设备故障诊断领域已被广泛研究,当前大多数封闭域自适应方法通常都假设源域和目标域共享相同的标签类型空间。然而,这不完全符合机械设备真实的诊断需求,实际上会出现新的故障类型,因而传统依据边缘分布对齐的方法难以处理此开放域问题,不能正确辨识出已存在的样本类型和新出现的类型。针对源域和目标域标签类型空间部分重叠的这另一典型开放域诊断问题,提出了一种基于双识别器对抗的开放域自适应故障诊断方法。两个结构相同的神经网络被引入进行对抗性训练,以增强模型对已知类型辨识的领域自适应性能,利用源域与目标域熵最大与最小化策略,以及目标域样本输出的二元交叉方案用以建立分界线隔离新出现的未知类型。利用轴承数据和自吸式离心泵数据进行分析验证,实验结果表明：所提方法相对于典型的封闭域和开放域模型,能更准确的判定机械设备已存在的故障类型和新出现的未知故障类型,在各诊断任务中,均能达到90%以上的正确率。     

Imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning

Existing fault diagnosis methods usually assume that there are balanced training data for every machine health state. However, the collection of fault signals is very difficult and expensive, resulting in the problem of imbalanced training dataset. It will degrade the performance of fault diagnosis methods significantly. To address this problem, an imbalanced fault diagnosis of rotating machinery using autoencoder-based SuperGraph feature learning is proposed in this paper. Unsupervised autoencoder is firstly used to compress every monitoring signal into a low-dimensional vector as the node attribute in the SuperGraph. And the edge connections in the graph depend on the relationship between signals. On the basis, graph convolution is performed on the constructed SuperGraph to achieve imbalanced training dataset fault diagnosis for rotating machinery. Comprehensive experiments are conducted on a benchmarking publicized dataset and a practical experimental platform, and the results show that the proposed method can effectively achieve rotating machinery fault diagnosis towards imbalanced training dataset through graph feature learning.     

Multiscale slope feature extraction for rotating machinery fault diagnosis using wavelet analysis

This paper proposes a multiscale slope feature extraction method using wavelet-based multiresolution analysis for rotating machinery fault diagnosis. The new method mainly includes three following steps: the discrete wavelet transform (DWT) is first performed on vibration signals gathered by accelerometer from rotating machinery to achieve a series of detailed signals at different scales; the variances of multiscale detailed signals are then calculated; finally, the wavelet-based multiscale slope features are estimated from the slope of logarithmic variances. The presented features reveal an inherent structure within the power spectra of vibration signals. The effectiveness of the proposed feature was verified by two experiments on bearing defect identification and gear wear diagnosis. Experimental results show that the wavelet-based multiscale slope features have the merits of high accuracy and stability in classifying different conditions of both bearings and gearbox, and thus are valuable for machinery fault diagnosis.     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

多准则融合敏感特征选择和自适应邻域的流形学习故障诊断

针对流形学习故障诊断中非敏感特征干扰和邻域大小难以确定的问题,提出了基于 DSmT 多准则融合特征选择和局部集聚系数自适应邻域的流形学习故障诊断方法。利用多种特征评价准则对原始高维特征进行排序,通过 DSmT证据理论对各评价序列进行融合,再根据融合序列选择敏感特征构成优化高维特征集;采用基于局部集聚系数的自适应正交邻域保持嵌入流形学习进行维数约简,得到低维特征集;最后输入到K最近邻分类器进行故障识别。轴承振动故障实验表明了本文所提方法的有效性。     

基于小波变换和ICA特征提取的开关电流电路故障诊断

提出了采用小波变换和独立成分分析(ICA)作为预处理器来进行特征提取的神经网络开关电流电路故障诊断方法。该方法对采集到的故障响应信号进行Haar小波正交滤波器分解,获得低频近似信息和高频细节信息;然后利用独立成分分析方法进行ICA故障特征提取;最后将所得到的最优故障特征输入到BP神经网络中进行故障分类。对六阶切比雪夫低通滤波器和六阶椭圆带通滤波器电路进行了仿真实验验证,获得了100%的故障诊断准确率,与其他方法进行比较,实验结果显示了该方法的优越性。     

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。     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。     

基于离散粒子群优化算法的汽车发动机故障特征选择

最优特征选择属于组合优化范畴,针对汽车发动机机械故障特征选择问题,分析了冗余特征的存在对于故障分类器分类性能的影响,选择最优特征组合可以提高故障分类的正确率,提出基于离散粒子群算法的特征优化组合算法,利用BP神经网络评价特征优化的性能,并将其应用到汽车发动机曲轴轴承磨损故障诊断中.实验结果表明,与遗传算法相比,基于离散粒子群算法的特征优化算法优化效率较高,分类正确率较高,优化后的特征集可以显著地提高故障分类器的分类性能.     

小波算法在旋转机械故障诊断系统中的应用

目前旋转机械在社会各个方面均有着广泛的应用,同时旋转机械的故障也十分普遍。一旦发生故障就会造成巨大的经济损失。该文基于小波算法对旋转机械故障特征进行提取,在时域和频域中对提取数据进行分析处理,在上位中对故障诊断结果进行显示。以Visual Studio 2010为开发平台,C#为开发语言,运用小波算法,最终完成了故障诊断系统的开发。验证结果表明,该诊断系统具有诊断精度高、速度快等优点。