基于深度学习的电机轴承微小故障智能诊断方法*

运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题,提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量,选择合适的分量生成重构信号作为网络输入,提出一种改进的卷积神经网络框架,提高多变量时间序列的诊断效率,选用凯斯西楚大学滚动轴承数据进行试验验证,运用k-折交叉验证来评估模型性能,并通过模拟工业环境的噪声验证了的抗噪性能。结果表明,相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

基于优化VMD和深度卷积神经网络的柴油发电机组故障诊断

针对柴油发电机组故障信号非平稳非线性特征参数难以提取的问题,结合深度学习的优势,提出一种基于变分模态分解(VMD)和深度卷积神经网络(CNN)相结合的故障诊断模型。为克服VMD算法中分解模态数较难确定的问题,采用峭度准则来选取最优分解模态数,将优化的VMD算法用于不同工况下的柴油发电机组声信号进行分解,转化为灰度图像作为网络输入,通过CNN自动进行特征提取,并利用训练集样本进行网络训练。为避免背景噪声和提高故障诊断精度,使用双传感器采集发电机组声信号。通过测试集的验证,表明该模型在对柴油发电机组的故障诊断中实现了不同工况下的可靠判别,进一步提升了故障判别的准确性。通过对比其他4种故障诊断方法,结果表明所提方法诊断精度更高且鲁棒性好。     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到本征模态函数（Intrinsic Mode Function,IMF）,同时取相关系数最大的IMF做Hilbert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。     

基于变分模态分解的风电齿轮箱轴承故障诊断方法

双馈异步风力发电机采用变转速变桨距的控制策略以保持风力最大功率捕获,风电齿轮箱时刻处于变速变载的恶劣工况,其关键部件极易受到损伤.针对齿轮箱轴承故障特征易受到风机变工况干扰的问题,提出了一种变分模态分解与瑞利熵相结合的特征分析方法,实现对风电齿轮箱高速轴轴承健康状态系数的估计.本文以双馈异步风机齿轮箱高速轴轴承作为研究...     

优化VMD与CNN在齿轮箱故障诊断应用研究

针对齿轮箱的故障诊断的优化问题,提出了一种基于参数优化的变分模态分解（VMD）与卷积神经网络（CNN）相融合的故障诊断方法。该算法首先通过鲸鱼优化算法对VMD算法进行优化,之后通过正交实验法与粒子群优化算法进行了CNN模型中的重要参数进行优化,最后将分解后得到的固有模态分量输入CNN模型中进行训练学习。诊断完成后得到训练与检测结果,其中经过算法优化后CNN模型的训练与检测准确率可达98.7%与95.7%,优于未优化的准确率94.3%与91.8%。通过对结果的分析验证出该算法的可行性以及在诊断成功率方面的优越性,实现了故障特征信息的自适应性提取,并将故障类型进行分类,最终实现齿轮箱故障诊断的智能化。     

基于改进VMD和1DCNN的泵注系统轴承故障诊断

针对泵注系统轴承振动信号传递路径长,故障特征微弱而导致传统机器学习方法难以进行故障诊断的问题,提出一种基于改进变分模态分解(IVMD)和一维卷积神经网络(1DCNN)的泵注系统轴承故障诊断模型。首先,通过多个传感器采集泵注系统轴承振动信号;然后,利用Elastic回归替换Ridge回归构造IVMD并将轴承振动信号自动分解,采用改进峭度指标进行筛选重构实现振动信号的有效降噪;最后,将降噪后的重构信号输入适用于工业多传感器系统的1DCNN进行自动特征提取和故障诊断。试验结果表明,IVMD-1DCNN模型的故障诊断准确率达99.27%,相比于其他方法具有较大优势。另外,对1DCNN学习到的卷积核进行可视化,也在一定程度探讨了深度学习故障诊断的可解释性问题。     

基于CEEMD和Teager能量算子的滚动轴承故障诊断研究

滚动轴承出现局部损伤时,故障时域信号中会出现周期性冲击特征,为了能够准确地提取故障特征信息,提出了CEEMD和Teager能量算子相结合的故障诊断方法。首先应用CEEMD方法对轴承故障信号进行预处理,结果得到一系列本征模态分量,依据相关系数准则,从分解结果中选取相关系数最大的分量作为研究对象;然后采用Teager能量算子对选出分量进行解调处理;最后从得到的能量谱图中即可准确地获取故障特征信息。通过对仿真信号和轴承实验数据进行诊断分析,结果验证了该方法的有效性。     

基于VMD和对称差分能量算子解调的滚动轴承故障诊断方法

针对滚动轴承早期故障振动信号非平稳、强噪声,故障频率难提取的问题,提出了基于变分模态分解(Variational Mode Decomposition,VMD)和对称差分能量算子解调的滚动轴承故障诊断方法。首先,利用VMD方法将滚动轴承待分析信号分解成若干个模态分量;其次,根据峭度最大准则来选取被对称差分能量算子解调的模态分量,解调后获取待分析信号的幅值、频率信息并计算包络谱。实验结果表明:与传统能量算子相比,所提方法能突显故障特征频率并有效抑制虚假干扰频率,更有利于滚动轴承故障诊断。     

基于AVMD和二阶FWEO的滚动轴承故障诊断

针对滚动轴承振动信号中常包含有谐波、高斯白噪声和非周期性瞬态冲击成分,导致故障特征提取困难的问题,提出一种基于自适应的变分模态分解（adaptive variational mode decomposition,简称AVMD）和二阶频率加权能量算子（second-order frequency weighted energy operator,简称SFWEO）的滚动轴承故障诊断方法。首先,根据不同的信号自适应地确定模式数和惩罚因子,利用参数优化的变分模态分解（variational mode decomposition,简称VMD）对原始信号进行分解,得到多个本征模式函数（instrinsic mode function,简称IMF）;其次,计算每个IMF的时频加权峭度,根据时频加权峭度最大化准则选择最佳IMF;最后,采用二阶频率加权能量算子对最佳IMF进行解调。仿真和试验结果表明,所提方法克服了传统VMD算法分解精度受参数影响较大导致信号出现过分解或欠分解的问题,同时二阶频率加权能量算子对信号中的干扰成分具有很好的抑制作用,有效提高了诊断正确率。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

基于多通道一维卷积双向门控循环网络轴承故障诊断

针对于一维卷积神经网络使用单卷积核可能出现特征丢失,特征提取不充分,无法利用时间序列信息,以及Softmax无法进一步提升诊断准确率等问题。提出一种多通道一维卷积双向门控循环网络的深度学习算法。首先,设计一个3通道的一维卷积神经网络进行不同尺寸的故障特征提取;其次,引入双向门控循环单元挖掘特征信号中的动态时间序列关系;最后,采用支持向量机替换传统卷积神经网络中常用的Softmax进行故障分类,进一步提升诊断的准确率。实验证明,该方法将故障诊断的准确率提升至99.8%。通过与其他方法的对比,证明了该方法有着更高的准确率和更好的鲁棒性。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于改进变分模态分解的滚动轴承弱故障特征提取

针对滚动轴承故障信息微弱且常受到强背景噪声影响,导致故障特征提取困难的问题,提出一种改进变分模态分解(VMD)和Teager能量算子的滚动轴承弱故障特征提取方法.该方法以最大加权频域相关峭度为目标函数,对影响VMD分解的参数进行优化选取,确保获取故障特征最为明显子信号.利用Teager能量算子处理获取的最优子信号,增强...     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题,提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先,基于VMD算法分解振动信号,以互信息指标筛选真实分量并进行重构,通过GST将重构信号转化为时频图;然后,以得到的二维特征图像为输入,通过AMCNN自适应学习其时频特征;最后,通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证,结果表明：VMD-GST方法能有效提取故障特征,AMCNN模型具有更强的特征提取能力和识别能力,平均故障识别准确率达到99.76%,优于其他方法。     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

SVD-LMD联合降噪和TEO的滚动轴承故障诊断

针对随机噪声背景下滚动轴承局部损伤信息提取困难的问题,提出了一种奇异值分解(Singular value decomposition,SVD)和局部均值分解(Local mean decomposition,LMD)联合降噪,并结合Teager能量算子(Teager energy operator,TEO)的特征提取新...     

基于VMD与增强包络谱的轴承早期故障诊断方法

针对滚动轴承的早期故障信号容易受到噪声的干扰,造成信号的信噪比较低等问题,结合VMD和增强包络谱两种算法的优势,提出了一种基于遗传算法优化VMD与增强包络谱的轴承故障诊断方法。首先,使用包络熵与平方包络谱峭度的组合作为遗传算法的适应度函数,对变分模态分解的参数进行了寻优,得到了最优的模态分量个数和惩罚因子组合;然后,使用最优参数组合对轴承故障信号进行了变分模态分解,得到了若干模态分量,并选择了最小适应度值对应的最优模态分量;最后,为验证该方法的有效性,采用无刷直流电机轴承和全寿命加速退化轴承两种实测信号进行了轴承故障类型识别分析。研究结果表明：相比传统方法,采用基于VMD与增强包络谱的方法,其输出信噪比平均提升了5.94 dB,对于全寿命轴承退化数据可提前600 min识别出轴承的早期故障;该方法具有输出信噪比高、适应性好等优点,在轴承的微弱信号检测和早期故障识别方面具有较好的应用前景。     

SE-KSD优化的FRFT-VMD轴承故障诊断方法

提出了一种基于样本熵（SE）和峭度均方差（KSD）优化的分数阶变分模态分解（FRFT-VMD）的故障特征提取方法,同时结合随机森林（RF）分类器对故障进行自动识别分类。针对分数阶傅里叶变换中阶次选择对于数据可分性影响较大的问题,提出利用搜寻样本熵最小值来得到分数阶最优阶次,使得数据中重叠交叉部分在分数域内能更好分离。同时利用峭度均方差准则寻找变分模态分解最优参数使变分模态分解效果更好。通过数据库和实测数据的研究结果表明,该方法提取的信号包含更多和更明显的故障特征频率,大幅度提高了滚动轴承不同状态的故障诊断准确率。