基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。     

基于VMD灰度图像编码和CNN的多传感融合轴承故障诊断

针对滚动轴承振动信号非平稳、非线性且易受噪声干扰的特点,以及单一振动信号对某些轴承故障识别率偏低的问题,提出一种基于变分模态分解(variational mode decomposition, VMD)灰度图像编码和卷积神经网络(convolutional neural networks, CNN)的多传感融合轴承故障诊断方法。首先,采用VMD对驱动端和风扇端振动信号分解,提取各阶本征模态分量与原始信号相关系数最大的分量;其次,将筛选出的本征模态函数(intrinsic mode function, IMF)分量依次排列并转换成灰度图像;最后,设计CNN结构,将训练集输入网络进行训练,测试集验证网络的有效性,实现滚动轴承故障识别。CWRU数据集和西安交通大学XJTU-SY数据集测试准确率分别达到99.90%和100%,结果表明：该方法能够准确识别变工况下轴承故障类别及损伤程度;对原始信号加入高斯噪声后的测试准确率分别达到99.75%和99.90%,证明该方法具有良好的泛化能力和抗噪性能。     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义.针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN-1D)方法.通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接...     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于MDS和神经网络的滚动轴承故障诊断方法

针对滚动轴承的智能诊断问题,提出基于多维尺度分析(Multidimensional Scaling,简称MDS)和神经网络的滚动轴承故障诊断方法。该方法首先提取原始信号常用的时域统计指标,再将包含故障信息的统计指标进行MDS降维处理,减少后续模式识别难度,最后将降维后的统计指标作为神经网络的输入参数来判断滚动轴承的故障类型。对滚动轴承正常状态、滚动体故障、外圈故障和内圈故障四种模式下的振动信号进行分析,结果表明,运用MDS进行降维预处理的神经网络故障诊断方法比没有经过预处理的故障诊断方法有更高的故障识别效率,可以准确有效识别滚动轴承的故障类型。     

基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法

一维卷积神经网络可适用于振动等一维信号的识别与分类,但将其直接应用于机械故障诊断时小样本训练条件下的识别准确率与识别速度是其亟需解决的问题。针对上述问题,提出一种基于补偿距离评估和一维卷积神经网络的离心泵故障快速智能识别方法。基于离心泵振动分析与故障诊断理论,通过提取时域、频域、能量及熵特征来构造混合域全特征集,充分挖掘训练样本中的故障信息,提高单个训练样本的利用率,使故障识别模型具备小样本训练的能力;通过补偿距离评估方法对全特征集进行降维优化,在有效保留故障特征信息的同时显著降低特征维度,使特征构造及故障识别模型具备快速计算的能力;通过训练样本的降维后特征进行一维卷积神经网络的训练,进而构建故障智能识别模型,保存模型并将其用于离心泵故障分析。经某石化离心泵的抽空和滚动轴承损伤两个故障案例验证,该方法在小样本训练条件下识别准确率达到98%以上,单组数据识别时间小于3 s,可满足工程中离心泵故障实时智能识别的需求。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于DCAE-CNN的自动倾斜器滚动轴承故障诊断

针对直升机自动倾斜器滚动轴承工况复杂、噪声干扰大,造成故障诊断效果不佳的问题,提出一种基于深度卷积自编码器(Deep Convolutional AutoEncoder,DCAE)和卷积神经网络(Convolutional Neural Network,CNN)的轴承故障诊断方法。该方法首先采用小波变换方法构造不同状态下振动信号的时频图,然后使用DCAE对时频图进行图像去噪,最后利用CNN对去噪后的时频图进行故障分类。利用课题组和美国凯斯西储大学的滚动轴承故障数据开展诊断实验,并与CNN、堆叠降噪自编码器(Stacked Denoise AutoEncoder,SDAE)两种深度学习方法进行对比,结果表明,该方法在高噪声环境下具有更高的故障识别率。     

Acoustic Emission Recognition Based on a Two-Streams Convolutional Neural Network

The Convolutional Neural Network (CNN) is a widely used deep neural network. Compared with the shallow neural network, the CNN network has better performance and faster computing in some image recognition tasks. It can effectively avoid the problem that network training falls into local extremes. At present, CNN has been applied in many different fields, including fault diagnosis, and it has improved the level and efficiency of fault diagnosis. In this paper, a two-streams convolutional neural network (TCNN) model is proposed. Based on the short-time Fourier transform (STFT) spectral and Mel Frequency Cepstrum Coefficient (MFCC) input characteristics of two-streams acoustic emission (AE) signals, an AE signal processing and classification system is constructed and compared with the traditional recognition methods of AE signals and traditional CNN networks. The experimental results illustrate the effectiveness of the proposed model. Compared with single-stream convolutional neural network and a simple Long Short-Term Memory (LSTM) network, the performance of TCNN which combines spatial and temporal features is greatly improved, and the accuracy rate can reach 100% on the current database, which is 12% higher than that of single-stream neural network.     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。     

基于卷积神经网络的印刷品颜色缺陷检测

目的 提取样本图像颜色直方图特征对卷积神经网络进行训练,达到快速、高准确率检测图像颜色缺陷的目的.方法 将标准图像从RGB颜色空间转换至HSV颜色空间,通过改变图像H,S,V三分量值获取训练样本和测试样本;在HSV颜色空间中非均匀量化图像的颜色直方图,得到所有训练样本和测试样本的颜色直方图特征;利用样本图像颜色直方图特征训练卷积神经网络,然后对测试样本进行检测,研究检测的速度、准确率,并将该检测方法与逐像素、超像素、BP神经网络和支持向量机方法进行对比.结果 对于图片尺寸为512×512的彩色图像,卷积神经网络检测单幅图片的平均检测时间约为57.66 ms,训练样本图像为50000张时,卷积神经网络方法对10000张测试样本进行检测的准确率为99.77％.结论 卷积神经网络方法在保证高准确率的前提下大幅提高检测精度,对于印刷品色差缺陷在线检测具有良好的应用价值.     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

基于卷积神经网络的水下多目标方位估计方法

针对水下多目标方位估计问题,提出了一种利用卷积神经网络模型对目标声源进行方位估计的方法。该方法使用不等强度的声源数据进行训练并使用焦点损失函数作为训练损失函数。通过对阵列接收到的信号进行特征提取,使用焦点损失函数指导卷积神经网络训练,最终利用训练好的卷积神经网络模型进行目标方位估计。对不同模型参数的训练进行对比,结果表明所训练的卷积神经网络模型在较低信噪比条件下也能正确估计弱目标的方位。试验结果表明,与采用二元交叉熵损失函数的卷积神经网络模型相比,该方法对弱目标的方位估计能力更强,提高了方位估计的准确率。     

基于一维卷积神经网络的房颤智能诊断方法研究

针对“大数据”时代如何利用数据对房颤进行智能、高效的诊断问题,提出了基于一维卷积神经网络的智能诊断方法,以避免传统算法依赖人工特征提取和先验知识的问题。首先,分别构建一维LeNet-5和AlexNet神经网络模型,合理设置网络结构参数;然后,在采集的实验数据基础上针对心电信号的特点进行一系列的数据处理,随机构建训练样本和测试样本;最后,将训练样本分别输入上述2个神经网络模型中训练学习,再将训练好的模型用于房颤的诊断。实验结果表明:一维LeNet-5网络模型存在“过拟合”现象,而一维AlexNet网络模型在避免了上述现象的同时,诊断精度达到了95.34%,较传统方法有了较大提升,为房颤诊断提供了有效的手段。     

基于优化NRS和复杂网络的柴油发电机组故障诊断

为解决柴油发电机组故障诊断中复合故障难以识别的问题,设计了一种变分模态分解、优化邻域粗糙集和社团层次聚类相结合的故障诊断方法。采用变分模态分解方法对采集的声信号进行分解,并形成初始特征集。考虑到冗余特征的影响,使用优化邻域粗糙集进行特征筛选,达到属性简约的目的。利用复杂网络中的社团结构建立故障诊断网络,通过设计社团区分准则函数找出社团结构,同时实现了故障诊断分类。试验表明,所提方法的故障诊断率达到了99.17%,其有效性及优越性得到了充分证实。