基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...     

半监督阶梯网络和GAN在滚动轴承故障诊断的应用

滚动轴承是旋转机械的关键部件,统计表明,约30%的旋转机械故障出现在滚动轴承处。人工智能的发展给工业生产中的故障诊断提供了新途径,深度学习已经成为旋转机械故障诊断的一种新颖且有效的方法。普通神经网络的训练需要大量各种情况下的带标签数据,然而现实中工业数据存在不平衡和标签成本高等问题,限制深度学习在工业实际中故障诊断的发展。这里针对滚动轴承监测数据不平衡和缺少标签等问题影响深度学习在工业领域落地应用的情况,提出一种基于半监督阶梯网络和生成对抗网络（GAN）的方法,建立GAN-SSLadder分类模型,基于公开的轴承故障数据库,实现在标签少,数据量小的情况下测试集的识别准确率达到95.5%。     

基于自动编码器数据降维的滚动轴承故障诊断研究

针对滚动轴承振动信号多域特征数据维数较高的问题,采用自动编码器(Auto-Encoder,AE)对特征数据进行降维处理,实现故障诊断.该方法首先提取滚动轴承振动信号中的特征数据,其次通过自动编码器对特征数据进行降维,最后将降维后的数据用于训练BP(Back Propagation)神经网络,并进行故障诊断.为验证自动编...     

一种改进的滚动轴承故障诊断方法

为提高滚动轴承故障诊断分类器的训练正确率,以及缩短训练时间,根据其训练集即含有标签样本、也含有无标签样本的特点,将LS_SVM与半监督学习相结合,充分利用训练集中的有效信息,给出一种基于SLS_SVM的滚动轴承故障诊断方法.将该方法与标准SVM和半监督学习SVM方法相比.其不但能提高训练正确率,也能缩短训练所需时间.通过诊断试验,验证了该算法的有效性及高效性.     

堆栈稀疏自编码器的风力机锥齿轮故障诊断

针对当前齿轮故障诊断存在着准确性不高、主观性强等问题,提出了一种基于堆栈稀疏自编码器(SSAE)和softmax分类器相结合的齿轮故障诊断方法.首先,运用时域分析以及样本熵方法对风力机锥齿轮振动信号进行特征提取,其次,将提取的特征输入到SSAE中进一步学习目标数据的深层本质特征,并进行特征降维,最后使用softmax分...     

基于小波和深度小波自编码器的轴承故障诊断

针对滚动轴承故障严重程度与复合故障难以准确识别的问题,提出了一个基于提升双树复小波包(Lifting Dual-Tree Complex Wavelet Packet,LDTCWP)和深度小波自编码器(Deep WaveletAuto-Encoder,DWAE)的轴承故障诊断方法。首先,使用迁移学习扩展目标数据量;其次,对轴承振动数据进行3层提升双数复小波包分解,分别计算各子频带信号的样本熵、排列熵和能量矩,作为初始特征向量;最后,将初始特征向量输入DWAE,进行二次特征提取并实现故障诊断。实验结果表明,该方法能有效地对滚动轴承进行多种故障类型和多种故障程度的识别,与传统机器学习方法相比,在目标数据较少的情况下也具有较强的泛化能力、特征提取能力和识别能力。     

基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。     

分布外样本干扰下基于改进半监督原型网络的齿轮箱跨域故障诊断

实际工程中难以获取充足可用且同分布的齿轮箱故障样本,此外,获取的无标签样本难免会混入一些分布外的未知干扰样本,这些将给现有的齿轮箱智能故障诊断研究带来难题。提出一种改进半监督原型网络,面向分布外样本干扰,实现少样本下不同工况间的齿轮箱跨域故障诊断。首先,设计一种标签分配准则,既可以充分挖掘利用无标签样本信息,为无标签样本赋予伪标签,同时也可以有效抑制分布外未知样本的干扰。然后,定义一种基于标签平滑和度量缩放的修正代价函数,可以灵活有效地评估故障样本之间的相似性,挖掘元学习任务的通用特性,进一步提高模型泛化性。将所提方法用于分析不同健康状态的齿轮箱试验数据,并设置不同的少样本跨域诊断场景和分布外干扰样本进行对比验证。试验结果表明,相比现有方法,所提方法可以更有效地实现少样本下不同工况间的齿轮箱跨域故障诊断。     

基于和声搜索优化栈式自编码器的柴油发动机故障诊断

针对机械故障诊断中专业知识的不足会影响手工特征提取效果的问题,提出了应用栈式自编码器(Stacked autoencoder,SAE)直接从复杂的原始信号中逐层提取深度特征。通过逐层预训练、微调等操作来训练栈式自编码器的提取特征能力,并通过在网络中的每一个隐含层前引入Dropout正则化层、批规范层来防止过拟合,加速收敛。针对SAE网络中的超参数取值问题,首先通过一系列对照试验得到各超参数合适的取值范围,然后在该范围内进一步提出了使用和声搜索算法(Harmony search,HS)优化超参数,达到自适应调整网络结构,提高特征提取能力的效果。试验结果表明,当使用包含七种气门健康状态的柴油机振动数据测试时,所提出的HS-SAE方法的故障分类精度优于SAE和多种传统故障诊断算法。     

基于滑动窗口一维卷积自编码器的滚动轴承故障实时诊断

针对滚动轴承故障检测的特征自适应问题以及工业互联网边缘计算需求,提出一种基于滑动窗口一维卷积自动编码器(SW1DCAE)的无监督滚动轴承故障诊断方法。首先,将一维卷积与自编码器有效结合,同时加入节点随机丢弃技巧,提高模型的学习能力并防止过拟合;然后,将滑动窗口算法引入模型,针对性的塑造样本,提高模型性能,控制模型响应时间;最后,利用预训练SW1DCAE模型的编码层,与全连接层、Softmax分类层构成分类模型进行轴承故障诊断。试验结果表明：SW1DCAE模型具有良好的数据重构能力,故障分类准确率优于传统的自编码器和卷积神经网络,而且占据存储空间小,运算量低,可搭载于嵌入式系统进行在线检测。     

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...     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。     

基于谱峭度和CEEMD的滚动轴承声信号故障诊断研究

使用声信号来诊断轴承故障越来越受到重视.针对滚动轴承故障信号的强背景噪声特点,提出一种基于谱峭度和互补集合经验模态分解(CEEMD)的故障特征提取方法.该方法首先对滚动轴承声信号进行快速谱峭度计算并进行带通滤波预处理,使滚动轴承声信号变得简单且噪声小,故障冲击成分明显;然后利用CEEMD将滤波信号进行分解运算,得到一系...     

小波消噪在滚动轴承故障诊断的应用研究

滚动轴承振动信号容易受到随机噪声的污染,如何去噪成为滚动轴承故障诊断的关键问题之一。而传统的消噪方法可能会将信号中一些能量小的有用信号当作噪声消除,本文即提出一种改进的小波消噪方法,并用仿真信号和实测滚动轴承振动信号对额方法和传统消噪的方法进行性能比较。结果表明,在消噪方面,小波消噪能更好地提高信噪比,为进一步故障诊断决策提供了可靠的依据。     

滚动轴承疲劳故障在线诊断的研究

通过对滚动轴承振动信号的在线监测提取出对疲劳故障敏感的参数：峭度、功率谱故障频带能量值、小波包故障频带能量值．选择足够的具有代表性的样本数据训练神经网络,用训练好的神经网络进行在线诊断,可以得出轴承发生疲劳故障的程度,再经过共振解调法诊断出轴承具体损伤的元件,实验表明本方法对滚动轴承的疲劳故障能正确诊断。该监测和诊断方法对其他设备的监测和诊断也有重要的意义。     

基于局部投影降噪的低频轴承故障诊断

本文将局部投影降噪算法结合共振解调技术对低频轴承进行故障诊断。局部投影算法将时间序列先进相重构,在高维的相空间上采用局部投影的方法将相空间分解成正交的子空间,来分离时序中背景信号和噪场分量。综合局部投影降噪算法及共振解调技术两都的优点,对低频轴承进行了故障分析与诊断。     

滚动轴承故障诊断的神经网络方法

总结分析了轴承的故障形式及原因,给出了振动频率,阐述了Bp网络的结构及算法,并对实例建立BP神经网络。     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...