基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于EEMD能量熵和混合算法的电机轴承故障诊断

针对提升机电机轴承振动信号的非平稳特性和单一粒子群算法(PSO) 优化径向基函数（RBF）神经网络时存在网络收敛速度慢和适应度值易陷入局部最小的缺点，提出基于集合经验模态分解（EEMD）能量熵和模拟退火粒子群混合算法（SAPSO）优化RBF神经网络的提升机电机轴承故障诊断方法。基于EEMD求取振动信号各固有模态函数分量的能量熵，并使用相关性分析方法剔除虚假的分量，把筛选后的有效数据作为故障识别的特征向量；利用模拟退火（SA）算法具有局部概率突跳的特性，将SA算法和PSO算法相结合，在优化RBF诊断模型隐含层参数时以实现不同算法间的优劣互补。仿真结果表明，使用SAPSO算法优化后的RBF神经网络模型在提升机电机轴承故障诊断中能够加快网络收敛速度和提升故障识别精度。     

GA-BP算法预测滚动轴承退化趋势

故障预测是PHM技术中的关键一环,它是以装备当前的运行状态为起点,结合设备的运行状态参数、历史数据,依据数学模型,对采集到的数据进行分析,结合装备自身运行规律,判断装备在未来任务时间段内是否会出现故障.在BP神经网络预测算法对滚动轴承退化趋势预测基础上,结合遗传算法对BP神经网络参数优化后进行预测,同时与粒子群算法优化BP网络参数后的预测结果比较,验证了所提方法的有效性.所提方法的研究思路是基于滚动轴承退化状态划分的退化趋势预测,根据滚动轴承全寿命周期振动数据特点,划分轴承退化状态,选取退化效果明显且退化时间较长的数据进行趋势外推.研究的创新点在于提取轴承时域、频域指标后,采用相关系数理论选取和轴承剩余寿命强相关的时域特征指标作为输入数据,频域特征指标作为输出数据,建立时域指标与频域指标的对应关系,通过预测频域特征值指标的变化趋势反映出轴承的退化趋势.     

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果（N阶模态参数集）进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。     

改进胶囊网络优化分层卷积的亚健康识别算法

针对传统卷积神经网络(CNN)为获得高准确率不断堆叠卷积层、池化层致使模型结构复杂、训练时间长且数据处理方式单一的问题,提出改进胶囊网络优化分层卷积的亚健康识别算法。首先,对原始振动数据进行小波降噪和小波包降噪两种数据处理,更好地保留原始信号中对亚健康识别有用的信息;其次,CNN采用分层卷积的思想,并行3个不同尺度的卷积核,多角度地进行特征提取;最后,将卷积核提取的特征输入到剪枝策略的胶囊网络中进行亚健康识别,改进的胶囊网络在保证准确率的同时加快亚健康识别时间,解决CNN结构过于复杂以及识别效果不佳的问题。实验结果表明,提出算法识别准确率高且识别时间较少。     

基于时间可预测性的粒子群优化盲解卷积算法

针对信道对声音信号的卷积效应,提出了一种基于粒子群优化的盲解卷积新算法。利用信号的时间可预测性作为盲解卷积的解卷测度,采用粒子群优化算法对基于该测度的代价函数进行优化求解,从而成功得到解卷积滤波器系数,实现对信号的盲解卷积。仿真实验表明,所提出的算法对于声音信号具有很好的盲解卷积效果,所恢复信号与原始信号的相关系数和重构信噪比均较高。     

神经网络和改进粒子群算法在地震预测中的应用

提出了一种基于神经网络与改进粒子群算法的地震预测方法,该方法采用前向神经网络作为地震震级的预测模型,引入改进的粒子群算法对前向网络的连接权值进行修正。为了设计在全局搜索和局部搜索之间取得最佳平衡的惯性权重,基于粒子动态变异思想对粒子群优化算法进行改进,提出了一种动态变异粒子群优化算法,并将其应用于地震震级预测神经网络模型优化。在仿真实验中,将所提出的方法与另外两个采用不同算法的前向网络预测方法进行了比较。结果表明所提出的优化算法收敛速度最快,所得模型的预测误差最小,泛化能力最强,对地震的中期预测有很好的参考作用。     

基于并行双向时间卷积网络和双向长短期记忆网络的轴承剩余使用寿命预测方法

在基于深度学习的轴承剩余使用寿命(RUL)预测方法中,时间卷积网络(TCN)忽略了振动数据中未来时间信息的重要性,长短期记忆网络(LSTM)难以有效地学习振动数据的长时间序列特征.针对以上问题,提出一种基于并行双向时间卷积网络(Bi-TCN)和双向长短期记忆网络(Bi-LSTM)的轴承RUL预测方法.首先,对多传感器数据进行归一化处理,并将每个传感器数据进行通道合并,实现多传感器数据的高效融合;然后,采用Bi-TCN和Bi-LSTM构建并行的双分支特征学习网络,其中Bi-TCN提取数据的双向长时间序列特征, Bi-LSTM提取数据的时间相关特征;同时,设计一种特征融合注意力机制,该机制分别计算Bi-TCN和Bi-LSTM的输出权重,以实现两种网络输出特征的自适应加权融合;最后,融合特征通过全连接层并输出轴承RUL的预测结果.利用西安交通大学轴承数据集和PHM 2012轴承数据集进行RUL预测实验,实验结果表明,与其他先进的预测方法相比,所提出方法可以准确预测更多类型轴承的RUL,同时具有更低的预测误差.     

一种混沌混合粒子群优化RBF神经网络算法

为了更精确地检测出混沌背景下的微弱目标信号,提高预测效果,文中提出了一种混沌混合粒子群优化RBF神经网络(CHPSO-RBFNN)算法。本算法主要采用了基于群体自适应变异和个体退火操作的混沌粒子群优化RBF神经网络,利用群体自适应变异以及个体退火操作优化混沌粒子群,有效地提高了粒子群算法的全局收敛性,优化了RBF神经网络的结构和参数。把该算法用于预测混沌时间序列、检测混沌背景下微弱目标信号,实验结果表明本算法有良好的非线性预测能力,可以有效地检测出混沌背景下的微弱目标信号。     

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CV-GA-SVM方法的轴承故障诊断

为了有效地提取轴承的故障特征信号并进行准确的分类,采用在小波包变换中引入交叉验证遗传算法与支持向量机相结合的方法来识别故障轴承所发出的不稳定特征信号并进行诊断。首先,利用小波包变换的时-频化特征对瞬时变化的故障信号进行提取。然后,运用交叉验证遗传算法和支持向量机构建分类器对参数进行检测、优化和故障模式识别。最后,经实验来验证此算法的合理性。实验结果表明,此方法对于有限样本故障信号的检测和分类具有很高的准确性和可靠性、实时性。     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于小波包和EMD的HHT时频分析方法在航空试验器轴承故障诊断中的应用

为适应高转速要求,航空试验器轴承通常选用陶瓷的球体和复合材料的保持架。这种轴承发热量小,同时保持架材料具有轻且脆的结构特点。轴承振动经过试验器传递到振动传感器后,常规的振动采集与温度监控都很难识别出有效的轴承故障信息,无法对轴承故障进行准确预判。针对这一问题,提出一种基于小波包、经验模态分解（EMD）和Hilbert-Huang变换（HHT）组合的轴承振动信号分析方法。首先,通过小波包对振动噪声的抑制作用,经由EMD方法,对非平稳信号进行平稳化处理;之后,通过HHT时频分析提取出轴承的故障频率。通过将仿真信号和航空试验器的高速工装轴承的故障试验信号进行对比分析,验证了该技术对提取该类轴承故障特征的有效性,可为轴承故障早期诊断方法的研究提供参考。     

基于蝙蝠算法优化相关向量机的轴承故障诊断方法

由于轴承振动信号具有复杂性和非线性,难以有效提取故障特征,影响故障诊断的准确率.为了提高故障诊断准确率,提出一种蝙蝠算法(BA)优化相关向量机(RVM)的轴承故障诊断方法.首先结合变分模态分解和多尺度熵从轴承振动信号中提取出故障特征,作为相关向量机的输入向量;接着采用蝙蝠算法优化相关向量机的核函数参数;然后训练相关向量...     

基于HHT变换的起动电动机特征信号时频分析

针对车辆起动电动机电气和机械故障发生时特征信号的时变不平稳特性,进行了时频域分析处理,提出了利用现代信号处理方法对故障信号提取特征向量的方法,主要对起动电动机的电枢和轴承故障进行诊断。在构建电机故障测试实验平台的基础上,利用破坏性实验构造了故障类型,测取了电枢电流和振动信号,分别采用小波分析理论和HHT变换对信号进行分析,通过分解再重构的方式将信号分解成了频率由高到低的不同分量,并获得了故障的特征频率,提取了特征向量。实验结果表明,基于HHT变换的现代信号处理方法在处理时变非平稳信号方面比小波分析理论更具有自适应性,更易识别。     

A novel deep learning scheme for multi-condition remaining useful life prediction of rolling element bearings

The remaining useful life (RUL) prediction of a rolling element bearing is important for more reasonable maintenance of machinery and equipment. Generally, the information of a failure can hardly be acquired in advance while running and the degradation process varies in terms of different faults. Thus, fault identification is indispensable for a multi-condition RUL prediction, where, however, the fault identification and RUL prediction are separated in most studies. A new hybrid scheme is proposed in this paper for the multi-condition RUL prediction of rolling element bearings. The proposed scheme contains both classification and regression, where the 2D-DCNN based classifier and predictors are built concerning typical fault conditions of a bearing. For the online prediction, the raw signals are spanned in the time-frequency domain and then transferred into images as the input of the scheme. The classifier is used to monitor the vibration of rolling bearings for online fault recognition and excite the corresponding predictor for RUL prediction once a fault is detected. The output from the predictor is amended by the proposed adaptive delay correction method as the final prediction results. A demonstration is performed based on the XJTU-SY datasets and the results are compared with those from the state-of-the-art methods, which proves the superiority of the proposed scheme in improving the accuracy and linearity of RUL prediction. The time cost of the proposed online prediction scheme is also investigated and the results indicate high time effectiveness.     

基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine, APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis, PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明：使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm, GA)、灰狼优化(Grey Wolf Optimization, GWO)算法、粒子群优化(Particle Swarm Optimization, PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达...     

融合PSO优化的相关变模态分解与深度学习的旋转机械早期故障智能分类方法

针对旋转机械早期故障信号呈现微弱、相互干扰,易导致故障智能分类精度低的现状。提出一种融合优化的PSO-RVMD (Particle swarm optimization-Relevant Variational Mode Decomposition)与SAE (Stacked AutoEncoder)的旋转机械早期故障分类方法。智能分类方法主要有信号增强与智能分类两阶段组成。首先该方法利用所改进的PSO-RVMD分解电机-轴承系统的早期故障振动信号,通过定义的相关能量比概念计算各分量信号(IMFs)与原始信号之间的相关程度,筛选并重构相关程度高的分量,去除冗余与不相干的干扰与噪声成分,实现信号增强。最后,将增强的早期微弱信号输入到SAE模型中进行训练。利用SAE模型提取高层、抽象且利于分类的深度特征且在最后一层添加BP层,直接对提取的深度特征进行故障分类。通过仿真与实际电机-轴承系统振动信号验证了该方法的有效性,结果表明该方法能快速的实现旋转机械早期微弱故障的精确识别与诊断,提高故障特征学习与自动分类程度。     

无人直升机尾桨轴承超声信号故障映射模型

无人直升机被广泛应用于军事民用领域中执行高危任务,对其进行健康维护具有重要意义。尾桨轴承是无人直升机尾桨的关键零件,关系到无人直升机的平衡与航向控制。传统基于振动信号的监测诊断方法易受环境噪音干扰,诊断算法也易受噪声混叠影响。为解决以上问题,提出了一种基于超声信号的无人机尾桨轴承故障映射模型。首先,采集轴承不同故障状态下的超声信号。然后,利用自适应噪声完备集合经验模态分解(CEEMDAN)算法将信号分解,对分解后的信号分量计算各类熵值并融合构造特征向量。最后,将特征向量输送到基于粒子群优化算法的最小二乘支持向量机中建立特征向量与故障类型的映射模型,实现故障诊断。该方法在超声信号下对尾桨轴承早期故障诊断具有有效性和敏感性。