基于改进CNN和Kmeans的双转子轴承半监督故障诊断

针对双转子轴承复杂信号故障特征难提取、工程中某些类型的故障数据缺乏时卷积神经网络（convolution neural network,简称CNN）难训练的问题,提出一种基于改进CNN和Kmeans的双转子轴承半监督故障诊断方法。首先,利用自回归（autoregressive,简称AR）模型对双转子轴承信号去噪,并基于傅里叶变换得到信号频谱作为CNN输入;其次,以Morlet小波基频域函数作为激活函数构建CNN,结合Softmax损失和提出的权重内积最小化损失在少类别训练数据下训练CNN;最后,基于Kmeans聚类算法分析CNN线性输出确定无标签数据伪标签,并结合半监督学习中自训练思想迭代CNN更新伪标签,继而依据伪标签划分双转子轴承正常、已知故障和未知故障状态。利用双转子轴承故障模拟试验台数据进行验证,结果表明,在少类别训练数据下,其诊断效果相较于人工神经网络（artificial neural network,简称ANN）等方法更佳,诊断准确率达到了100%,验证了所提方法的有效性。     

一种基于BPNN和SVM-PDE的旋转机械变工况预警方法

针对传统固定报警限未考虑时变工况的影响,易造成设备在高工况下虚警、低工况下漏警的问题,提出了一种基于BPNN(BP神经网络)和SVM-PDE(支持向量机概率密度估计)的旋转机械变工况故障预警方法.利用BPNN识别设备运行工况,结合信号处理方法从各工况振动数据中提取出多维特征并利用PCA(主成分分析)约简特征维度.将传统支持向量机(SVM)核函数改造为概率密度函数,将运行工况和低维特征输入SVM求解不同工况下正常样本的概率密度.以各个工况下正常样本概率密度值的边界值作为振动阈值进行故障预警.利用双转子试验台振动数据进行验证,结果表明,相较于固定阈值预警方法,基于BPNN和SVM-PDE的旋转机械变工况预警方法能有效降低漏警率和虚警率,验证了该方法的有效性.