基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

基于改进 DQN 网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法。该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数,同时引入残差网络(Resnet-18)实现特征的深层提取;智能体将新的回报函数和时频图作为输入,在每个时间步长执行诊断动作,判断并返回回报值;最终,智能体学会不平衡数据下的故障诊断策略。实验表明,所提改进的诊断模型相比本文对比的其他方法在不平衡下提高了5%～8%;同时不平衡且变负载情况下也表现突出,不平衡指标得分达到了0.982左右,具有较好的泛化性。     

基于残差胶囊网络的滚动轴承故障诊断研究

采用传统的滚动轴承故障诊断方法对时域信号进行特征提取时,过分依赖于专家知识,而且提取到的特征对故障信息表达不充分,针对这一问题,提出了一种基于残差网络和胶囊网络的滚动轴承智能故障诊断方法。首先,以原始振动信号作为输入,使用一维卷积神经网络对其时域信号进行了全局特征提取;然后,利用残差网络提取了数据的低层特征,并将其输入到胶囊网络中,进行了低层特征矢量化处理;随后,采用模糊聚类改进的动态路由方法完成了低层特征到高层特征的聚合,并进行了特征分类;最后,为了验证该方法的有效性,采用滚动轴承数据集对所提出的方法进行了试验验证,并将该方法诊断结果与其他深度学习方法诊断结果进行了比较。研究结果表明:残差胶囊网络在分类精度上达到了99.95%,并且在收敛速度方面得到了提高,通过t-sne可视化分析进一步证明了该网络模型具有自适应挖掘高层特征的能力;残差胶囊网络在滚动轴承故障诊断中具有良好的精确性和泛化性。     

稀疏自编码深度神经网络及其在滚动轴承故障诊断中的应用

针对目前滚动轴承故障诊断主要采用监督式学习提取故障特征的现状,提出了一种基于稀疏自编码的深度神经网络,实现非监督学习自动提取滚动轴承振动信号的内在特征用于滚动轴承故障诊断。首先,将轴承故障振动信号的频谱训练稀疏自编码获得参数;然后用稀疏自编码获得的参数和轴承振动信号频谱的频谱训练深度神经网络,并结合反向传播算法对深度神经网络进行整体微调提高分类准确度;最后用训练好的深度神经网络来识别滚动轴承故障。对正常轴承、外圈点蚀故障、内圈点蚀故障和滚动体裂纹故障振动信号的分析结果表明:相比反向传播神经网络,提出的深度神经网络更能准确的识别滚动轴承故障类型。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

DBN与PSO-SVM的滚动轴承故障诊断

针对如何提高轴承故障诊断的准确率和算法训练的效率问题,提出了一种深度信念网络(DBN)与粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。首先,求出信号的时频特征统计量,其次,利用DBN对时频特征统计量进行特征提取,最后,利用PSO-SVM进行分类。实验结果表明:相比于直接用PSO-SVM进行分类,该方法不仅准确率更高,而且算法训练的时间大大缩短了,提高了滚动轴承故障诊断的准确率和效率。     

基于深度字典学习的滚动轴承故障识别

针对传统滚动轴承故障识别算法存在的特征提取与选择困难的问题,提出了一种基于深度字典学习(DDL)的滚动轴承故障诊断方法.首先,利用传感器采集了不同工况下的滚动轴承故障振动数据,并利用字典学习的稀疏性约束逐层学习了轴承故障数据中的典型结构特征;然后,借鉴深度学习的"逐层特征提取"思想,根据故障样本结构构造了深度故障字典,...     

大数据下机械装备故障的深度迁移诊断方法

机械故障智能诊断是大数据驱动下保障装备安全运行的重要手段。为准确识别装备的健康状态,智能诊断需要依靠充足的可用监测数据训练智能诊断模型。而在工程实际中,机械装备的可用数据稀缺,导致训练的智能诊断模型对装备健康状态的识别精度低,制约了机械故障智能诊断的工程应用。鉴于实验室环境中获取的装备可用数据充足,即数据的典型故障信息丰富、健康标记信息充足,且此类数据与工程实际装备的监测数据间存在相关的故障信息,提出机械装备故障的深度迁移诊断方法,将实验室环境中积累的故障诊断知识迁移应用于工程实际装备。首先构建领域共享的深度残差网络,从源自不同机械装备的监测数据中提取迁移故障特征;然后在深度残差网络的训练过程中施加领域适配正则项约束,形成深度迁移诊断模型。通过实验室滚动轴承与机车轴承的迁移诊断试验对提出方法进行验证,试验结果表明:提出方法能够运用实验室滚动轴承的故障诊断知识,识别出机车轴承的健康状态。     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

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。     

新型深孔刀具系统—SED

在全面剖析四种深孔钻优缺点的基础上，研制出一种性能优越，适用范围宽，结构２工艺完善，造价低，易于重磨，适于在各种行业推广应用的新型深孔刀具系统－ＳＥＤ。     

深孔钻床的改造

应用可重构设计理论和先进的“DF”负压抽屑机理，对传统的深孔钻床进行了功能模块化设计和数控改造。同时实现了深孔刀具的系列化设计，极大地提高了深孔钻床的加工质量和应用范围。     

不锈钢和钛合金工件的高效深孔钻削工艺

针对不锈钢、钛合金材料的深孔加工问题 ,分析了难加工材料的切削特性。从刀具设计及工艺方面 ,对高效深孔钻削进行了研究 ,并实际进行了切削试验 ,取得了较为满意的加工效果     

20世纪深孔加工技术的兴衰及新突破--介绍SIED深孔加工集成技术

回顾20世纪深孔加工技术的兴起及其对国际制造业的贡献。剖析20世纪80年代后深孔加工技术出现停滞衰落的症结。简要介绍SIED技术，展望21世纪深孔加工技术的发展和应用前景。     

板料拉深成形摩擦测试系统研究

对拉深过程摩擦问题进行了研究,分析了金属板粒拉深摩擦问题国内外研究现状。重点介绍了能相对真实地反映拉深过程中法兰处的摩擦与润油变化规律的探针法。指出加快这方面研究意义。     

不等壁厚深锥件的拉伸冲压工艺

通过采用壁部变薄工艺解决不等壁厚深锥零件冲压加工 ,并着重介绍毛坯厚度的选择、冲压工艺次数的计算方法及冲压工序间尺寸计算方法。该工艺方法对于回转深锥体空心零件的加工有较好作用。     

铝-钢复层板材的力学性能与拉深成形性能

对一种国产铝-钢复层板材的力学性能及拉深成形性能进行了试验研究。研究了退火温度对该材料力学性能的影响及两种板材复合后表现出来的各向异性。根据圆筒形拉深试验的结果,讲座了凸模圆角半径R p对板材极限拉深比R max的影响并由此发现铝-钢复层板材R max值与铝或钢所处的内外面位置有关。分析了造成这种现象的原因。     

封头零件拉深工艺的模拟和改进

应用Dynaform软件模拟分析了封头零件拉深工艺参数对成形质量的影响,提出采用拉延筋改进现行工艺的方 案,可明显提高材料利用率、降低压边力和提高零件成形质量。     

Active features extracted by deep belief network for process monitoring

Recently, based on the powerful capability of feature extraction, deep learning technique has been applied to the field of process monitoring, and usually, the researches utilize all the abstract features to establish the detection model and detect or classify the fault. However, whether all the extracted features are valid and beneficial for process monitoring have never been researched and discussed. If there are some features that are adverse for process monitoring, the detection performance of the model would be reduced once they are considered in the model, and utilized the features that are advantageous for process monitoring could ameliorate the performance of detection model. Motivated by this, a feasibility analysis on each feature captured by deep belief network for process monitoring is executed and the conception of active features (AFs) which have active expression for the occurrence of the fault is proposed. Based on AFs, utilized Euclidean metric to calculate the dissimilarity between the test sample and the training sample, and moving average technique is employed to reduce the effect of the burst noise in measurement variables on the result. Finally, the comparison of fault detection rate with other advanced methods on a numerical process and TE process demonstrate the feasibility and superiority of the proposed method, AF-DBN in this study.     

An Intelligent Fault Diagnosis Method of Multi-Scale Deep Feature Fusion Based on Information Entropy

For a single-structure deep learning fault diagnosis model,its disadvantages are an insufficient feature extraction and weak fault classification capability.This paper proposes a multi-scale deep feature fusion intelligent fault diagnosis method based on information entropy.First,a normal autoencoder,denoising autoencoder,sparse autoencoder,and contractive autoencoder are used in parallel to construct a multi-scale deep neural network feature extrac-tion structure.A deep feature fusion strategy based on information entropy is proposed to obtain low-dimensional features and ensure the robustness of the model and the quality of deep features.Finally,the advantage of the deep belief network probability model is used as the fault classifier to identify the faults.The effectiveness of the proposed method was verified by a gearbox test-bed.Experimental results show that,compared with traditional and existing intelligent fault diagnosis methods,the proposed method can obtain representative information and features from the raw data with higher classification accuracy.