航空发动机的IGWO-KELM故障诊断方法

为提高航空发动机滑油系统的故障诊断有效性，提出了一种改进的灰狼算法优化核极限学习机（IGWO-KELM）的航空发动机故障诊断方法，对航空发动机进行了故障诊断技术研究。首先对航空发动机滑油系统的参数数据进行预处理，利用核独立分量分析（KICA）将数据映射到核空间，消除原始特征向量间的相关性，并提取特征系数矩阵；其次，由提取的特征矩阵创建KELM故障模型，为减少人为调节网络参数的随机性对诊断结果造成的影响，采用IGWO算法优化KELM的网络参数，并创建IGWO-KELM故障诊断模型；最后，对所创建的IGWO-KELM故障诊断模型进行了试验验证。结果表明，所提出的IGWO优化KELM的故障诊断方法能有效提高航空发动机故障诊断准确率，诊断准确率达96%，具有很好的应用前景。     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于BP神经网络的重型卡车齿轮箱故障诊断方法研究

油液分析是齿轮箱故障诊断中常用的诊断技术,依据齿轮箱油液光铁谱数据,提出了一种基于BP神经网络的重型卡车齿轮箱故障诊断方法。首先创建BP神经网络,然后对采集得到的重卡齿轮箱油液数据进行网络训练,最后用训练好的网络对测试数据进行仿真测试。仿真结果表明该BP网络能准确诊断出齿轮箱具体故障类型。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于模糊神经网络的航空发动机故障诊断研究

提出了一种基于模糊神经网络的航空发动机故障诊断方法 ,介绍了该方法的原理及实现算法 ,并利用某型发动机地面定检状态实测的数据作为样本数据 ,建立了基于模糊神经网络的航空发动机的故障诊断模型。通过该模型对起飞状态实测的发动机参数进行了辨识 ,结果表明该方法具有学习速度快、诊断精度高等优点。可用于航空发动机及其它装备的故障诊断。     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

基于神经网络的涡轴发动机故障诊断仿真研究

为了避免基于专家系统、模糊参数等传统方法,对涡轴发动机进行故障诊断而导致的诊断速度慢、数据精确差、正确率低等缺点,提出一种基于神经网络的故障诊断方法。此方法通过建立三层神经网络模型,以径向基函数为中心运用MATLAB软件进行了仿真训练与测试,再分析对比前期研究经验,结果表明基于径向基函数的神经网络在训练速度以及诊断正确率上效果较好,能够有效的对涡轴发动机进行故障诊断。     

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE) (FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法.首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数.试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法.     

基于LE-DBN故障诊断模型的滚动轴承振动信号特征提取

为了提高滚动轴承的高效率运行，设计了一种基于拉斯特征映射-深度置信网络(laplacian eigenmap-deep belief network, LE-DBN)故障诊断模型的滚动轴承振动信号特征提取方法。利用LE算法从高维振动数据中提取获得流形参数，分别测试包含少量有标签与大量无标签样本的DBN网络训练结果，再对各类故障实施分类。研究结果表明：采用训练集识别时准确率在99.8%附近，表明该模型可以对训练数据发挥理想拟合性能。LE算法比PCA、KPCA算法都达到了更优特征提取效果，选择合理参数可以使准确率达到99.8%。采用多传感器实施特征融合时相对单个传感器的诊断性能更优。有标签样本个数在60～120之间时，采用DBN网络可以获得比CNN网络更理想的分类结果。该研究可以达到可靠性标准，更能适用于其它的机械传动设备。     

航空发动机诊断知识的动态获取与柔性诊断技术

针对军用航空发动机的状态监测与故障诊断问题，研究了航空发动机的诊断知识动态获取模型及柔性诊断技术。建立了可扩展诊断样本库，实现样本库中故障征兆和故障模式的动态增减，以增加系统的柔性和可扩展性；运用粗糙集理论对样本集进行处理，实现冗余属性的约简、冗余样本的去除及样本冲突的消除；用神经网络通过对处理后的样本集进行学习以动态获取知识，将实际诊断样本输入到训练好的神经网络模型即可得到诊断结果。整个诊断过程具有充分的可扩展性和柔性，当有新样本加入时，按上述步骤进行处理即可实现诊断知识的动态获取和诊断。算例表明了方法的正确性和有效性。     

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)。     

基于BP神经网络的航空发动机整机振动故障诊断技术研究

本文提出了一种基于BP神经网络的航空发动机整机振动故障诊断方法,详细阐述了该方法的数学原理及其实现算法,并利用某型航空发动机整机振动数据作为数据样本,建立了基于人工神经网络的发动机故障诊断模型。应用MATLAB语言编程计算,结果表明,该方法具有学习速度快、噪声抑制力强等特点,而且诊断准确,大大降低了虚警率,对于航空发动机的整机振动故障诊断研究有重要意义。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于NAKF和DBN的液压管路故障智能诊断方法

针对航空液压管路故障识别困难的问题,提出了一种基于非线性自适应卡尔曼滤波器(NAKF)和深度信念网络(DBN)的液压管路智能故障诊断方法。首先,在传统卡尔曼滤波器(KF)的基础上,利用最小二乘法修正构造的Sigma点,消除高斯分布对Sigma点影响,提出了非线性自适应卡尔曼滤波器,并用其对仿真信号进行了降噪处理;然后,对液压管路实测振动信号中的随机噪声进行了去除,对深度信念网络模型参数进行了设计,并将液压管路数据集输入到深度信念网络模型中进行了训练;最后,基于同一样本数据,分别采用支持向量机(SVM)和反向传播神经网络(BPNN)等模型进行了训练处理,利用分类准确率等两个指标,对3种故障诊断模型进行了综合评估,对3种模型分类性能进行了对比分析。研究结果表明：采用NAKF-DBN智能故障模型得到的液压管路故障诊断准确率能达到99.72%,SVM模型和BPNN模型等浅层网络的平均故障诊断准确率不高于95%,而未经非线性自适应卡尔曼滤波器滤波的深度信念网络的诊断准确率仅有86.58%;该结果验证了NAKF-DBN模型对于液压管路故障识别的有效性,可以为航空液压管路的智能化诊断提供新思路。     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

联合训练生成对抗网络的半监督分类方法

深度神经网络需要大量数据进行监督训练学习,而实际应用中往往难以获取大量标签数据。半监督学习可以减小深度网络对标签数据的依赖,基于半监督学习的生成对抗网络可以提升分类效果,但仍存在训练不稳定的问题。为进一步提高网络的分类精度并解决网络训练不稳定的问题,本文提出一种基于联合训练生成对抗网络的半监督分类方法,通过两个判别器的联合训练来消除单个判别器的分布误差,同时选取无标签数据中置信度高的样本来扩充标签数据集,提高半监督分类精度并提升网络模型的泛化能力。在CIFAR-10和SVHN数据集上的实验结果表明,本文方法在不同数量的标签数据下都获得更好的分类精度。当标签数量为2 000时,在CIFAR-10数据集上分类精度可达80.36%;当标签数量为10时,相比于现有的半监督方法,分类精度提升了约5%。在一定程度上解决了GAN网络在小样本条件下的过拟合问题。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

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。     

半监督阶梯网络和GAN在滚动轴承故障诊断的应用

滚动轴承是旋转机械的关键部件，统计表明，约30%的旋转机械故障出现在滚动轴承处。人工智能的发展给工业生产中的故障诊断提供了新途径，深度学习已经成为旋转机械故障诊断的一种新颖且有效的方法。普通神经网络的训练需要大量各种情况下的带标签数据，然而现实中工业数据存在不平衡和标签成本高等问题，限制深度学习在工业实际中故障诊断的发展。这里针对滚动轴承监测数据不平衡和缺少标签等问题影响深度学习在工业领域落地应用的情况，提出一种基于半监督阶梯网络和生成对抗网络（GAN）的方法，建立GAN-SSLadder分类模型，基于公开的轴承故障数据库，实现在标签少，数据量小的情况下测试集的识别准确率达到95.5%。