基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。     

压缩感知和改进深层小波网络在轴承故障诊断中的应用

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出一种基于压缩感知(Compressive Sensing,CS)和改进深层小波神经网络(Deep Wavelet Neural Network,DWNN)方法。首先对采集到的轴承振动信号进行CS降噪并压缩采样;其次设计改进小波自编码器(Wavelet Auto-Encoder,WAE)进而构造DWNN,并引入"跨层"连接缓解网络的梯度消失现象;最后利用大量无标签轴承压缩数据对DWNN进行无监督预训练并利用少量带标签数据对网络有监督微调,进而实现故障判别。实验结果表明提出方法能够有效地对轴承进行多种故障类型和多种故障程度的识别,受先验知识和主观影响较小,避免了复杂的人工特征提取过程,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度稀疏自编码器等模型。     

具有多核结构的稀疏化DNN在轴承诊断中的应用

为了进一步提高深度神经网络(Deep Neural Network,DNN)在轴承故障诊断中的可靠性和稳定性,对深度学习(Deep Learning)中的一些关键技术进行了研究、借鉴以及改进。具体地沿用传统DNN中被广泛用于无监督学习的去噪自动编码器(Denoising Auto-encoder,DAE)进行特征提取,使得特征提取过程不再依赖于先验知识;然后对传统DNN中的DAE进行稀疏化处理,使得特征的提取更加合理、准确;并在DNN中引入核函数运算形成多核结构,提高诊断结果的可靠性以及鲁棒性。最后通过具体的实验,与传统DNN、支持向量机(Support Vector Machine,SVM)等故障诊断方法相对比,来最终反映基于稀疏化DAE的多核结构DNN在轴承故障诊断领域更优越的正确率与稳定性。     

空域相关和LMD结合的滚动轴承声发射信号特征提取

为了消除噪声对轴承诊断效果的影响,提出了一种局域均值分解(Local mean decomposition,LMD)和空域相关相结合的轴承声发射信号特征提取方法。首先,利用LMD将轴承故障的声发射信号分解为若干个乘积函数(Production Function,PF)的线性组合;然后,采用峭度准则选取能够反映轴承故障特征的PF分量,对选取的PF分量分别采用空域相关法进行去噪,再重构去噪后的PF分量。最后,对去噪后声发射信号进行Hilbert包络谱分析,并与所选PF分量直接Hilbert包络谱分析结果进行对比。仿真计算和实验分析表明,本文提出的方法能够有效地提取轴承故障声发射信号特征。     

基于ITD-KICA盲分离降噪的滚动轴承故障特征提取

滚动轴承在实际工况下的故障信号和故障信息常常淹没于噪声中,传统的故障特征提取方法很难有效提取出轴承故障特征信息。因此,采用时间固有尺度分解(ITD)和核独立分量分析(KICA)相结合的信噪盲分离分析法降噪。对轴承信号进行ITD分解,根据相关系数将分解得到的PRC分量重组以及构建虚拟噪声通道,利用KICA解混实现故障信号与噪声信号分离,对信噪分离后的有效分量信号做包络谱的分析。通过仿真及轴承故障实验分析和对比表明,该方法能有效提取轴承的故障特征。     

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。     

发动机振动信号的时—频域二次去噪方法

本文提出一种适用于发动机机体振动信号的时频域二次去噪方法,从时域和频域两个方向对机体振动信号进行两次去噪。其中时域去噪过程首先是利用包络导数算子和短时能量概念来对时域上的噪声信号和工作特征信号进行识别和分割,再通过非局部均值(Non-Local Mean, NLM)方法实现去噪。而频域去噪过程则是先基于时变滤波-经验模态分解(Time Varying Filtering-Empirical Mode Decomposition, TVF-EMD)对振动信号进行时频特征提取,再提出一种融合差分熵的NLM方法对提取的本征模函数进行自适应去噪。应用所提出的去噪方法对实测的发动机机体振动信号进行分析,结果表明：该方法在时频域的去噪效果十分显著,在发动机状态监测和故障特征提取方面具有较大的应用潜力。     

深度卷积长短期记忆网络的轴承故障诊断

针对传统数据驱动故障诊断方法难以从轴承信号中自适应提取有效特征、没有充分利用故障数据的时序特点以及缺乏自适应处理动态信息能力的问题,提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法.本文方法构建的深度模型能够从轴承原始信号中自适应地提取鲁棒性特征,然后利用长短期记忆网络学习特征中的时间依赖关系实现了高准确度的轴承故障诊断.该方法克服了传统特征提取方法依赖专家经验和信息利用不完全等问题,实现了故障的智能、准确诊断.实验结果表明,该方法可以提取更准确的特征而且由于利用了故障演变过程中的时序信息,使得故障诊断更加智能、可靠.     

基于Matlab的6种上肢动作肌电信号识别

表面肌电(surface eIectromyogram,sEMG)信号的去噪处理和特征提取的效果好坏直接关系到识别的准确率.以获得较高的识别准确率为目标,对肌电信号的去噪处理和特征提取展开研究.先对表面肌电信号进行小波阈值去噪;再分别运用时域、频域和时频分析对去噪后的信号进行特征提取;最后利用BP神经网络对肌电信号进行...     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

一种振动信号降噪的堆叠降噪自编码器方法

为了解决振动信号降噪问题,提出一种基于堆叠降噪自编码器的方法.结合PReLU激活函数和批标准化对传统堆叠降噪自编码器进行改进,增强了模型的特征提取和信号重构能力.堆叠降噪自编码器方法使用编码器提取含噪振动信号中的特征,使用解码器进行信号重构,从而实现振动信号降噪.在正弦信号、调幅信号和轴承故障仿真信号下进行降噪实验,取...     

轴承振动信号的去趋势分析和故障特征提取方法研究

针对传统经验模式分解(EMD)确定含噪模式分量缺乏具体评价指标的问题,首先利用互补集合经验模式分解(CEEMD)将故障信号分解,然后利用去趋势波动分析(DFA)计算每一个模式分量对应的标度指数,有用分量和含噪分量通过标度指数的幅值阈值进行区分,最后小波分析用于对识别出的高频含噪分量进行降噪处理,其目的是最大程度地保留高频模式分量中的故障信息,实现信号的自适应降噪。通过对轴承故障信号和数值仿真信号的分析结果表明:提出的方法能够更好地识别和提取轴承的故障特征。     

基于AMD和小波阈值去噪的电机轴承故障诊断

轴承是异步电机常见故障类型中发生故障概率最大的部件.谐波法是目前轴承故障诊断的常用方法,想要准确的获取故障特征谐波分量,需要对故障信号进行去噪预处理.针对故障信号提取特征频率的噪声干扰问题,结合电机轴承故障机理分析,提出运用解析模态分解(AMD)算法和小波阈值去噪算法相结合的谐波检测方法来提高电机轴承故障特征谐波分量提取的准确性.实验结果表明,所提方法能够准确的提取故障信号的特征分量,可有效提升故障诊断的准确性和可靠性,降低了电动机故障发生概率.     

多小波在信号中的去噪研究

在信号的传输过程中,常常因为各种干扰使得接收图像失真,从而需要对接收信号进行去噪处理。笔者介绍了多小波自适应阈值去噪的方法在信号去噪中的应用,并与传统小波去噪方法进行了实验对比,结果为通过采用多小波自适应阈值去噪方法中的均值逼近对信号进行预处理后,信噪比(SNR)要比不用均值逼近法的要高,信号质量得以大大改善,并且均方误差(MSE)反而也减小了,数据更加可靠。因此得到了更为理想的接收图像。     

基于小波改进阈值去噪与EMD的滚动轴承故障诊断研究

针对传统阈值去噪方法在处理轴承故障信号时存在的不足,提出了基于小波改进阈值去噪与经验模态分解(Empirical Mode Decomposition,EMD)的滚动轴承故障信号的分析方法。为改善小波去噪产生的信号振荡和失真问题,构造了适用于滚动轴承振动信号的非线性阈值函数,并将其用为滚动轴承故障信号的噪声过滤器。采用经验模态分解将去噪后的信号分解成若干固有模态函数(Intrinsic Mode Function,IMF),并用统计分析的方法提取出谱峭度值、各固有模态函数与去噪信号之间的互相关系数最大的分量。最后,为了在频域内提取到故障特征频率,对抽取到的固有模态分量进行包络分析。仿真数据分析和模拟实验数据分析表明,所提方法可有效地提取轴承故障特征频率,实现轴承的故障诊断。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

一种改进基尼指数加权的轴承健康指标构建方法

在轴承的状态监测中，构建一个可以准确描述轴承退化趋势且能及时识别早期退化点(EDP)的健康指标(HI)至关重要。目前大多学者提出的健康指标能较好地描述轴承的退化趋势，但不能准确识别早期退化点。提出了一种改进基尼指数(IGI)加权的轴承健康指标构建方法。利用集成经验模态分解(EEMD)对原始信号进行分解，根据各分量的故障特征能量比(FCER),对其进行加权重构得到重构信号；计算重构信号的IGI;将IGI作为重构信号的FCER进行加权计算，得到最终的指标IGI-FCER-HI。通过两个实验验证了所提方法的有效性，并与其他健康指标进行了对比。结果表明，所提方法构建的指标不仅具有良好的单调性和趋势性，而且能准确监测轴承的早期退化点。     

基于自组织映射与受限玻尔兹曼机的滚动轴承健康评估

为了对滚动轴承进行动态健康评估,准确描述其性能退化的动态过程,采用自组织映射(SOM)与受限玻尔兹曼机(RBM)相结合的方法进行轴承健康评估。考虑轴承健康状态的变化引起响应特征的相应变化,利用SOM的无监督学习特点,通过序列前向排序算法(SFS)筛选时域、频域和时频域特征,进而建立最优特征域,获得特征向量与轴承健康状态间的映射关系。为了避免传统神经网络在处理上述高维特征数据时出现的易陷入局部最优、参数调整困难、训练时间过长问题,将映射后的特征向量与轴承健康状态分别作为RBM的输入与输出,建立健康评估模型。试验数据分析的结果表明,所提方法可准确识别滚动轴承性能退化过程中的不同健康状态,对于滚动轴承健康评估具有较好的工程适用性。     

基于SVD-小波熵融合的电机系统故障分离方法

为了抑制电网工频干扰对电流信号的影响,通过对复杂电流信号奇异值分解特性和小波熵分离特性的研究,提出一种高精度故障特征分离方法。该方法先结合SVD较强的消噪特性,对复杂电流信号做去噪处理;再对去噪后的电流信号,结合小波熵法进行故障特征分离。研究结果表明,该方法可以有效剔除电网工频的干扰,实现微弱信号的特征提取。     

小波改进阈值去噪和经验模态分解相结合的旋转机械故障特征提取

针对实际工程信号易受噪声干扰导致提取的故障特征不明显的问题,将小波改进阈值方法和经验模态分解(Empirical Mode Decomposition,EMD)相结合,提出一种基于小波改进阈值的经验模态分解去噪方法,并应用到旋转机械故障特征提取中。首先,为了克服传统小波阈值方法在阈值函数的连续性以及重构误差等方面的不足之处,研究小波改进阈值方法并利用其进行振动信号预处理,减少随机噪声对振动信号的干扰,同时减少EMD分解过程中的分解层数以及其边缘效应对有用信号分解质量的影响。在实际应用中,由于振动信号中混有多种不同性质的噪声,预消噪处理常常不足以消除全部噪声的干扰,因此有必要用EMD相关度方法适当地消噪后处理,提高故障特征提取的准确度,研究为旋转机械故障进一步识别诊断提供了重要的参考。