基于深度置信网络与信息融合的齿轮故障诊断方法

针对齿轮在复杂运行工况下故障特征提取困难,传统故障诊断方法的识别精度易受人工提取特征的影响,以及单传感器获取信息不全面等问题,提出基于深度置信网络(DBN)与信息融合的齿轮故障诊断方法。通过多传感器信息融合技术对每个传感器采集的振动信号进行数据层融合;利用DBN进行自适应特征提取从而实现故障分类。为了避免因人为选择DBN结构参数,导致模型识别精度下降的问题,利用改进的混合蛙跳算法(ISFLA)对DBN结构参数进行优化。试验表明,与BP神经网络、未经优化的DBN以及单传感器故障诊断相比,该研究提出的信息融合及优化方法具有更高的故障识别精度。     

基于深度置信网络和对称点模式电机轴承故障诊断研究

电机轴承的健康状态直接影响电机安全、稳定运行。针对电机轴承故障诊断问题,以故障信号可视化和特征自提取为目标,将深度置信网络(Deep Belief Network,DBN)与对称点模式(Symmetrized Dot Pattern,SDP)变换相结合,提出了一种轴承故障可视化及智能诊断方法。首先基于SDP变换将原始轴承振动信号进行可视化表示,基于最大面积函数选择最佳的SDP参数以通过高分辨率图像清晰区分不同轴承状态,并生成相应的轴承故障SDP图像库;然后采用深度置信网络作为数据训练模型以实现故障特征自提取;最后由位于DBN算法模型后的分类器实现轴承故障的有效诊断。实验结果表明,该方法不仅分类率达到98 %以上,而且具有较好的泛化能力和稳定性。该方法为电机轴承故障可视化和智能诊断提供了一种新思路。     

基于VAE-GAN和FLCNN的不均衡样本轴承故障诊断方法EI北大核心CSCD

针对滚动轴承故障诊断中样本分布不均衡引起的模型泛化能力差、诊断精度低的问题,从两个方面展开研究:(1)故障样本增广,提出结合变分自编码器(VAE)和生成对抗网络(GAN)的VAE-GAN样本增广模型;(2)改进分类算法,提出基于焦点损失(FL)和卷积神经网络(CNN)的FLCNN(focal loss and convolutional neural network)样本分类模型。在此基础上,将VAE-GAN和FLCNN融合,构建VAE-GAN+FLCNN轴承故障诊断模型。首先,将样本量少的故障类输入VAE-GAN模型,通过交替训练编码网络、生成网络和判别网络,学习出真实故障样本的数据分布,从而实现故障样本的增广;然后用增广后的数据样本训练FLCNN分类模型,完成轴承故障识别。试验对比结果表明,所提方法能够有效提升样本不均衡条件下的轴承故障诊断效果,拥有更高的Recall值和F1-score值。     

EMD和平滑伪Wigner-Ville谱熵的轴承故障诊断

提出一种基于经验模态分解(EMD)和平滑伪Wigner-Ville分布 (SPWVD) 谱熵的滚动轴承故障诊断的方法。EMD方法充分保留信号本身的非线性和非平稳特征,在信号的滤波和去噪中具有较大的优势,SPWVD谱熵用于定量刻画轴承不同状态下振动信号的时频能量分布,将二种算法相结合应用于不同工作状态滚动轴承,并设计最小二乘支持向量机(LS-SVM)智能模型,实现轴承状态和故障类型的自动分类和识别。通过SPWVD谱熵与谱峭度法的对比,验证了SPWVD谱熵的有效性。实验表明此方法能够有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于改进麻雀算法优化支持向量机的滚动轴承故障诊断研究

针对群智能算法优化支持向量机模型应用在滚动轴承故障诊断领域中易陷入局部最优、准确率较低的问题,提出了一种基于改进麻雀算法(sparrow search algorithm, SSA)优化支持向量机(support vector machine, SVM)的滚动轴承故障诊断方法。首先引入均匀化分布Chebyshev混沌映射初始化麻雀种群,以提高种群空间分布均匀性,之后将自适应惯性权重融入麻雀算法的发现者位置更新,最后对更新位置后的最优麻雀进行随机游走扰动,提高算法的全局和局部搜索能力,避免算法陷入局部最优。将该算法用于支持向量机的参数优化,构建改进麻雀算法优化支持向量机故障诊断模型实现对轴承故障信号的分类诊断。滚动轴承故障诊断试验分析结果表明,该算法模型故障分类效果明显优于粒子群算法优化支持向量机模型、遗传算法优化支持向量机模型和麻雀算法优化支持向量机模型,能够有效识别滚动轴承各故障类型。     

基于多特征提取和改进马田系统的滚动轴承故障分类方法研究

为提高旋转机械的使用效率,及时识别滚动轴承的潜在故障,提出一种基于多特征提取和改进马田系统(MTS)的故障分类方法。通过时域、频域和自适应白噪声的完备经验模态分解(CEEMDAN)提取多维特征,构建初始特征集。结合马田系统和有向非循环图(DAG)的特点,构建DAG-MTS多分类模型,并将其运用到轴承故障诊断中。利用滚动轴承故障数据测试该模型的有效性和实用性,结果表明,该模型能够准确识别出滚动轴承的故障。     

基于HVD小波包降噪编码深度学习的风电机组智能诊断研究

针对风机齿轮箱轴承振动信号非线性非平稳性对故障诊断的干扰问题,提出一种基于降噪编码器深度特征学习和希尔伯特振动分解(hilbert vibration decomposition, HVD)的智能故障诊断方法。引入峭度评估指标,对HVD分量进行模态选择,并以小波包提取分量能量熵构造特征向量,实现数据预处理。构建层叠降噪编码器(stacked denoising autoencoder, SDAE)模型完成信号的特征学习和故障分类。采用两个轴承数据集进行算法验证,试验结果表明,提出的基于HVD小波包降噪编码方法(HWSDAE)能高效地识别故障信号,具有突出的故障诊断性能,单次最高诊断准确率高达100%,平均诊断准确率可达99.49%,相比未经预处理的轴承数据输入SDAE模型提高了13.52%的故障诊断精度。     

基于参数优化SDP分析的转子故障诊断方法

针对存在多种故障类型不同故障严重程度的转子故障诊断问题，提出了一种基于参数优化对称点模式(symmetrized dot pattern, SDP)分析的智能诊断方法。首先，利用SDP分析提取多个传感器信号的故障特征并将其融合为SDP图像；然后，以基于欧氏距离定义的图像区分度函数为适应度函数，基于天牛须搜索(beetle antennae search, BAS)算法获得SDP分析中角域增益因子与时间延滞系数的最佳取值；最后，利用SDP图像训练卷积神经网络(convolutional neural network, CNN)获得转子故障诊断模型。试验研究表明，该方法相较于其他故障诊断方法具有更高的诊断精度，且在强噪声环境下的诊断表现良好。基于BAS算法优化后的SDP分析放大了不同类型不同严重程度转子故障的表征差异，提高了故障诊断精度。     

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。     

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。     

基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。     

基于深度度量学习的轴承故障诊断方法

针对机械大数据因故障类内离散度和类间相似度较大而导致诊断精度低的问题,提出一种深度度量学习故障诊断方法,采用深度神经网络(Deep Neural Network, DNN)对故障特征进行自适应提取,并利用基于欧氏距离的边际Fisher分析(Marginal Fisher Analysis, MFA)方法进行了优选,在构建的深度度量网络(Deep Metric Network, DMN)顶层特征输出层添加BPNN(Back Propagation Neural Network, BPNN)分类器对网络参数进行微调,并实现故障的分类识别。通过对不同类型和严重程度的轴承故障进行了诊断分析,验证了该方法可以有效地对轴承故障进行高精度诊断,效果优于传统深度信念网络(Deep Belief Network, DBN)故障诊断方法以及常用时域统计特征结合支持向量机(Support Vector Machine, SVM)分类的故障诊断方法。     

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VMD和改进多分类马田系统的滚动轴承故障智能诊断

为了有效提取滚动轴承的故障信号,选择合适的智能分类器识别故障状态,提出基于变分模态分解及多重马氏距离法的多分类马田系统的故障智能诊断系统。通过变分模态分解将振动信号分解为多个本征模函数并提取相关特征;并采用了多重马氏距离法的马田系统,以特征子集代替特征参与分类器的构建,以解决特征参数众多的问题;通过正交表和信噪比,筛选出各状态的敏感模态分量,并提出多分类马田系统,用于多类故障智能识别;将其应用于滚动轴承故障数据中,验证算法的有效性,并与其他算法对比分析。结果表明,基于变分模态分解及改进的多分类马田系统算法能简化诊断系统、训练耗时少,识别准确率高,是一种更为有效的故障智能诊断方法。     

基于注意力BiGRU的机械故障诊断方法研究

为了解决机械故障诊断领域传统方法自适应性差、参数选择过于依赖人工的问题,提出了一种基于循环神经网络的机械故障诊断算法。该方法利用预处理后的机械振动信号,搭建了双向门控循环单元的故障诊断模型,并进行了基于注意力机制的模型优化,提高了特征提取效率。经过美国凯斯西储大学轴承数据集以及自采集的柴油机故障实验数据验证,相比于传统神经网络算法提升了计算效率和诊断准确率,并表现出了良好的抗噪能力。结果表明,该方法可以有效适用于基于机械振动信号的故障诊断,具有一定的工程应用价值。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型。将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别。该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特征的不足,实现端到端的滚动轴承故障智能诊断。滚动轴承实测振动信号实验结果表明故障识别准确率可以达到99.8%以上,该方法具有一定的应用价值。