一种无监督的轴承健康指标及早期故障检测方法

提出了一种无监督的轴承健康指标及早期故障检测方法。设计了一种可以有效提取轴承状态特征的深度可分离卷积自编码器模型,以编码器的输出作为轴承状态特征表示,使用Bray-Curtis距离计算退化状态特征和健康状态特征之间的距离作为轴承状态的健康指标（BC-HI）。基于健康指标BC-HI提出了一种结合Savitzky-Golay滤波的早期故障检测方法,根据健康指标的趋势获取异常阈值,判断早期故障的发生。为验证所提方法的有效性及泛化能力,在轴承加速寿命试验数据集上进行试验,试验结果表明提出的健康指标可以反映轴承的退化趋势,并且对早期故障较为敏感,具有较强的泛化能力,与孤立森林、支持向量机等方法相比,首次故障检测时间更加提前,误报警率更低,具有一定的应用价值。     

一种频域特征提取自编码器及其在故障诊断中的应用研究

提出一种可以直接从振动信号中提取频域特征的非对称自编码器方法。与传统自编码器以重构振动信号作为目标输出不同,频域自编码器使用振动信号的频谱作为目标输出,这种非对称的自编码器可以学习振动信号与其频谱之间的映射关系,使得编码器可以输出频域特征。为了说明提出的频域自编码器的特征提取效果,在轴承数据集上进行特征提取和故障诊断实验,在没有引入标签信息的情况下,频域自编码器提取到的特征表现出较好的聚类效果,能够区分轴承的不同故障类型;进一步进行了泛化实验,训练分类器时使用1%的有标签样本,可以达到90%以上的故障分类准确率。实验结果表明,频域自编码器与传统自编码器相比,可以更好地提取振动信号的故障特征信息,具有一定的实用价值。     

一种轴承故障诊断的多任务深度学习方法

提出一种基于多任务深度学习的故障诊断方法,将故障诊断任务分为故障分类和损伤程度识别。 共享层采用卷积神经 网络提取监测振动信号中蕴含的故障特征信息,两个子任务模块使用门控循环单元从共享层的输出中进一步提取特征,进行故 障分类和损伤程度识别。 在多任务深度学习方法中两个子任务模块可以通过共享层相互影响,提高模型的特征提取能力,获得 更好的故障诊断性能。 在轴承数据集上进行故障诊断实验,同时与故障分类单任务模型和损伤程度识别单任务模型进行对比, 以检验多任务深度学习方法的故障诊断性能,实验结果显示多任务深度学习模型在测试集上两个任务同时正确的准确率为 99. 79%。 为进一步验证多任务深度学习方法的特征提取能力,在测试集中添加不同程度的高斯噪声进行故障诊断实验,在较 强噪声情况下,多任务深度学习模型的准确率明显高于单任务深度学习模型。 研究结果表明,多任务深度学习模型与单任务深 度学习模型相比故障诊断准确率更高,同时抗噪性能更好,具有一定的实用价值。