基于改进堆叠降噪自编码的滚动轴承故障分类

作为一种新兴的机器学习方法,深度学习在故障诊断领域逐渐得到了应用。其中,堆叠降噪自编码(Stacked de-noising auto-encoders,SDAE)算法先对原始数据添加"损伤噪声",然后通过自编码网络进行数据重构,从而得到更鲁棒性的特征表示,易于进行故障分类。然而针对具体的故障诊断问题,网络隐含层节点数、稀疏参数以及输入数据置零比例将直接影响诊断的结果。因此,提出一种改进的SDAE诊断方法,利用粒子群算法(Particle swarm optimization,PSO)对DAE网络超参数进行自适应的选取来确定SDAE网络结构,据此得到故障状态的特征表示,输入到Soft-max分类器中进行故障分类识别。通过变转速工况下的滚动轴承故障仿真和模拟试验对算法进行验证,试验结果表明,基于PSO-SDAE网络的诊断方法在泛化性、故障识别率方面均优于支持向量机(Support vector machine,SVM)、反向传播神经网络(Back propagation,BP)以及深度置信网络(Deep belief network,DBN)。     

连续隐半马尔科夫模型在轴承性能退化评估中的应用

连续隐半Markov模型(Continuous hidden semi-Markov model,CHSMM)是隐Markov模型(Hidden Markov model,HMM)的一种扩展形式,可用于时间序列过程的动态建模。通过加入状态分布参数并对多组观测值进行连续化,可加强模型对新观测值的处理能力以及对状态驻留时间的建模能力。利用该方法建立了轴承性能退化的评估模型。首先,分析振动信号并提取频带能量作为退化特征;然后将正常状态下的特征样本作为模型的观测值对CHSMM进行训练;最后将待测的特征样本输入模型,得到待测样本相对于所建立正常模型的输出概率,作为轴承性能退化状态的标志。轴承疲劳寿命试验结果表明:所提的评估模型能较好地刻画轴承性能退化的过程,并能在早期对轴承的性能退化做出预警。     

用Morlet小波进行包络检波分析

针对旋转机械设备损伤类故障诊断问题，提出一种用Morlet小波和连续小波变换实现的新包络检波算法，利用小波变换时－频分析的优势，新算法能够在整个时－频空间内对信号进行包络处理，确定信号中是否有迥成分和冲击成分所在频带。     

基于特征空间降噪的局部保持投影算法及其在轴承故障分类中的应用

实际机械振动信号不可避免受到各种各样的噪声干扰,导致机械状态诊断结果误判等问题。目前的降噪算法主要都是针对时域振动信号,所需计算时间较长、占用存储空间较大。流形学习算法处理对象是样本特征空间数据,提出一种直接对样本特征空间进行奇异值分解降噪方法,再对降噪后的特征空间利用局部保留投影算法进行维数约简,通过1NN算法对设备运行状态进行识别。轴承故障仿真试验表明,与直接对时域信号进行降噪相比,所提方法能有效保证局部保持投影算法的降维效果,同时加快计算速度及减少所占存储空间。     

基于小波包熵和高斯混合模型的轴承性能退化评估

为准确的描述设备性能退化的过程,采用小波包熵(Wavelet packet entropy, WPE)与高斯混合模型(Gaussian mixture model,GMM)对轴承性能退化状态进行评估。首先,提取轴承振动信号的小波包熵作为特征向量。接着以轴承正常状态数据的特征向量建立轴承性能的GMM评估基准模型。然后对试验中每一运行状态建立相应的GMM模型,并计算对应状态GMM相对基准模型的偏离程度,判断轴承是否发生退化以及退化程度。试验分析表明,与基于逻辑回归的设备性能退化方法相比,基于小波包熵与高斯混合模型的设备性能退化方法无需设备历史数据,不需要定义退化先验概率,能够较准确的反映轴承在全寿命周期中性能退化的过程。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络（Enhanced transfer convolutional neural network,ETCNN）来改进机械设备在变工况下的诊断精度和泛化能力。为充分利用标签信息和提取高维特征,构建卷积神经网络和两个独立的分类器对源域数据分别训练,用于检测远离决策边界的目标域样本。为有效减少不同决策边界处样本的误匹配,进一步构建分类损失函数和分类器判别损失函数,并引入对抗训练策略,最大两个分类器的分类差异,同时最小化源域与目标域特征分布差异,实现目标域样本与源域样本自适应匹配,从而有效改进故障的分类性能。在滚动轴承数据集上对所提方法进行充分评估,并与其他三种深度迁移学习方法：域适配网络（Domain adaptive network,DAN）,多层域适配网络（Multi-layer DAN,MLDAN）,以及深度对抗卷积神经网络（Deep adversarial convolutional neural network,DACNN）进行充分比较,结果表明,所提方法不仅具有良好的分类能力和泛化能力,同时明显优于其他方法。     

基于最近最远距离保持投影算法的发动机失火状态识别

目前的局部保持投影算法(Locality and preserving projections, LPP)只考虑样本点的近邻矩阵,但是对于那些处于与该样本点距离最远处的样本特性并没有做出研究,这些最远处的样本同样具有描述数据结构信息的功能。为了更好地保留数据结构信息,在考虑样本的近邻点分布的同时分析其最远处的样本点分布,即同时考虑样本的“近邻矩阵”和“最远矩阵”,通过二者结合实现数据维数的约简,由此提出基于最近最远距离的保持投影算法(Nearest and farthest distance preserving projections, NFDPP)。将该算法运用于发动机失火状态的仿真数据及实际测试中,通过与主成分分析(Principal component analysis, PCA)、LPP、邻域保持嵌入(Neighborhood preserving embedding, NPE)、线性判别分析(Linear discriminant analysis, LDA)等算法的对比,得出NFDPP算法能够得到更低的识别错误率曲线,证明所提出的NFDPP算法能够有效地识别发动机失火故障状态。     

核主元分析在透平机械状态监测中的应用

讨论了核主元分析(K erne l P rinc ipa l Com ponen t A na lys is,简称KPCA)原理,提出了基于KPCA的透平机械状态监测方法。该方法在低维特征空间利用内积核函数,实现原始空间到高维空间的非线性映射以及对高维映像数据的主元分析,从而在低维空间得到原始特征的非线性主元,并根据非线性主元构建特征子空间,实现特征提取和对透平机械状态的分类识别并监测其状态变化。对仿真数据及透平机械在正常、重负荷状态下试验数据的研究表明,KPCA分类效果比主元分析好,能有效地识别出透平机械的不同状态,并能及时监测到状态发生的变化。     

基于半监督模糊核聚类的齿轮箱离群检测方法

研究核聚类方法在机械故障检测中的应用问题,将基于半监督学习的模糊核聚类方法用于齿轮箱离群故障的检测。机械故障早期检测的难点是故障特征微弱、样本差异小,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行齿轮箱正常运行和齿轮轻微点蚀的故障试验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法的检测效果。试验结果表明,基于半监督学习的核聚类方法性能更优越。     

基于核函数估计的转子故障诊断方法

研究核函数估计方法(KFA)在机械故障诊断中的应用问题,提出一种基于特征样本选择的转子故障模式分类方法。通过计算转子振动信号原始特征空间的内积核函数,将所有原始特征样本映射到高维特征空间,在高维空间中选择特征样本对转子裂纹、转子不平衡及转子碰摩三种故障模式进行分类识别,选择的特征样本远小于样本集中全体样本的数目,提高了运算速度。比较了KFA分类方法与支持矢量机(SVM)分类方法的效果,结果表明,在保证分类精度的条件下,KFA方法可以明显减少运算量,性能更优越。