基于堆栈稀疏自编码器的滚动轴承故障诊断

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于DHMM和BP神经网络的齿轮箱故障诊断研究

为提高齿轮箱故障的智能诊断精度,从信息融合的角度,提出了一种基于DHMM和BP神经网络的混合智能故障诊断方法。根据不同工况下齿轮箱的振动信号时频特征,利用训练样本建立各类工况下的DHMM模型,然后求得测试样本在各DHMM模型下的似然概率对数,将似然概率对数作为新的特征添加到原来时频特征中,把新的特征集作为BP神经网络的输入,实现各工况的诊断。实验结果证明,相比于单独使用DHMM方法、BP神经网络以及两种方法的简单级联,该方法较大的提高了齿轮箱故障的诊断精度。将DHMM方法引入到齿轮箱的故障诊断中,结合了BP神经网络的自适应能力强和DHMM时序建模能力强的优点,具有一定的应用价值。     

基于敏感模态流形的变转速故障诊断方法

针对旋转机械变转速和复杂工况多分类问题，提出了一种基于构建改进敏感模态矩阵(ISMM)、等度量映射(ISOMAP)和convolution-vision transformer(CVT)网络结构的故障诊断方法。将变转速信号重叠采样之后构造高维ISMM,通过ISOMAP流形学习将ISMM映射到流形空间中，提取变转速信号的故障瞬态特征，实验证明能够很好地解决了常规方法无法对变转速数据进行有效特征提取的问题。结合自注意力机制和CNN的优点，使用CVT网络结构进行特征提取、故障识别分类。通过实验室HFXZ-Ⅰ行星齿轮箱变转速数据集对提出的故障诊断模型进行实验验证。实验结果表明，提出的故障诊断模型具有良好的识别准确率及鲁棒性。     

基于堆栈降噪自编码的轴承故障诊断方法

针对传统轴承故障智能诊断中特征学习困难,且需要掌握大量的信号处理方法和诊断经验,提出直接从原始数据出发对轴承故障状态进行分类识别的新方法。该方法通过深度学习利用原始振动数据训练堆栈自编码网络,由于免除了智能诊断的显式特征提取阶段,从而能够减少人工参与因素,摆脱了对大量信号处理技术与诊断经验的依赖。试验结果显示:所提出的方法能对轴承故障识别率达到97%,具有较好的识别能力,能够完成故障特征的自适应提取,增强了机械故障诊断的智能性。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度     

基于深度学习的液压监测系统蓄能装置故障诊断

为了提高液压检测系统故障识别的准确率,提高对液压系统中的蓄能装置故障的诊断率,提出了一种基于堆栈稀疏自编码器的深度学习算法。该方法采用希尔伯特-黄变换和小波变换对压力信号的特征进行提取,然后对堆栈稀疏自编码器(SSAE)进行训练。将训练好的模型连接Softmax分类器,实现对蓄能装置的最佳压力、压力略微减轻、压力严重减轻、接近完全失效的4类压力状态进行诊断。实验结果表明,该深度学习神经网络比机器学习的准确率更高,可以达到98. 3%,能够更好的识别液压系统蓄能装置的故障类型。     

基于KPCA和优化ELM的齿轮箱故障诊断

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KPCA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法。首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算法(Ant Colony Algorithm, ACA)对极限学习机(Extreme Learning Machine, ELM)的网络初始权值与偏置进行优化,得到最优权值与偏置组合;最后,利用ACA-ELM进行齿轮箱故障诊断实验,同时与ELM、BP、ACA-BP、GA-ELM模型对比。实验结果表明,该方法进行故障诊断的准确率可以达到98.3%,能够有效地进行齿轮箱故障诊断。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

谱峭度和Vold-kalman阶比跟踪在风电机组齿轮箱故障诊断中的应用

针对风电机组齿轮箱在时变工况下的振动信号具有非平稳特性,提出一种谱峭度和Vold-kalman阶比跟踪(Vold-Kalman Filter Based Order Tracking,VKF-OT)相结合的故障特征提取方法。以转频和啮合频率作为VKF-OT的提取频率,获得随转速变化的阶比信号,通过阶比信号复包络直接求两种频率分量的幅值、相位,经实验分析这种方法能保留齿轮箱的瞬变信息。而后计算两种频率分量的谱峭度,以最大谱峭度对应的频率带能量与原阶比信号总能量之比作为故障特征,最后采用高斯混合模型对风电机组齿轮箱在不同工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别。故障识别率表明该方法可有效地识别任意时变工况下的齿轮早期局部微弱故障。     

归一化全矢能量在随机工况下齿轮微弱故障识别中的应用

随机工况下,转速和负载的不同会改变振动信号的幅频调制特性,使得风电机组齿轮箱局部微弱故障的诊断难度急剧增大,针对于此,提出采用不同的恒定工况替代随机工况,以归一化全矢频带能量实现随机工况下齿轮箱微弱故障的诊断。方法首先将随机工况分解成不同的恒定工况的组合,降低工况的维数,针对各恒定工况,采用全矢理论将同源信号进行融合,以保证微弱信号源信息的完整性,再利用FIR滤波对全矢信号进行分解,消除因工况的不同所造成的模态混叠的影响。考虑到转频处的频带能量能定量区分不同的工况,频带能量的变化率能实现齿轮工作状态的区分,而信息熵能准确反映信号激励源和激励方式的区别,提取各频带能量熵之和、转频处的频带能量及频带能量的变化率作为区分齿轮工作状态的特征向量,消除工况变化所造成的诊断干扰的同时有利于实现各种工况下的故障模式识别,达到随机工况下齿轮微弱故障诊断的目的。最后采用高斯混合模型对风电机组齿轮箱随机工况下的150组振动信号进行特征描述,运用最大贝叶斯分类器实现故障识别,故障识别率表明该方法可有效的识别随机工况下的齿轮早期局部微弱故障。     

基于MFCC特征和GWO-SVM的托辊故障诊断

针对目前带式输送机托辊故障诊断方法存在接触式测量、准确率低、井下大范围检测困难等问题,提出了一种基于MFCC特征和参数优化SVM的托辊故障诊断方法。利用变分模态分解(VMD)将采集到的托辊声音信号分解为若干本征模态分量(IMF),并基于包络熵和峭度组成的复合指标优选IMF分量;提取所选分量的梅尔倒频谱系数（MFCC)作为特征,利用灰狼优化算法（GWO）优化SVM参数;将样本特征向量输入GWO-SVM中进行故障分类。结果表明:对于正常托辊、托辊内圈故障、托辊外圈故障、托辊卡死4种工况,该方法故障识别平均准确率在95%以上。与单一指标相比,复合指标提取的IMF分量故障特性代表性更好;与其他优化算法相比,该方法的识别准确率更高,分类速度更快。     

基于时间序列分析的行星齿轮箱故障诊断

齿轮箱运转的环境会导致信号采集时产生强大的噪声干扰,提出时间序列的方法对齿轮箱进行故障诊断。采用时间序列分析对行星齿轮箱进行谱分析,通过与传统频谱分析比较可以看出,该方法具有较好的识别能力。通过Labview虚拟仪器设计的数据采集系统进行数据的采集提取特征信号,确定模型阶次为5阶,最后利用AR模型参数算法来确定其正常状态下齿轮参数容差范围,在阶次不变的情况下分析出故障信号的模型参数,与正常信号参数容差范围进行对比,从而对齿轮箱故障进行诊断,该方法在齿轮诊断方面效果较为显著。     

基于改进CEEMDAN和t-SNE的故障特征提取方法

针对非线性、非稳定振动信号难以提取有效故障特征的问题,提出一种基于改进自适应噪声完备集合经验模态分解（CEEMDAN）和t-分布随机邻域嵌入（t-SNE）算法相结合的故障特征提取方法。利用三次Hermite插值代替三次样条插值构造包络线,提高传统CEEMDAN对非平稳信号的分解精度;利用改进后的CEEMDAN对原始信号分解并通过相关系数筛选出有效固有模态分量（IMF）,提取有效IMF分量的时频特征、奇异值和能量值构建高维混合域特征集;最后,通过t-SNE算法挖掘高维混合域特征信息得到低维敏感特征,并将其输入到支持向量机中进行分类,以分类准确率作为特征提取效果评价指标。在齿轮箱故障模拟实验台进行实验验证,结果表明该方法能够准确地提取故障特征,为故障特征提取提供新思路。     

石化齿轮箱振动信号高价值量纲一化特征提取方法研究

石化齿轮箱故障信号特征之间呈现模糊性和耦合性,正常状态与异常状态之间相互影响,导致故障分类难。为解决此问题,提出一种石化齿轮箱振动信号高价值量纲一化特征提取方法。运用数据预处理方法,从采集的数据中抽取有效数据,对其进行量纲一化指标表示,再依据量纲一化指标分布规律提取高价值量纲一化特征。为保证样本的完备性,建立高价值量纲一化特征的增容模型。利用该方法能够准确提取石化齿轮箱实验机组轴承故障特征,可为石化齿轮箱特征提取提供参考。     

基于CEEMDAN能量熵和马氏距离的齿轮箱轴承故障诊断方法

针对齿轮箱轴承信号非平稳性及其故障特征难以提取的问题,提出一种自适应白噪声平均总体经验模态分解（CEEMDAN）能量熵和马氏距离相结合的故障诊断方法。首先采用CEEMDAN方法对非平稳的轴承故障信号进行分解,获得若干阶表征信号特性的固有模态函数（IMF）分量;然后计算各IMF分量的自相关函数和相关系数,以滤除信号内的噪声干扰和对故障特征不敏感的IMF分量;最后计算各敏感故障特征分量的能量熵,将其作为特征参数形成状态特征向量,并使用马氏距离判别方法对轴承的工作状态和故障类型进行诊断。通过对实测不同工况以及不同故障程度的齿轮箱轴承信号的分析,证明了所提方法的有效性。