EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

IGA优化的SOM在滚动轴承故障诊断中的应用

针对在滚动轴承故障诊断过程中难以对发生故障的类型做出正确判断,提出一种借助免疫遗传算法优化自组织映射神经网络的故障诊断模型。对采集到的滚动轴承振动信号进行集合经验模态分解,将其分解为若干个固有模态函数之和,选取含有主要故障信息的IMF分量进行能量特征的提取并归一化,输入到经过IGA优化后的SOM神经网络进行故障状态的识别。结果证明,通过优化SOM神经网络的权值,提高了故障诊断的准确性,最后通过实验验证该方法的可行性。     

面向轴承智能诊断的多领域深度对抗迁移网络

针对不同工况下轴承监测数据分布差异性导致的诊断精度下降问题,基于深度学习与迁移学习,提出一种多领域深度对抗迁移网络,用于变工况下轴承的智能诊断。将不同工况下的样本集视作属于不同的领域,在特征提取时利用深度残差网络将轴承源域的训练数据与目标域的测试数据映射到高维特征空间,提取监测数据高层抽象的特征表示;设计多领域对抗模块,以支持多故障模式的轴承样本在不同领域对抗模块上进行对抗迁移训练,保障源域与目标域数据在特征空间中的分布有效对齐;在利用源域数据训练故障分类器时引入标签平滑约束,增强故障识别的泛化能力,将源域故障诊断知识迁移到目标域数据的故障信息识别,实现变工况下的轴承智能诊断。利用变工况下的齿轮箱轴承故障数据集与电机轴承数据集对提出方法进行验证,结果表明：相比其他方法,提出的新方法考虑了轴承监测数据的多故障模式结构,更好地提取了领域不变特征,提升了变工况下轴承故障的识别精度。     

应用奇异值分解和峭度分离滚动轴承复合故障

滚动轴承多故障特征影响故障诊断结果,为此提出一种结合奇异值分解和峭度的复合故障诊断方法。将采集的双通道多故障特征振动信号进行多层奇异值分解,利用奇异值差分谱和归一化峭度进行筛选和重构,实现对多故障特征的分别提取;通过滚动轴承内外圈故障实验,最终分离出轴承的2种故障。与直接采用原始信号诊断相比,该方法能够在背景噪声下准确分离频率相近的微弱故障成分,提高提取瞬态冲击信号特征的能力,能有效识别滚动轴承的故障类型和发生部位,提高复合故障诊断的准确性。实验结果表明,该方法可以有效地分离和提取滚动轴承多故障特征。     

MCKD-Teager能量算子结合LSTM的滚动轴承故障诊断

为解决滚动轴承故障时产生的信号具有强背景噪声而导致弱周期冲击特征难提取,以及在对轴承故障模式进行智能诊断时一般的诊断模型对故障振动信号的时序特征识别效果不强这两大问题,提出一种基于最大相关峭度解卷积(MCKD)、Teager能量算子和长短期记忆网络(LSTM)的故障诊断方法。使用MCKD算法对滚动轴承振动信号进行降噪处理,提取出信号中被噪声掩盖的周期冲击特征,并利用Teager能量算子检测信号的瞬态冲击,得到Teager能量序列;将结果分为训练集和测试集,将训练集输入到建立的LSTM故障诊断模型中进行学习,不断更新网络参数并提取出时间维度的特征信息;将训练好参数的LSTM模型应用于测试集,输出故障诊断结果。实验结果表明,提出的方法以端到端模式可以一次性诊断多种类型、尺寸的故障,具有很高的识别精度,是一种可以有效利用强背景噪声信号中时序特征的故障诊断方法。     

一种用于滚动轴承故障诊断的方法

采用振动分析法来进行滚动轴承元件的故障诊断.通过带通滤波、包络谱分析和小波包分析提取了反映滚动轴承故障的5个频域特征参数,同时还提取了对轴承早期冲击故障较敏感的5个时域指标.基于上述10个故障特征值,采用BP神经网络、基于遗传算法的RBF神经网络进行故障分类训练.试验结果表明上述10个特征值对不同的滚动轴承故障非常敏感;BP网络和基于遗传算法的RBF网络都能有效地分类不同故障;基于遗传算法的RBF网络在训练时间、训练误差以及识别精度上优于BP网络.试验证明了上述方法在滚动轴承故障诊断中的有效性.     

基于HHT/PNN的故障信息融合诊断方法

为提高动态随机故障诊断能力,提出了基于HHT/PNN的故障信息融合诊断方法.利用HHT提取信号的瞬时频率和瞬时幅值特征,采用过程神经元网络实现对时域幅值、瞬时频率和瞬时幅值3种故障特征的融合诊断.对基于HHT/PNN和基于神经网络的2种故障诊断方法进行了比较.仿真结果表明:对于动态随机故障,基于HHT/PNN的故障信息融合诊断方法比基于神经网络的故障诊断方法的故障诊断准确度高.     

神经网络信息融合技术在控制系统故障诊断中的应用

针对钢管修磨控制系统中存在的常见故障,构造了神经网络信息融合中心。对来自多传感器的残差信号进行了预处理和离散小波变换,提取其细节系数作为神经网络的故障特征向量,使用改进BP算法对神经网络分类器训练以进行相应的故障模式识别。仿真结果表明,基于神经网络的信息融合技术用于控制系统的故障诊断是可行的和有效的。     

SST和深度脊波网络在轴承故障诊断中的应用

传统滚动轴承故障诊断方法过度依赖专家经验,故障特征提取与选取困难。为此,提出一种基于同步压缩小波变换(synchrosqueezed wavelet transform,SST)和深度脊波网络(deep ridgelet network,DRN)的滚动轴承故障诊断方法。首先,对轴承振动信号进行SST变换,得到信号时频图像;其次,将时频图像进行双向二维主成分分析压缩,然后将其作为DRN的输入,进行自动特征提取和故障识别。试验结果表明,该方法能够对滚动轴承进行多工况和多种故障程度的有效识别,特征提取能力和识别能力优于浅层人工神经网络、支持向量机等传统方法,以及深度信念网络、深度稀疏自编码器等深度学习模型。     

基于DRSN-CW和LSTM的轴承故障诊断

利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。     

基于改进稀疏滤波与深度网络融合的轴承故障诊断

针对滚动轴承故障时特征提取依赖人工经验,以及故障类别难以自动准确识别的问题,提出了一种改进稀疏滤波和深层空洞门卷积网络相结合的故障诊断模型. 采用滑动窗对具有时序特征的轴承振动信号进行采样处理以避免过拟合;通过改进目标函数的稀疏滤波消除数据中的异方差并提取数据特征,达到缩短计算时间和提高分类准确率的效果;利用空洞门卷积和双向LSTM网络对噪声进行滤除,同时进行故障分类识别. 对比凯斯西储大学和动力系统装置的轴承实验数据,显示该模型故障诊断准确率可达98%. 不同负载和不同信噪比的轴承振动信号实验,表明该模型具有泛化性和抗噪性.     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

Fault Diagnosis for Rolling Bearings with Stacked Denoising Auto-encoder of Information Aggregation

信息融合型的层叠去噪自动编码器的轴承故障诊断研究

张利，高欣，徐骁

（辽宁大学 信息学院，沈阳 110036）

创新点说明：

1）针对轴承故障信号的复杂性，提出了融合性的层叠去噪自动编码器，其主要方法在于综合了隐藏层结点的信息，对每一个结点的输入信息进行加权，从而更好的包含特征信息。

2） 利用主元分析法的立体抽象形式，进行特征信息的表达比二维更易发掘。

3）利用证据理论，对不同的信息进行融合表达。

研究目的：

主要针对轴承故障信号的敏感特征不易发觉而提出一种信息融合型的去噪自动编码器方法。

研究方法：

在研究中采用西储大学的轴承数据进行测试，研究的对象包括正常，内圈，外圈以及滚动故障的4种类型数据。

其中，考察的指标为:转速，负载量，直径，采样单元。如下表所示:

动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况，容易产生裂纹、点蚀等故障，且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障，保证动车组的安全行驶，提出了一种变转速工况下的滚动轴承故障诊断方法。首先，结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点，提出了一种融合时频分析算法，该算法能够提高变转速信号分析时的时频矩阵精度；然后，针对动态路径规划方法无法处理归一化时频矩阵的局限性，对其进行了改进，并提取出融合时频矩阵中的转速曲线；此外，进一步提出了一种插值重采样的阶次分析方法，根据转速对采集到的原始信号进行插值重采样，在角域对信号进行重构，并得到对应的阶次谱，实现滚动轴承的故障诊断；最后，通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明：本文所提出的方法在动车组转速变化的情况下，能够有效提取出滚动轴承的变转速曲线，并且准确识别出齿轮箱中滚动轴承发生的故障类型。     

基于双谱识别和人工免疫网络的智能故障检测

针对故障诊断中人为评估振动谱图而导致诊断结果不稳定的情况,提出基于振动谱图模式识别的故障诊断方法,利用Hilbert包络分析和双谱分析的组合方法来提取振动信号的故障频率特征,进而采用双谱图的灰度共生矩阵（GLCM）及其特征统计量来表征故障特征.改进了人工免疫网络（AIN）分类算法,将特征统计量作为抗原,通过对抗原的学习训练,形成记忆抗体集;通过判断待检验抗原与记忆抗体的匹配程度,实现故障分类识别.滚动轴承故障诊断实践证明,人工免疫网络分类方法具有良好的适应性,取得了较BP神经网络更好的检测准确率.     

基于二维卷积神经网络的滚动轴承变工况故障诊断方法

为了实现滚动轴承变工况运行下仍能进行有效的故障诊断, 提出了一种基于二维卷积神经网络的滚动轴承变工况故障诊断方法。该方法将原始信号以及运行载荷这一工况变量作为输入信号, 无需人工提取特征向量, 减少特征提取过程中的损失, 实现端到端检测, 并将该方法与传统卷积神经网络模型进行了实验对比。结果表明, 相较于传统卷积神经网络, 该方法在故障的识别准确率和诊断的实时性上都有很大程度的提升。     

基于CEEMDAN⁃SPSO⁃ELM的旋转电机滚动轴承故障检测方法

由于旋转电机滚动轴承振动信号存在不平稳、非线性的特征,传统时频分析法、小波分解法存在在信号分解过程中能量泄露、自适应能力差的问题,经验模态分解（EMD）法存在模态混叠等问题。提出一种基于噪声自适应完备总体平均经验模态分解方法（CEEMDAN）,利用具有麻雀捕食预警机制的粒子群算法（SPSO）优化极限学习机神经网络（ELM）的CEEMDAN?SPSO?ELM算法。利用所提方法对滚动轴承单一与多种损伤故障进行分析诊断,结果表明,所提算法具有有效性及诊断准确性。