一种不平衡数据下的新型轻量级轴承故障诊断模型

在实际工程场景中,轴承故障数据远少于正常数据,不平衡数据下的轴承故障诊断方法存在参数多、模型复杂的问题。因此,提出了一种由带梯度惩罚的辅助分类瓦瑟斯坦生成对抗网络(auxiliary classier Wasserstein generative adversarial network with gradient penalty,ACWGAN-GP)和神经回路策略故障诊断(neural circuit policy-fault diagnosis,NCP-FD)网络组成的不平衡数据NCP-FD(unbalanced data NCP-FD,UDNCP-FD)模型。首先,将轴承故障信号数据转换为二维时频图,利用不平衡的训练集训练ACWGAN-GP生成高质量故障样本,并将其扩充到原始训练集中;然后,将扩充后的训练集输入到NCP-FD网络中进行学习;最后,将训练好的NCP-FD网络应用于测试集进行故障诊断。实验结果表明,所提模型与其他不平衡数据下的轴承故障诊断模型相比,参数更少,存储空间更小,故障诊断准确率更高。     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。     

多级神经网络的轴承故障诊断研究

针对工业生产中轴承故障发生率高、危害大、不易察觉等问题,提出一种由改进的感知器、动态路由算法和随机优化算法集成的多级神经网络故障诊断模型。通过随机等间隔无重复采样的方式对轴承振动信号数据库进行扩充,并根据故障类型做好对应标签;通过改进的多层感知器提取故障特征,由动态路由算法对所提取特征进行预测分类,进而由损失函数得出分类误差,在误差反向传播中由自适应学习速率算法筛选学习速率,并由随机优化算法（Adam）更新权值以优化网络模型。最后进行轴承故障分类的数值仿真实验,结果表明该故障诊断模型能实现高精度轴承故障诊断与分类。     

基于SE-ResNeXt的滚动轴承故障诊断方法

针对滚动轴承在故障诊断过程中信号特征提取困难导致诊断准确率低、鲁棒性差的问题,提出一种基于Squeeze-Excitation-ResNeXt(SE-ResNeXt)网络的滚动轴承故障诊断方法;将采集的一维轴承振动信号作为输入,进行滑动窗口采样与标准化处理,通过压缩、激励操作进行特征重标定,扩大模型感受野,并级联聚集残差变换网络自适应提取故障信号特征;在模型训练过程中选择最优压缩率为1/8以及8个组卷积,引入Relu函数加快网络收敛,使用全局平均池化替代全连接层避免过拟合现象,构造能够自主进行表征学习的最优故障诊断模型;通过仿真实验表明:与目前的深度学习算法相比,SE-ResNeXt网络能够准确的实现轴承故障诊断,并在高噪声的环境下仍具有较好的鲁棒性。     

基于压缩采集与CNN的风电机轴承故障诊断

针对传统风电机轴承故障检测存在的采样数据量大、故障特征依赖主观选取的问题,提出了风电机轴承故障的信号压缩采集、自动提取特征及故障诊断的方法,解决了风电机轴承振动信号特征提取计算复杂、受先验知识影响较大的问题。首先基于梯度加速法(NAG)和QR分解理论对随机高斯观测矩阵进行优化,实现风电机轴承振动信号压缩采集;然后将压缩采集得到的数据作为卷积神经网络(CNN)的输入,利用卷积池化层提取压缩采集数据中的故障特征;最后,将得到的故障特征通过softmax分类器进行分类。仿真实验表明:该方法能够自动提取风电机轴承的故障特征,在保证较高故障诊断准确率的同时,缩短了网络训练时间。     

基于频域特征变分自编码器的轴承故障诊断研究

针对深度学习故障诊断模型泛化能力差、网络复杂的问题,提出一种通用的特征提取网络,在此基础上应用轴承故障诊断的方法。首次提出频域特征变分自编码器,增强了信号特征提取的鲁棒性。然后,采用局部异常因子算法剔除离群点,防止分类器过拟合,提高分类器泛化性能。最后,构建分类器进行故障诊断。实验验证表明在不同损伤程度下特征提取的界限清晰,故障分类效果好,并且模型表现出良好的可迁移性。     

基于特征融合与DBN的矿用通风机滚动轴承故障诊断

针对现有矿用通风机滚动轴承故障诊断方法仅提取时频分量特征和采用浅层网络结构,导致故障诊断精度不高的问题,提出了一种基于多域特征融合与深度置信网络(DBN)的矿用通风机滚动轴承故障诊断方法。该方法首先对轴承振动信号进行小波包降噪处理,对降噪后的轴承振动信号进行时域特征、频域特征、IMF能量特征提取,得到相对全面的高维特征集;然后通过基于类内、类间标准差的特征筛选方法剔除对分类无效及效果不明显的特征,筛选出高效特征;最后采用核主成分分析(KPCA)对高维筛选特征进行降维融合,消除特征间冗余,将融合特征输入至DBN中完成故障诊断。实验结果表明,相比于基于特征单一和浅层网络的诊断方法,基于多域特征融合与DBN的矿用通风机滚动轴承故障诊断方法平均准确率最高,平均诊断时间最少,对于不同损伤故障数据表现出良好的稳定性和泛化能力。     

TensorFlow中深度前馈网络优化研究及其轴承故障诊断应用

目前在复杂系统的故障诊断中,故障特征与故障类型之间存在较强的非线性关系,且数据量较大,信号处理复杂,诊断效率不高,而深度学习在特征提取与模式识别方面显示出巨大潜力。针对此问题提出基于深度前馈网络的故障诊断模型,将其应用于复杂的轴承故障诊断。该方法直接将原始信号作为模型的输入特征量,然后利用谷歌开源深度学习框架TensorFlow建模,通过相关参数设置、梯度算法优化、正则化处理对网络进行优化设计。构建上万的9种轴承故障类型样本,确保样本多样性,提高网络鲁棒性,最终优化后的模型诊断准确率为98.96%。将该方法与多种传统的机器学习诊断方法进行比较,结果表明该方法能更有效地进行轴承故障诊断,验证了模型的合理性和优越性。     

经验模态分解结合包络谱LSSVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出了经验模态分解(EMD)包络谱分析结合最小二乘支持向量机(LSSVM)方法用于滚动轴承的故障诊断。EMD具有自适应性,可以有效分析非平稳,非线性信号。利用EMD将轴承信号分解为由高频到低频的固有模态函数(IMF),选取前4个主要包含轴承故障频率的IMF函数进行包络谱分析,采用每个分量函数的特征频率和轴承的时域特征作为轴承故障的识别特征,结合LSSVM方法建立轴承故障诊断定性识别模型。结果表明：单独采用频率特征的LSSVM判别模型无法实现轴承故障的准确识别,其正确识别率仅为82.5%;采用频率特征结合时域特征的LSSVM模型可以实现轴承故障类型的100%准确识别。EMD包络谱分析结合模式识别的方法可以实现轴承故障类型的有效识别。     

基于ECAMTL模型的小样本变工况轴承故障诊断

为解决小样本变工况轴承故障诊断中故障诊断模型参数多且泛化性能弱、故障诊断率低、诊断速度慢的问题，提出了将高效通道注意力(Efficient Channel Attention, ECA)机制与元迁移学习(Meta Transfer Learning, MTL)相结合的在线故障诊断方法。首先，将不同工况的原始振动信号转化为二维灰度图像，采用改进后的残差网络作为特征提取器进行特征提取。在不提升模型复杂度的情况下，增强了模型对重要特征的关注度，增强了模型的特征提取能力。之后，将提取到的特征与现场数据结合进行元训练，获得训练参数。最后，在元测试阶段，利用不同工况的元学习任务对模型进行微调，实现在线变工况轴承故障诊断。对比实验验证了本文方法的有效性和泛化能力。     

基于ISCNN-LightGBM的轴承故障诊断

在传统卷积神经网络与分类器相结合的故障诊断方法中, CNN用于故障特征提取时, 存在着提取的特征质量不高与运行时间较长的问题. 针对以上问题, 本文提出了一种基于改进单层卷积神经网络及LightGBM的故障诊断模型. 该模型通过将特征距离函数嵌入CNN的损失函数中, 提升了CNN特征提取的能力, 增强了CNN与后续分类器之间的联系, 从而提升了整体模型的故障诊断能力. 于此同时, 经过改进的单层的卷积神经网络进一步缩短了模型运行的时间, 提升了模型的诊断效率. 通过对两个不同的公共数据集进行对比实验, 其结果表明, 本文所提诊断模型对多种轴承故障的诊断准确率与诊断效率显著高于其他诊断模型.     

基于加权密集连接网络和注意力机制的滚动轴承故障诊断

针对当前诊断方法对滚动轴承故障特征表征困难以及在噪声干扰大的环境中检测性能下降的问题,提出了一种基于加权密集连接网络和注意力机制的滚动轴承故障诊断的方法,该方法由特征提取和故障分类两部分组成;在特征提取部分,首先采用加权密集连接网络从轴承振动信号中提取特征,并将不同空间级别的特征进行组合以增强信息的多样性,然后利用注意力机制突出重要信息,获得准确的表征故障特征;故障分类模型以表征的特征信息作为输入,经过Softmax函数输出每种故障类型的诊断结果;实验结果表明,所提模型在加性噪声干扰的情况下具有良好的诊断性能,比其他方法更具优势。     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

Machine fault diagnosis with small sample based on variational information constrained generative adversarial network

In actual engineering scenarios, limited fault data leads to insufficient model training and over-fitting, which negatively affects the diagnostic performance of intelligent diagnostic models. To solve the problem, this paper proposes a variational information constrained generative adversarial network (VICGAN) for effective machine fault diagnosis. Firstly, by incorporating the encoder into the discriminator to map the deep features, an improved generative adversarial network with stronger data synthesis capability is established. Secondly, to promote the stable training of the model and guarantee better convergence, a variational information constraint technique is utilized, which constrains the input signals and deep features of the discriminator using the information bottleneck method. In addition, a representation matching module is added to impose restrictions on the generator, avoiding the mode collapse problem and boosting the sample diversity. Two rolling bearing datasets are utilized to verify the effectiveness and stability of the presented network, which demonstrates that the presented network has an admirable ability in processing fault diagnosis with few samples, and performs better than state-of-the-art approaches.     

基于动态卷积多层域自适应的轴承故障诊断

现有基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练数据与测试数据具有相同的分布。在变工况的条件下,网络模型的故障诊断精度会因数据分布发生变化而下降。为保证网络模型能够在变工况条件下对轴承的健康状态进行准确识别,基于无监督域自适应理论,提出一种新颖的智能故障诊断网络模型——动态卷积多层域自适应网络。该网络一方面充分利用动态卷积强有力的特征提取能力,提取更多有效的故障特征;另一方面采用相关对齐实施非线性变换,同时对齐多层故障特征分布的二阶统计量,促进源域的诊断知识向目标域迁移,提高了模型在目标域无故障标签条件下的故障识别准确率。最后,在两个数据集共14个迁移任务下进行实验,实验结果表明,动态卷积多层域自适应网络能够实现较高的故障诊断识别精度。     

数据失衡下基于WGAN和GAPCNN的轴承故障诊断研究

针对轴承故障数据严重失衡导致所训练的模型诊断能力和泛化能力较差等问题,提出基于Wasserstein距离的生成对抗网络来平衡数据集的方法。该方法首先将少量故障样本进行对抗训练,待网络达到纳什均衡时,再将生成的故障样本添加到原始少量故障样本中起到平衡数据集的作用;提出基于全局平均池化卷积神经网络的诊断模型,将平衡后的数据集输入到诊断模型中进行训练,通过模型自适应地逐层提取特征,实现故障的精确分类诊断。实验结果表明,所提诊断方法优于其他算法和模型,同时拥有较强的泛化能力和鲁棒性。     

基于功率谱包络能量和SVM的舰用发动机故障诊断

发动机是军舰上的重要部件之一,其稳定性对军舰的正常航行具有重要影响。以舰用发动机关键部件(主泵轴承)为具体研究对象,提出了基于功率谱包络能量和支持向量机相结合的故障诊断方法。首先获取了大量可表征舰用发动机主泵轴承健康状态的振动加速度信息,对其进行功率谱分析,获得其功率谱的包络能量;以获取的舰用发动机主泵轴承功率谱的包络能量构建特征向量,并设计基于SVM的舰用发动机主泵轴承故障诊断模型,对主泵轴承的故障进行诊断研究。研究结果表明,采用基于功率谱包络能量和SVM相结合的舰用发动机关键部件故障诊断方法,可以很好实现主泵轴承的故障诊断效能,为舰用发动机主泵轴承故障诊断的工程应用奠定了基础。     

基于改进深度卷积神经网络的轴承故障诊断

轴承为风电机组的重要且故障频发部件,传统基于轴承振动数据的图像转换的卷积神经网络(CNN)的故障诊断技术存在一定局限性。提出了一种基于改进深度卷积神经网络(IDCNN)的直接时间序列特征提取方法,依据采样频率将原始振动数据划分为单个样本,构建诊断模型训练数据集。设计了一种新型的深度卷积神经网络(IDCNN),自动提取复杂样本数据的故障特征,提高DCNN的鲁棒性和泛化性,并将IDCNN提取的高维故障特征输入到分类器中,从而实现轴承故障的智能诊断。对比实验结果表明本方法有效提升了故障诊断精度。     

基于特征扩展CapsNet的轴承故障诊断模型

基于深度网络的轴承故障诊断模型,其深层次的特征提取往往需要大量的训练样本,诊断模型应用于小样本故障信号时受到限制。利用胶囊网络(CapsNet)在处理小样本数据上的优势,通过扩展故障特征向量和改进预测胶囊迭代约束条件,使网络适用于噪声工况下的轴承故障诊断,提高预测精度。在CapsNet的初级胶囊层引入特征图跨通道约束关系,由原来的通道内约束改进为通道内-通道间混合约束,扩展胶囊特征向量,使其能描述故障信号时间序列中与远距离序列点相关的几何特性,为数字胶囊层预测网络提供更完备的故障特征。同时,利用余弦相似度作为特征向量的度量并为数字胶囊层的迭代筛选提供依据,避免向量模值造成的分类误差。凯斯西储大学(CWRU)轴承数据集实验结果表明,改进的iCapsNet诊断模型泛化性能得到明显提升,在信噪比为0 dB时,预测精度可达到90.9%,相比原CapsNet模型提高了44.8%。