基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成故障分类、判断,提高了跨工况故障诊断的准确率.首先将源域与目标域设置为负载相同、转速与损伤尺寸不同的数据集,通过小波包分解对源域和目标域信号进行重构;在此基础上,应用最大平均差算法(Maximum mean discrepancy,MMD)作为源域和目标域数据特征分布差异评价指标,筛选出分布差异较小的特征样本数据;利用改进后的半监督深度信念网络训练较少的标签数据和大量无标签数据,提高待测数据的分类精度;最后,以凯斯西储大学轴承数据集为例进行试验,验证相同负载不同转速与损伤尺寸工况下模型的诊断精度,以及不同负载、转速、损伤尺寸工况下的模型诊断精度.结果 表明该方法能够提高轴承在多工况约束下的故障诊断准确率,减少故障诊断的误报率,并能降低训练模型过程中的梯度消失现象,提高故障分类成功的概率.另外,提出的方法无需考虑各种特征的灵敏度,亦无须依赖专家知识与经验,具有较强的普适性与兼容性,有利于及时发现并替换损坏轴承,保证机械设备安全、可靠地运行.     

保证数据隐私的装备协同智能故障诊断联邦迁移学习方法

大数据驱动的机械装备智能故障诊断方法在近年来取得了显著的成果,当前良好的诊断效果主要依赖于大量有标注的状态监测数据以中心化的方式训练模型,然而在实际工程问题中,单一用户往往难以收集充足的高质量训练数据,因此智能诊断方法的实际应用仍存在巨大困难。在工业界,多个用户往往拥有相似的机械装备与各自收集的监测数据,因此联合多用户协同进行故障诊断建模能够良好解决数据稀缺问题。然而,数据隐私性至关重要,不同用户往往不愿将私有数据与其他用户共享,给协同建模带来巨大挑战。提出保证数据隐私的装备协同智能故障诊断方法 FedTL,各用户私有数据不出本地完成模型训练,多用户间传输共享数据高级表征;提出软标签信息传输方法,通过捕捉共享数据不同故障模式关系实现对私有数据诊断知识的传递;考虑多用户装备工况不同等场景,提出联邦迁移学习方法。通过轴承状态监测试验对所提方法进行验证,结果表明所提方法能够保证数据隐私良好完成多用户协同智能故障诊断。     

自适应正则化迁移学习的不同工况下滚动轴承故障诊断

针对不同工况下存在两域分布差异复杂的问题,提出自适应正则化迁移学习的不同工况下滚动轴承故障诊断方法。首先,训练基分类器为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新伪标签获得最优系数矩阵完成不同工况下滚动轴承故障诊断。在两组滚动轴承数据集上进行实验验证,实验结果显示所提方法识别准确率分别达到了96.38%,94.18%。证明该方法能够有效应对多种工况导致的复杂分布差异,同时具有较好的有效性和可行性。     

基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。     

不同负载下滚动轴承的PSO-SSTCA算法研究

针对不同负载下滚动轴承故障诊断准确率不高和样本稀缺的问题，本文提出了一种基于粒子群优化的半监督迁移学习（PSO-SSTCA）算法。在迁移学习算法的基础上，引入希尔伯特-施密特独立性系数（HSIC）增强迁移学习过程中不同数据标签的依赖性，加入粒子群优化算法自适应寻找多核函数的最优系数，缩小数据集的类内间距，并利用K-近邻算法进行不同负载间滚动轴承的故障诊断。对4种不同负载工况下的滚动轴承振动信号进行分析，结果表明：在单-单、多-单负载工况下，PSO-SSTCA算法的平均准确率分别为85.92%与88%，与重构信号相比分别提高了10.75%与19.42%。该方法有效地为机械设备的状态监测与故障诊断提供了技术支撑。     

基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题，提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先，基于重采样扩充故障样本，通过降采样平衡正常样本，以防止样本不平衡带来的过拟合问题；然后，利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进，应对故障样本稀缺问题，缩小不同工况下故障样本分布的差异，提高模型的泛化性；最后，基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明：孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时，孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时，孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言，孪生域对抗迁移学习对滚动轴承的故障...     

基于多表示动态自适应的不同工况下滚动轴承故障诊断

在对不同工况下的滚动轴承进行故障诊断时，要收集足够多标记的故障样本是非常困难的。为此，以原始振动信号作为神经网络的输入，通过多表示动态自适应(MRDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性，从而构建了一种新的深度迁移模型，即一维多表示空洞动态自适应迁移网络(1D MRDDATN)。首先，对迁移学习数据分布进行了问题分析，对DDA进行了理论推导；然后，在一维空洞卷积基础上，创建了一维多表示空洞卷积神经网络(1D MRDCNN),并提出了MRDA算法和多表示动态自适应结构(MRDAM),形成了一维多表示空洞动态自适应迁移网络(1D MRDDATN);最后，采用美国凯斯西储大学(CWRU)的滚动轴承数据集进行了实验验证。研究结果表明：与传统的深度迁移学习方法相比，上述方法的平均诊断准确率有所提升，可达到98%以上；MRDA通过多表示对齐来完成不同工况下的跨域分类任务，自适应地捕获不同方面的信息，可以获得更好的性能。     

基于迁移成分分析的跨域轴承故障分类方法研究

针对部分轴承故障样本稀少、源域和目标域数据存在分布差异、缺乏良好的跨域特征表示,从而导致分类性能退化、故障辨识精度低等问题,提出了一种基于迁移成分分析的域自适应轴承智能故障诊断方法。首先,建立了一个新型特征表示;然后,通过一个用特征提取方法得到的参数核实现域自适应,将数据投射到已学习的迁移成分,让源域和目标域样本在特征子空间上的最大均值差异最小化,得到了一个降维的特征子空间,由此显著地缩小了域分布间的距离,实现了从源域到目标域的跨域特征信息迁移;最后,通过实验对所提出的故障诊断方法的有效性进行了验证。研究结果表明:所提方法的最高分类精度达到95%,平均测试准确度达到81%,比常用分类方法的准确率提升了70%左右;所提算法可以减少域分布差异和标签噪声的影响,正确、有效地对小样本数据进行分类,检测出滚动轴承的健康状态。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题，提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量，选择合适的分量生成重构信号作为网络输入，提出一种改进的卷积神经网络框架，提高多变量时间序列的诊断效率，选用凯斯西楚大学滚动轴承数据进行试验验证，运用k-折交叉验证来评估模型性能，并通过模拟工业环境的噪声验证了的抗噪性能。结果表明，相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

时频分析和深度学习相结合的滚动轴承故障诊断

滚动轴承大量使用在旋转机械中,轴承的工况严重影响着机械设备的正常运行。为了提高轴承故障的诊断精度,本文提出了一种时频分析和深度学习相结合的滚动轴承诊断方法。首先,分析了十种不同时频分析方法;其次,建立了深度学习的滚动轴承故障诊断模型,并利用迁移学习克服训练样本数量少的问题,通过对比分析,常数Q变换(Constant Q transform, CQT)的准确率可达100%;最后,利用实验数据对所提方法的有效性和可靠性进行验证,分别评估了在不同负载和噪声情况下的识别精度,并与文献中的方法对比,证明所提方法在不同工作环境条件下都有较好的鲁棒性和较高的识别精度。     

改进掩码自编码器的滚动轴承半监督故障诊断

针对滚动轴承在不同转速条件下数据分布不同以及实际工程应用中标签样本不足导致故障诊断精度低的问题,将领域适配模块融入掩码自编码器(MAE)中,提出了改进掩码自编码器(IMAE)的滚动轴承半监督故障诊断方法。首先,对滚动轴承振动信号进行连续小波变换(CWT)得到反应信号时频特征的二维时频图,然后对时频图随机掩码,利用无标签样本进行掩码自编码器预训练,获得数据中复杂的内在特征,减少对有标签样本的依赖;其次将领域适配模块引入到预训练后的编码器中,使用少量有标签源域数据对IMAE进行微调,在希尔伯特空间中利用最小化最大均值差异减小因转速不同造成的源域与目标域间数据分布差异;最后在Softmax分类层下实现滚动轴承半监督故障诊断。通过滚动轴承数据集实验验证,所提方法检测精度均达到94%以上,证明了该方法的可行性与有效性。     

滚动轴承故障程度诊断的HMM方法研究

为提高滚动轴承故障诊断率,提出基于时频域指标的HMM轴承故障程度诊断方法。利用轴承故障模拟试验台,采集不同剥落程度滚动体的振动信号,分别提取均方值、有效值、方差、修正样本方差、标准差、频域中心及带宽共7个时域和频域指标作为特征向量训练HMM,得到基于HMM的诊断分类器。利用该分类器对330组待检滚动轴承振动信号进行分析,诊断正确率达90%以上,说明该方法能有效提取故障特征。     

基于双谱分析的滚动轴承故障模式识别

当滚动轴承发生故障时,其产生的振动信号一般是包含较强噪声的非高斯和非线性信号。本文对高阶统计量方法用于滚动轴承故障特征提取进行了研究,提出了基于双谱估计的滚动轴承故障诊断方法。利用这种方法可以同时获得包含滚动轴承故障信号幅值和相位信息的双谱特征图谱。研究表明,双谱图谱可以有效地监测滚动轴承工作状态的模式,因而可以快速地识别滚动轴承不同的故障特征。     

基于关联维数的滚动轴承故障诊断的研究

针对滚动轴承系统产生的非线性振动信号的特点,提出用关联维数来描述轴承振动信号的工作状态,进而对其进行故障诊断的方法。同时详细讨论了关联维数的计算方法,并对由轴承系统产生的非线性振动信号进行了关联维数的定量计算。实验表明,滚动轴承不同工作状态由不同的动力学机理产生,其关联维数明显不同。以关联维数作为滚动轴承的工作状态监测的依据,可以为提高滚动轴承故障诊断的准确率提供了一种有效的新方法。     

基于拉普拉斯分值和模糊C均值聚类的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳特征和故障征兆的模糊性,提出了基于拉普拉斯分值和模糊C均值（FCM）聚类的滚动轴承故障诊断方法。该方法首先在时域和频域对滚动轴承振动信号进行特征提取,组成初始特征向量;然后利用拉普拉斯分值进行特征选择,形成故障特征向量;最后以FCM聚类为故障分类器,实现滚动轴承不同故障类型的识别。应用实例和对比实验表明,该方法能有效提取滚动轴承振动信号特征,诊断滚动轴承故障。     

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

针对滚动轴承非平稳振动信号的特征提取及维数优化问题,提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法。首先,通过局部均值分解对非平稳振动信号进行平稳化分解,提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集;然后,将高维特征集作为拉普拉斯特征映射算法的学习对象,提取轴承高维故障特征集的内在流形分布,以获得敏感、稳定的轴承振动特征参数,实现基于非平稳振动信号分析的滚动轴承故障特征提取;最后,结合支持向量分类模型量化LMD-LE方法的特征提取效果,实现不同状况下的轴承故障分类。轴承故障样本分类识别平均正确率达到91.17%,表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪,所提取的特征矩阵对轴承故障特征描述准确。     

Connected Components-based Colour Image Representations of Vibrations for a Two-stage Fault Diagnosis of Roller Bearings Using Convolutional Neural Networks

Roller bearing failure is one of the most common faults in rotating machines.Various techniques for bearing fault diagnosis based on faults feature extraction have been proposed.But feature extraction from fault signals requires expert prior information and human labour.Recently,deep learning algorithms have been applied extensively in the condition monitoring of rotating machines to learn features automatically from the input data.Given its robust per-formance in image recognition,the convolutional neural network(CNN)architecture has been widely used to learn automatically discriminative features from vibration images and classify health conditions.This paper proposes and evaluates a two-stage method RGBVI-CNN for roller bearings fault diagnosis.The first stage in the proposed method is to generate the RGB vibration images(RGBVIs)from the input vibration signals.To begin this process,first,the 1-D vibration signals were converted to 2-D grayscale vibration Images.Once the conversion was completed,the regions of interest(ROI)were found in the converted 2-D grayscale vibration images.Finally,to produce vibration images with more discriminative characteristics,an algorithm was applied to the 2-D grayscale vibration images to produce connected components-based RGB vibration images(RGBVIs)with sets of colours and texture features.In the second stage,with these RGBVIs a CNN-based architecture was employed to learn automatically features from the RGBVIs and to classify bearing health conditions.Two cases of fault classification of rolling element bearings are used to validate the proposed method.Experimental results of this investigation demonstrate that RGBVI-CNN can generate advan-tageous health condition features from bearing vibration signals and classify the health conditions under different working loads with high accuracy.Moreover,several classification models trained using RGBVI-CNN offered high performance in the testing results of the overall classification accuracy,precision,recall,and F-score.     

动车组转向架轴承局部损伤振动特性分析

针对动车组转向架轴承,根据轴承故障产生机理建立了轴承故障动力学工程模型。模型充分考虑了车轴弯曲刚度、轴承间隙及滚动体和滚道间的非线性接触力等因素,并包含内圈、外圈以及滚动体故障轴承动力学模型,使用龙格库塔数值积分方法进行了动力学仿真分析。针对实际轴承搭建实验台,对不同故障类型及不同程度故障进行了实际测试。仿真分析与实验结果吻合度较高,最大误差不超过5%,证明了该动力学模型的有效性。