基于二维深度卷积网络的旋转机械故障诊断

针对旋转机械振动信号复杂且难以提取有效故障特征的问题,提出了一种短时傅里叶变换和二维深度卷积网络相结合的故障诊断方法。首先对旋转机械振动信号进行短时傅里叶变换,得到时频图;接着将时频图输入到二维深度卷积网络中进行识别,得到最终分类结果。将该方法分别应用于滚动轴承与齿轮箱故障诊断中,在凯斯西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了较好效果,正确率优于将时域信号直接输入到经典CNN中,验证了该方法的优越性。     

基于EMD-SVD和CNN的旋转机械故障诊断

为解决旋转机械振动信号复杂且难以提取有效故障特征的问题，提出了一种经验模态分解（empirical mode decomposition，简称EMD）、奇异值分解（singular value decomposition，简称SVD）和深度卷积网络（Convolutional Neural Network，简称CNN）相结合的故障诊断方法。首先，通过EMD方法将故障信号分解成若干个固有模态分量（intrinsic mode function，简称IMF），构造时域与频域空间状态矩阵；其次，利用SVD方法对空间状态矩阵进行分解得到奇异值数组，构造时域与频域奇异值特征矩阵；最后，将提取的奇异值特征矩阵输入到CNN中进行模式识别。将该方法分别应用于滚动轴承与齿轮箱故障诊断中，在西储大学滚动轴承数据集、PHM2009直齿齿轮箱数据集上均取得了很好效果，正确率优于将原始信号直接输入到CNN中等几种对比方法，验证了该方法的优越性。     

用于钢丝绳断丝定量识别的神经网络模型参数优化

建立了钢丝绳断丝定量识别的BP神经网络模型,重点从网络输入特征值的分析与优化、网络训练集与测试集的合理选择、网络训练目标的确定3个方面讨论了优化神经网络参数与性能的方法。经实际网络的训练及测试,证明了合理参数的选择改进了网络性能,提高了钢丝绳断丝定量识别的精度,具有实际工程意义。     

基于残差网络的钢丝绳损伤图像定量识别

目前基于机器视觉的钢丝绳表面损伤检测基本均采用定性检测的方法，在定量检测方面的研究极少，而断丝数量是钢丝绳报废的重要标准，因此，提出一种基于机器视觉和残差网络的钢丝绳表面损伤定量识别方法。将采集到的钢丝绳损伤图像进行批量裁剪，以消去背景噪声；对训练集中的图像利用数据增强技术，进行随机裁剪和随机水平翻转，扩充训练集大小；然后，对数据集中的图像进行归一化和标准化，提高模型的收敛速度；最后将训练集和验证集输入到使用SGD算法优化的残差网络中进行训练，训练结束后再使用测试集对模型进行验证。实验结果表明：经过迭代训练后，模型在测试集上对钢丝绳损伤的定量识别准确率为93.5%。     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于双树复小波包变换的钢丝绳断丝损伤信号特征信息提取研究北大核心CSCD

针对钢丝绳断丝损伤信号特征信息难以有效提取的问题,提出一种基于双树复小波包变换与奇异值分解相结合的时频域特征信息提取方法。首先将钢丝绳断丝损伤信号采用双树复小波包变换为等长的频带子信号,构造时频域空间状态矩阵,然后采用奇异值方法提取各频带子信号的奇异值,组成表征各类损伤状态的特征向量,得到钢丝绳断丝损伤信号的特征信息矩阵。采用距离可分离性判据与传统时域特征信息提取方法相比较,结果表明双数复小波包变换与奇异值分解相结合的特征信息提取方法具有更强的分类能力。     

基于深度学习和多传感器的数控机床铣刀磨损状态信号监测方法研究

由于单一传感器存在获取信息量有限、抗干扰能力较弱等问题及传统网络模型诊断时间长、诊断率低等现象,采用振动、噪声等多个传感器监测铣刀的磨损状态。提出将深度学习和多传感器相结合的铣刀磨损状态信号监测方法;将经核主元筛选和未筛选的数据分别输入到BP神经网络、RBF神经网络和深度卷积神经网络中进行模式识别,并对识别结果进行对比和分析。结果表明:深度学习和多传感器相结合的铣刀磨损状态监测方法在特征量比较大、数据量比较多的情况下诊断速度、准确率均比较高,在铣刀磨损状态监测中具有明显的优势。     

基于卷积神经网络的数控机床滚珠丝杠副故障诊断研究

使用卷积神经网络对数控机床滚珠丝杠副故障信号进行识别。使用多种传感器采集滚珠丝杠副不同种类故障信号,提取故障信号的特征值作为神经网络的输入。比较卷积神经网络对单一传感器信号特征与多传感器信号特征的识别效果并引入RBF神经网络与BP神经网络作为对比。实验结果表明,卷积神经网络在多源信息的处理上具有更高的准确率。     

基于时频图与双通道卷积神经网络的轴承故障识别模型

采用传统的信号处理方法难以从轴承振动信号中提取能全面准确反映轴承运行状态的故障特征，并且实际工程中采集的数据量难以满足深度学习方法的要求(需要较大数据量),针对这些问题，提出了一种基于时频图与双通道卷积神经网络(CNN)的轴承故障识别模型(方法)。首先，基于样本熵和峭度，构造了新的目标函数，利用灰狼优化算法(GWO)对变分模态分解(VMD)方法进行了参数优化，当目标函数达到最小值时，得到了其最优参数组合；然后，使用经过参数优化后的变分模态分解(VMD)方法对轴承信号进行了处理，将处理后得到的模态分量进行了平滑伪Wigner Ville分布(SPWVD)计算，累加其计算结果后，最终得到了轴承的时频图；其次，利用连续小波变换(CWT)直接对原始信号处理得到了时频图；最后，将采用两种方式得到的时频图分别作为双通道CNN的输入，对网络进行了训练，由CNN提取了其时频图特征，并对轴承故障进行了识别分类和诊断。实验结果表明：采用该方法在轴承故障实验中得到的准确率为99.69%,在10次实验中的平均准确率达到了99.61%,相比于单通道CNN和支持向量机(SVM)等方法，该方法有着更高的准确率和更出...     

基于MDFF和DCNN-SVM混合网络的滚动轴承故障诊断研究

针对滚动轴承的故障类型比较多，且具有明显的不确定性，采集的单一的信号往往包含各种冗余信息且容易受到噪声信号的干扰，文章提出基于多域特征融合(multi-domain featurefusion,MDFF)和DCNN-SVM的滚动轴承故障诊断研究。通过对多个传感器采集轴承的振动信号，通过时域、频域和完备自适应噪声集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)等方法进行特征提取，利用随机森林算法对敏感特征进行筛选，降低特征维度，将优化后的敏感特征值分别输入到DCNN网络中进行自适应特征提取。利用DCNN网络改变各个敏感特征量的权重值，进行综合训练，获得多域融合特征量，输入到支持向量机中进行故障诊断。通过设置多组对比试验可知，提出的方法的识别准确率达到96.82%，比人工-SVM识别准确率提高19.95%，可以有效实现对滚动轴承故障状态的全面诊断，具有一定的应用价值。