基于深度学习的岸桥机构减速箱振动故障识别

针对岸桥机构减速箱振动信号局部扰动特征学习问题的复杂性,提出一种新型故障诊断模型.首先利用整体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)变换对振动信号进行瞬态时频分析,获取典型参数的边际谱等特征,形成深度学习的特征向量.在此基础上,提出一种基于深度收缩自编码网络-模糊支持向量机的起重机械故障状态识别模型,并与深度稀疏自编码网络-模糊支持向量机模型等其它模型进行比较.实验结果显示,针对起重机械故障状态识别问题,所建立的新深度学习模型有很好的识别能力,识别准确率可达95.6％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

深度学习与多信号融合在铣刀磨损状态识别中的研究

为精确地识别刀具磨损状态,提出了一种深度学习与多信号融合相结合的识别方法.以自编码网络为基础,构建了堆叠稀疏自编码网络.采集铣刀不同磨损状态下的力信号、振动信号及声发射信号,并对上述信号进行小波包分解以便获取能够表征铣刀磨损的时频域特征.利用无监督学习和有监督学习对堆叠稀疏自编码网络进行训练,建立了深度学习的铣刀磨损状态识别模型.研究结果表明,多信号融合的深度学习模型对铣刀磨损状态识别准确率达到94.44％.     

基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别研究

由于强噪声和非线性、非平稳性等特性,导致滚动轴承振动信号存在难以提取和其工况状态难以辨识的问题,对此提出了一种基于改进集成多隐层小波极限学习神经网络的滚动轴承故障识别模型。首先,使用了谱分割小波变换,将采集到的滚动轴承振动信号分解为若干本征模态分量;然后,选择了较能反映轴承运行工况特征的模态分量,并加以了重构;最后,利用了不同小波函数设计了不同的多隐层小波极限学习神经网络,并加入了卷积机制,将重构后的信号输入不同的深层网络,进行了特征学习与故障识别,利用集成方法得到了最后的滚动轴承故障识别结果。研究结果表明:提出方法的平均故障识别准确率达到99.42%,标准差仅为0.11;该方法自动特征提取能力和工况识别能力优于深度稀疏自动编码器、深度降噪自动编码器和深度信念网络等深度学习方法,适用于滚动轴承故障的自动识别。     

基于深度神经网络的液压泵泄漏状态识别

针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

变分模态分解与深度信念网络的双转子不对中程度识别

准确识别不对中严重程度是保障航空发动机双转子系统安全稳定运行的重要途径。但不对中程度信息微弱,现有方法难以对其准确识别,为此本文提出了基于变分模态分解与深度信念网络的双转子不对中程度识别方法。实验采集了3种不对中程度下的振动加速度信号,首先采用变分模态分解将振动信号分解;其次对模态函数进行分析,根据互信息理论确定VMD的分解层数,重构模态信号作为特征输入向量,并用于深度信念网络分类模型训练。通过与VMD+BP、VMD+SVM、原始信号+DBN模型的识别率进行对比分析,结果表明,本文提出的VMD+DBN模型提高了双转子不对中程度的识别准确度,验证了该方法的有效性。     

基于VMD和LSTM模型的航空液压管路卡箍故障诊断

航空发动机液压管路-卡箍系统中卡箍振动信号具有非线性和非平稳性的特点,难以从卡箍故障信号中准确识别出其故障类型。针对该问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)-长短时记忆(Long Short-Term Memory,LSTM)神经网络模型的智能故障诊断方法。首先,利用遗传算法对VMD的模态分量k值和惩罚因子α进行参数优化;然后,将优化后的VMD对卡箍故障振动信号进行分解处理;最后,将分解后的模态分量输入LSTM网络中进行特征学习,从而实现卡箍故障的识别。实验表明:该方法实现了对卡箍螺栓松动状态、根部断裂状态、衬垫磨损等3种典型故障的精准识别,故障总体识别准确率能够达到98.5%以上,有效地提高了航空液压管路卡箍故障识别的准确率。     

基于MEEMD-SDP图像特征和DRN的行星齿轮箱故障诊断

在行星齿轮箱齿轮的实际工程应用中,针对故障发生的早期阶段,其非平稳性、非线性振动特征信号导致故障诊断准确率低的问题,提出了一种基于MEEMD-SDP图像特征和深度残差网络的齿轮故障诊断方法。首先,采用了改进的集总平均经验模态分解(MEEMD)方法对齿轮振动信号进行了分解,获得了能够反映齿轮振动信号信息的固有模态函数(IMF);然后,通过对称点图案(SDP)分解方法提取了IMF分量,将其变换到极坐标下的雪花图像特征,并组成了特征向量;最后,引入深度残差网络(DRN)模型,实现了对行星齿轮箱齿轮不同故障的识别与分类,同时将其与卷积神经网络(CNN)模型进行了对比,并在东南大学公开的齿轮箱数据集上进行了不同模型对齿轮状态故障识别准确率的对比实验。研究结果表明：SDP图像特征能够全面表征齿轮的状态信息,相较于CNN模型,采用DRN模型对齿轮进行诊断得到的平均准确率有明显提高,可达到98.1%,能验证基于MEEMD-SDP图像特征和深度残差网络方法的有效性;研究结果对提升现有行星齿轮箱齿轮故障识别的准确率具有一定的价值。     

EMD和SOM神经网络在燃气发动机故障诊断中的应用

提出了EMD和SOM神经网络相结合的燃气发动机故障诊断方法。将燃气发动机振动信号进行EMD分解,提取前几个IMF分量的能量构成故障诊断的特征向量,输入SOM网络进行聚类,再将测试样本输入训练好的网络模型进行故障识别,网络输出结果采用U矩阵图法进行显示。对燃气发动机正常、气门间隙大、排气阀漏气3种状态的信号分析结果表明,该方法可以有效地提取非平稳信号的故障特征,网络模型结构简单,对大数据量样本的聚类与识别准确率高,输出结果清晰、直观、可视性强,该方法为燃气发动机故障诊断提供了新的途径。     

基于迭代经验小波变换的齿轮故障诊断方法

齿轮故障振动信号具有多分量和调幅-调频等特点,导致振动信号耦合程度高、数据特征提取和识别难度大。提出了一种基于迭代经验小波变换(EWT)和稀疏滤波(SF)的振动信号故障特征提取和诊断方法。首先,利用尺度空间表示将齿轮振动信号的Fourier频谱自适应的划分为若干频带,并利用EWT将输入信号分解为若干本征模态函数(IMF);其次,利用互信息能量熵方法迭代去除振动信号中的噪声干扰成分,并重构振动信号;再次,建立基于稀疏滤波的无监督神经网络模型,将重构的振动信号作为神经网络模型的输入并学习故障特征,利用softmax辨识故障信息;最后,利用建立的故障诊断模型辨识齿轮故障测试数据并验证本文方法的有效性。结果表明,所提方法能够有效辨识故障特征。     

基于EMD与深度信念网络的滚动轴承故障特征分析与诊断方法

为了实现滚动轴承故障的智能诊断,提出了一种基于经验模态分解(Empirical mode decomposition,EMD)和深度信念网络(Deep belief network,DBN)的轴承故障诊断模型。首先,采用经验模态分解对振动信号进行处理,选取有效的本征模态函数(Intrinsic mode function,IMF)分量及其Hilbert包络谱、边际谱,计算其统计参数,构造原始特征集;然后,提出了一种基于极限学习机(Extreme learning machine,ELM)的特征选择方法 (Features selection base on ELM,FSELM),以去除原始特征集中的冗余和干扰特征,选取出故障状态敏感特征;最后,利用深度学习在高维、非线性信号处理方面的优势,完成基于DBN的故障特征自适应分析与故障状态智能识别。通过对12种轴承状态进行分类实验,表明FSELM方法能够选取出故障的敏感统计特征,DBN方法的自适应特性能够有效提高故障状态识别准确率。     

基于EVMD和SODN的滚动轴承故障识别研究

在传统的滚动轴承故障识别方法中,存在对轴承振动信号的人工特征提取、选择困难的问题,提出了一种基于增强变分模态分解(EVMD)和自组织深层网络(SODN)的滚动轴承故障识别方法。首先,为了自动确定变分模态分解的模态数目,提出了一种功率谱的分割方法,从而提高了轴承振动信号的信噪比,并将滚动轴承的振动信号自适应分解为若干本征模态分量(IMFs);然后,根据综合评价指标,选择了较能反映轴承故障特征的IMFs分量,同时为了达到信号降噪的目的,对其进行了重构;最后,将自组织策略引入到深层自编码器中,进而构造了SODN,并将降噪后的轴承振动信号输入SODN,进行了自动特征学习与故障识别的对比实验,以验证该方法的可行性和有效性。研究结果表明:所提出的EVMD-SODN方法的轴承故障识别率达99.15%,标准差仅0.10,在故障识别率方面相比于其他组合模型具有较大优势。     

基于MED-EEMD和ELM的轴向柱塞泵松靴故障诊断研究

针对轴向柱塞泵松靴故障在强噪声干扰下故障信号微弱、故障特征提取困难和故障诊断识别精度低等一系列问题,提出了基于最小熵反褶积、集合经验模态分解和超限学习机相结合的轴向柱塞泵松靴故障诊断的方法。首先采集了轴向柱塞泵在正常和松靴故障两种状态下的振动信号;然后对振动信号进行了最小熵反褶积降噪,排除了噪声干扰,增强了冲击特性;之后利用集合经验模态分解将去噪后的信号分解成了若干个本征模态函数分量,并通过奇异值分解获得了特征矩阵;最后将得到的特征矩阵输入超限学习机、反向传播神经网络和支持向量机等3类分类器,并将识别结果与集合经验模态分解特征提取方法的识别结果进行了对比。研究结果表明:最小熵反褶积和集合经验模态分解结合的方法弥补了最小熵反褶积在强背景噪声下提取特征的局限性,克服了经验模态分解对微弱故障特征不敏感的缺陷;以最小熵反褶积-集合经验模态分解特征提取方法为输入的超限学习机分类模型,在少量样本的情况下可以有效地对轴向柱塞泵松靴故障进行检测与诊断。     

飞机发动机转子振动特征提取方法诊断

在研究航空发动机振动机理和分析转子故障对应的振动信号特征的基础上,采用经验模态分解方法对发动机机壳上测得的振动信号进行分解。由于振动信号的时频特性可以更有效地揭示转子故障,因此它被用于时频域以提取振动特征。首先将转子振动信号与EMD的固有模式函数的能量状态及其与原始信号的相关性进行比较。然后,在确定IMF包含的主要故障信息的基础上,分别在时域,频域和时频域评估三种信息熵。最后,转子故障诊断的特征向量由每个IMF计算得到的三个信息熵值和小波包分解得到的小波包空间特征的谱熵构成。结果表明,基于时频分析的经验模态分解方法能够有效地提取非平稳故障信号的特征向量。这为航空发动机转子故障诊断中的振动分析提供了一种系统的定量特征选择方法。     

VMD的AR模型和关联维数在齿轮故障特征提取中的应用

针对齿轮故障信号的非线性及常伴有大量噪声干扰的问题,提出一种基于变分模态分解(VMD)的自回归(AR)模型和关联维数相结合的故障特征提取方法。该方法采用VMD将齿轮振动信号分解为一系列固有模态函数(IMF),通过频域互相关系数准则选取对信号特征敏感的IMF分量进行信号重构,对重构信号建立AR模型,并以AR模型自回归参数的关联维数作为特征量对齿轮的工作状态和故障类型进行识别。通过实测齿轮振动信号的分析,证明了所提方法的有效性。     

优化变分模态分解与集成机器学习的风力机滚动轴承故障分类研究

针对滚动轴承振动信号特征提取及故障分类困难这一问题，提出了一种基于鲸鱼算法(WOA)的滚动轴承特征信号提取与极限梯度提升的机器学习方法。以模态信号包络熵最小为适应度函数，对变分模态分解(VMD)层数和惩罚因子进行寻优处理。根据所得最佳分解参数对原始信号模态分解，得到各模态分量并根据能量波动法进行特征信号的筛选，最后根据模态分量建立极限梯度提升学习模型。对四类信号进行学习训练和故障分类。结果表明：WOA-VMD与XGBoost结合可以有效降低信号噪声，得到轴承的故障特征，并能够有效的识别出故障类型。     

基于ISSEWD和SOWN的轴承工况识别研究

针对传统滚动轴承运行工况识别方法需要人工特征提取和特征选择的缺陷,提出了一种基于改进谱分割经验小波分解和自组织Wasserstein网络的轴承工况识别方法。首先将采集到的滚动轴承振动信号进行Fourier变换,从而得到了频谱,然后采用四分位数法检测信号频谱边界,进而对信号频谱进行了自适应分割,将滚动轴承振动信号分解为若干本征模态函数;然后筛选出最能反映轴承运行工况特征的IMFs,并进行了信号重构;最后堆叠多个Wasserstein自编码器,进一步构造了Wasserstein网络,并引入了自组织策略,将重构后的振动信号输入自组织Wasserstein网络,进行了自动特征学习与自动工况识别。研究结果表明:基于ISSEWD-SOWN组合模型的滚动轴承识别方法平均工况识别准确率98.98%,标准差仅0.15,相比于其他组合模型在轴承工况识别准确率方面更具优势,适用于滚动轴承运行工况的自动识别。     

基于多尺度线调频基稀疏信号分解的时变系统模态参数识别

在多尺度线调频基稀疏信号分解的基础上,提出一种时变系统的模态参数识别方法。该方法先采用多尺度线调频基稀疏信号分解方法对多自由度线性时变振动系统响应信号进行分解,将其分解成多个单模态振动响应信号并得到单模态振动响应信号的瞬时频率;再根据单模态振动响应信号的包络和瞬时频率识别系统的模态频率与模态阻尼比。多自由度线性时变振动系统模态参数的识别算例表明,与经验模态分解等时频分析方法比较,该方法能有效克服系统振动响应信号分解时的模态混淆问题,识别精度高,抗噪性能好,是一种有较大工程应用前景的多自由度线性时变振动系统模态参数识别方法。     

基于神经网络的去噪模型在轴承故障诊断中的应用

针对轴承微弱故障稀疏振动信号的特征提取,提出了基于模型数据协同链接框架的端到端深度网络稀疏去噪(DNSD)策略。建立了全局可微稀疏模型,引入深度神经网络学习超参数,基于轴承内圈故障机理建立了多模式数据集模拟故障信号,通过DNSD对数据集以去噪自编码器的形式进行训练,重建损失并更新网络和稀疏理论的参数,通过轴承内圈故障的仿真和试验验证了DNSD模型在轴承微弱故障特征提取方面的优越性和鲁棒性。