基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

MHSACAE-CNN在噪声下的电机轴承故障诊断

电机的运行情况复杂,实际运行工况下会有大量的噪声,导致其轴承故障诊断精度下降。为了改善这一问题,提出了一种基于多头自注意力机制的一维全卷积自编码网络（One-dimensional Fully Convolutional Autoencoding Network Basedon Multi-head Self-attention,MHSACAE）与卷积神经网络（Convolutional Neural Network,CNN）结合的轴承故障诊断方法。该方法先采用MHSACAE网络进行降噪,再通过CNN进行故障诊断。其中MHSACAE去噪网络采用无监督训练的方式,充分考虑了实际工况和序列数据内在联系,在实现对噪声的滤除效果的同时,最大限度地保留下了原始的故障信息,使得CNN可以实现在噪声情况下对电机轴承故障的高精度诊断。通过与其他轴承故障诊断方法在噪声情况下进行对比,证明提出的方法具有更好的效果。     

基于自适应CYCBD和互相关谱的滚动轴承复合故障诊断方法

强背景噪声环境下,复合故障信号中的多特征提取与分离是实现滚动轴承复合故障诊断的重点与难点。提出了基于自适应最大二阶循环平稳盲卷积(CYCBD)和互相关谱的滚动轴承复合故障特征提取方法。首先,基于故障信号特点,通过设置CYCBD中不同的循环频率,提取不同频率的故障冲击成分,并以最大谐波显著性指数(HSI)为依据,自适应选取CYCBD的最优滤波器长度;然后,利用互相关分析进一步抑制信号中的噪声,提高信噪比;最终通过快速傅里叶变换(FFT)实现滚动轴承故障特征的提取。仿真和实测信号的分析结果表明,该方法能够去除背景噪声的干扰、提取滚动轴承复合故障特征,验证了方法的有效性。     

不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法

针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

可能性理论在滚动轴承复合故障诊断中的应用

鉴于测得滚动轴承复合异常信号的复杂性,利用Gabor小波的时频局部化特性从中提取出单一异常特征成分,再以模糊数学可能性理论为基础得到特征参数的隶属度函数,最后运用逐次诊断理论,对滚动轴承进行复合故障诊断研究。实验表明,该方法能准确地诊断出变工况条件下滚动轴承的复合故障,实用性强。     

基于故障特征系数模板的变转速滚动轴承故障诊断

与恒转速相比,机械中普遍存在的变转速工作模式使滚动轴承的故障诊断更加困难;另外变转速条件下的常规方法—阶比分析存在误差以及计算效率方面的问题,因此,提出了基于故障特征系数模板的滚动轴承故障诊断方法。该方法主要包括六部分:(1)根据目标轴承的几何参数计算其故障特征系数以设定模板;(2)利用快速谱峭度滤波算法对滚动轴承振动信号进行滤波;(3)根据Hilbert变换以及短时傅里叶变换计算滤波信号的包络时频图;(4)通过峰值搜索算法从滤波信号的包络时频图中提取瞬时故障特征频率趋势线;(5)根据转速脉冲信号计算滚动轴承的转速曲线;(6)瞬时故障特征频率与瞬时转频相比获取瞬时故障特征系数,进而通过故障特征系数模板实现滚动轴承的故障诊断。随即以变转速情况下的故障轴承仿真信号以及实测的外圈故障、内圈故障和健康轴承的振动信号为例验证了该算法的有效性。     

基于QGA优化广义S变换的滚动轴承故障特征提取

考虑到实际工程环境中噪声对故障特征提取的影响,提出了基于量子遗传算法(QGA)优化广义S变换的滚动轴承故障特征提取方法。该方法以时频分布集中程度为评价标准,首先采用量子遗传算法自适应地选取广义S变换中最优窗口控制参数,然后提取信号变换后复时频矩阵的模向量作为滚动轴承故障特征向量。利用该方法提取的滚动轴承故障特征与其它故障特征进行故障识别对比研究,实验结果表明该方法能够更准确地提取出故障特征,验证了方法的优越性。此外,对不同噪声强度背景下的滚动轴承振动信号进行故障特征提取,诊断结果进一步显示所提方法具有良好的抗噪性和健壮性。     

基于时频增强的滚动轴承少样本故障诊断方法

针对滚动轴承故障样本稀缺、振动特征提取困难导致故障诊断准确率低的难题,提出一种基于时频增强的滚动轴承少样本故障诊断方法。首先,对滚动轴承一维振动信号进行重叠采样,利用连续小波变换对采样信号段进行时频域特征映射,构造二维时频矩阵;其次,通过深度卷积生成对抗网络对真实时频样本进行训练后,将生成时频样本加入到训练集中;然后,采用时序卷积网络融合深层次的时频域特征;最后,构建Softmax分类器输出与故障类别对应的状态。仿真实验结果表明,在仅有10个训练样本的条件下,该方法在凯斯西储大学滚动轴承数据集中的诊断准确率均值达91.00%,相较未经时频增强的方法提高了7.56%,并利用实测数据验证了时频增强方法能够显著提升少样本情形下的故障诊断准确率。     

基于卷积神经网络和离散小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于EEMD和共振解调的滚动轴承自适应故障诊断

本文为解决滚动轴承原始振动信号信噪比低以及带通滤波器参数选择依赖于人的主观经验等影响传统共振解调技术有效应用的问题,提出了EEMD自适应消噪和自适应共振解调相结合的方法。论文首先利用EEMD自适应地将信号分解成多个分量,通过互相关系数方法进行自适应重构以突出故障特征信号,然后利用谱峭度自动确定带通滤波器的中心频率和带宽,最后对滤波后的信号进行能量算子解调谱分析。数字仿真信号和滚动轴承实验证明了该方法的有效性。     

基于卷积胶囊网络的滚动轴承故障诊断研究

针对目前许多基于深度学习的滚动轴承故障诊断方法在检测含有噪声的信号以及载荷变化时,其诊断性能会有所下降的问题。提出一种基于卷积胶囊网络的故障诊断方法;该模型使用两个卷积层的卷积网络直接对原始的一维时域信号进行特征提取,并将其送入胶囊网络,输出每种故障类型的诊断结果;为了验证该模型的诊断性能,选用凯斯西储大学轴承数据库来进行验证,并与常见的卷积神经网络和深度神经网络进行对比。试验结果表明,相比于其它深度学习方法,该方法在载荷变化以及信号受到严重噪声污染时,依然拥有良好的诊断性能。     

S变换时频谱SVD降噪的冲击特征提取方法

为了从滚动轴承故障振动信号中提取出冲击特征,以进行轴承故障诊断,提出基于S变换时频谱奇异值分解(SVD)的信号降噪方法。S变换是一种信号时频表示方法,适合于处理与分析非平稳的冲击特征信号。在SVD降噪过程中,数据矩阵由信号的S变换谱系数构成;奇异值序列的置零阈值位置坐标可由奇异值差分谱最前面部分峰值群的最后一个峰值点序号来确定。最后对降噪的数据矩阵进行S逆变换,获得信号的时域冲击特征。仿真研究表明,基于S变换时频谱的SVD降噪方法可以成功地从低信噪比信号中提取出周期性的冲击特征。将本方法用于处理与分析滚动轴承故障振动信号,根据所提取出的冲击特征出现频率,能够方便有效地实现轴承相关故障的诊断。     

应用改进的LMD和小波降噪于滚动轴承故障诊断

局域均值分解(Local Mean Decomposition, LMD)是近年出现的一种新的时频分析方法,在故障诊断领域的应用日益广泛。本文提出一种改进的局域均值分解和小波降噪结合的降噪方法,并与小波变换的信号降噪方法、基于集合经验模态分解（Ensemble empirical mode decomposition, EEMD）和小波的信号降噪方法进行对比,利用信噪比和均方根误差比较降噪效果。再通过滚动轴承内外圈故障信号的频谱分析实例,证明该方法很好地去除混杂在故障信号中的噪声,准确地判断出滚动轴承发生故障的类型及部位。     

基于最优广义S变换和脉冲耦合神经网络的轴承故障诊断

针对滚动轴承故障信号具有明显的非线性和非平稳特征,提出一种基于最优广义S变换和脉冲耦合神经网络(PCNN)的故障特征提取方法。首先采用基于时频聚集性最优化的广义S变换获取轴承故障信号的时频表示,然后利用脉冲耦合神经网络对最优广义S变换时频图进行二值分解,提取二值图像的捕获比序列用于表达故障信号的故障特征。对滚动轴承4种状态信号进行分析,验证方法的有效性。结果表明该方法能够提取出更加有效的轴承故障特征参数,有利于提高轴承故障诊断的精度。