一种结合改进Inception V2模块和CBAM的轴承故障诊断方法EI北大核心CSCD

传统深度学习的轴承故障诊断方法网络复杂,训练参数多,模型泛化性弱。针对上述问题,在工业大数据背景下,提出一种结合改进Inception V2模块和CBAM注意力机制的轴承故障诊断方法,改进后的Inception V2模块通过增加平均池化层,进一步拓宽分支网络结构,从而提高网络表达能力。将轴承振动信号通过小波变换转换为时频图,作为卷积神经网络的输入,通过改进Inception V2模块对输入特征进行自适应特征提取,跨通道对提取的特征进行信息组织;通过CBAM注意力机制生成通道和空间的双重注意力权重,增强相关度高的特征并抑制相关度不高的特征;将生成的特征数据输入到全局平均池化层,并输出故障诊断结果。实验结果表明:该方法可以建立“浅层”卷积神经网络模型,减少模型参数,加快模型收敛速度,实现99.75%的准确率;同时在不同负载以及高噪声条件下,模型有较好的泛化性,更适合应用在工业大数据中。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法。将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务。改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权。在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断。选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8%、在抗噪试验下的识别率为98.22%,在泛化试验下的识别率为97.19%,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性。     

GhostConv轻量级网络设计及故障诊断研究

提出一种GhostConv轻量级网络模型并将其用于故障诊断。GhostConv利用常规卷积生成一小部分特征图,然后在生成的特征图上进行多次特征提取来生成其余特征图,最大程度地节约了常规卷积中生成冗余特征图的成本,减少了模型参数,保证了模型的性能。采用连续小波变换对振动信号进行时频变换生成二维时频图,之后利用设计的GhostConv搭建轻量级网络模型进行故障诊断。采用凯斯西储大学轴承数据集进行验证,并与其他卷积结构网络模型进行参数量、计算量以及识别准确率的对比。实验结果表明,与其他模型相比,所使用的网络模型在参数量和计算量较少的条件下依旧有较高的识别精度,且具有较好的鲁棒性和泛化能力,具有一定的工程应用价值。     

重参数化VGG网络在滚动轴承故障诊断中的应用研究

基于神经网络的滚动轴承故障诊断方法训练时,存在诊断准确率低和易受到变工况噪声干扰的问题,提出一种基于重参数化VGG(RepVGG)滚动轴承故障诊断方法。为满足神经网络对数据量的要求,采用数据增强技术来扩充原始数据,使用短时傅里叶变换(STFT)对原始的振动信号处理成单通道时频图,并使用伪彩色处理技术转换成三通道时频图,进一步将数据输入到RepVGG网络的不同结构中进行滚动轴承的故障诊断。在凯斯西储大学(CWRU)滚动轴承数据集上开展试验验证,试验结果表明,RepVGG在变工况及噪声干扰下的平均诊断准确率分别为98.02%、95%以上,高于基于VGG、ResNet的故障诊断模型,有较高的故障诊断准确率且泛化性更好。     

基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断EI北大核心CSCD

针对实际应用中轴承故障数据获取困难,导致其故障诊断模型的准确性和泛化能力下降的问题,提出了一种基于一维卷积注意力门控循环网络(1DCNN-Attention-GRU)和迁移学习的轴承故障诊断方法。首先,构建基于一维卷积网络(1D convolutional neural networks, 1DCNN)、门控循环网络(gated recurrent unit, GRU)和注意力机制(Attention)的故障诊断网络,解决传统故障诊断方法特征提取过于依赖人工经验的问题;然后,引入迁移学习,利用充足的源域数据训练网络,冻结训练好的网络底层结构,再利用少量目标域数据对网络顶层结构进行微调,得到目标网络模型;最后,采用Softmax函数进行故障分类。实验结果表明,所提方法在不同训练样本比例下的故障诊断准确率均高于1DCNN-GRU、GRU以及支持向量机(support vector machine, SVM),并能在变工况及小样本数据下获得较高的故障诊断准确率,当使用3%目标域数据进行微调时,故障诊断准确率高于98%。     

基于GADF-TL-ResNeXt的滚动轴承故障诊断方法

针对传统诊断方法难以有效提取故障特征的问题，提出了一种基于格拉姆角场(GAF)与TL-ResNeXt相结合的故障诊断方法。首先利用GAF对原始振动信号编码为时间序列相关的二维特征图；再将这些特征图输入到层级更深的分组残差网络ResNeXt中进行自动的识别、分类；模型训练的同时，在网络的最后一层结合了迁移学习(TL)模块以加快模型特征提取能力、快速的进行学习。为了验证该方法的有效性，利用凯斯西储大学轴承数据对比了其他方法，结果表明该方法表现最优。且在轧机模拟实验平台上收集的轴承故障数据表明，该方法在改变工况时同样具有好的泛化性与识别能力。     

融合注意力机制的改进DBN变工况齿轮箱故障诊断方法

针对齿轮箱在交变工况下运行时导致的故障模式难以识别、分类精度降低的问题,提出融合注意力机制的改进深度置信网络(DBN)变工况齿轮箱故障诊断方法。为解决齿轮箱单一时、频域特征反应故障信息不全面、异常不敏感问题,提取时域、频域、小波包时频域特征形成高维特征集。利用深度置信网络具有的贪心学习优势分别对其进行挖掘,同时结合注意力机制自适应对描述齿轮箱状态有效的特征给予更多“注意”,从而提高齿轮箱故障诊断精度。引进余弦损失函数降低深度置信网络对不同工况振动强度的敏感性,从而减轻网络拟合负担、提高泛化能力。齿轮箱变工况故障诊断试验结果表明,所提方法有效提高了变工况下齿轮箱故障诊断精度,同时具有很好的泛化能力。     

基于迁移学习的异步电机故障诊断

针对异步电机故障诊断中,故障数据样本少导致传统深度神经网络模型泛化能力差的问题,提出一种异构迁移学习的异步电机故障诊断算法。首先,通过仿真平台模拟异步电机故障,以解决故障数据样本少的问题;其次,对正常和故障状态下的电流电压信号进行小波变换,作为深度学习网络的输入;然后,基于多核最大平均差异方法,获得仿真数据和实测数据的深度特征差异,对深度学习神经网络参数微调,使其深度学习特征具有跨域不变性。最终,在实验平台上验证文中所提算法,实验结果表明,该算法的故障诊断准确率高,依赖实测故障数据样本少。     

基于深度张量投影网络的机械故障诊断方法研究

针对现有的、基于深度卷积神经网络的故障诊断方法利用池化层对高阶输入张量降维时容易破坏张量数据,造成数据信息丢失,以及网络结构相对复杂的不足,构造了一种深度张量投影网络。该网络利用张量投影层代替传统卷积神经网络中的池化层,在对输入的高阶张量数据进行降维时,不会对张量数据造成破坏,避免了特征信息的丢失,提高了模型对故障的识别准确率;并且张量投影层是一种维度可变的降维层,可以简化网络结构。在此基础上,结合高阶谱和深度张量投影网络各自的优点,提出了基于深度张量投影网络的机械故障诊断方法。在提出的方法中,利用高阶谱提取故障信号特征,将得到的高阶张量谱图输入到构建的深度张量投影网络模型中进行高阶张量降维和识别。提出的方法成功应用到齿轮箱故障诊断中。实验结果表明,所提方法能够更好地保留原始故障信息,有效识别不同类型的故障,准确率优于传统深度卷积神经网络故障诊断方法。     

改进注意力机制的航空发动机试验转子系统智能故障诊断

考虑到航空发动机的工作环境十分恶劣,其故障的振动信号特征隐蔽且噪声干扰严重,为了加强网络对振动信号中关键特征的提取能力,提出了改进注意力机制的航空发动机转子系统智能故障诊断方法对航空发动机转子系统的不平衡和碰摩等故障进行诊断。提出局部池化改进的通道注意力机制,能够通过预提取局部极值解决现有通道注意力机制对航空发动机转子故障通道信息提取能力不足的问题;提出多评分机制改进的空间注意力机制,能够通过不同尺度的卷积评分解决现有空间注意力机制对航空发动机转子故障空间信息提取能力不足的问题;将二者结合构建改进的通道空间注意力机制模块,再导入一维卷积神经网络中构建改进注意力机制的一维卷积神经网络完成智能故障诊断,并且通过航空发动机转子系统故障数据集对比分析试验证明了该网络优秀的检测性能、抗噪性能和泛化性能等综合性能以及注意力机制改进方法的可行性。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

改进的生成对抗网络在轴承故障诊断中的应用

研究一种基于改进的生成对抗网络的滚动轴承故障诊断方法.针对传统的生成对抗网络模型无法进行故障诊断的问题,对其进行改进,在生成对抗网络基础上加入额外条件信息,并且在输出层添加辅助输出层,将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型.然后,利用西储大学轴承数据集对改进后的生成对抗网络进行实验验证.结果表明,...     

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断EI北大核心CSCD

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。     

基于改进1DCNN-GRU的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型无法充分利用信号的空间及时间特征，需要大量专业知识等问题，提出一种改进一维卷积神经网络(1DCNN)与门控递归神经网络(GRU)结合的故障诊断方法。首先，利用具有不同卷积核的卷积层最大化提取信号的空间特征信息；其次，提出改进的线性修正单元(IReLU)增强网络的特征提取能力；然后，引入堆叠GRU模块进一步提取1DCNN模块输出数据的时间特征，完成空间及时间特征融合；最后，对融合后的特征进行识别。实验表明所提方法故障识别率高达99.96%,对不同负载下的数据均具有较高的识别率及较强的泛化性能。     

基于卷积双向长短期记忆网络与混沌理论的滚动轴承故障诊断EI北大核心CSCD

针对传统滚动轴承故障诊断方法在大噪声与变载荷环境下诊断困难的问题。基于混沌理论,通过卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)提出CCNN(Chaotic CNN)-BiLSTM智能故障诊断方法。采用相空间重构法将一维时间序列转化为二维混沌序列,学习并提取混沌序列中有效非线性信息,并输入Softmax层中完成分类。结果表明,较之现有方法,所提CCNN-BiLSTM方法在变载荷和大噪声(信噪比为-8 dB)环境下的准确率分别至少高出3.76%与5.21%,表明该方法具有良好的鲁棒性和泛化性能。     

非均衡小样本条件下基于SAE - ACGANs的复杂 供输机构故障诊断方法EI北大核心CSCD

非均衡和小样本问题是制约深度学习技术在复杂供输机构故障诊断领域中应用效果的关键因素。为克服传统深度学习方法难以获取小样本数据内在分布和传统非均衡数据处理方法未考虑类别信息均衡化的缺陷,提出一种基于稀疏自编码辅助分类生成式对抗网络(sparse autoencoder auxiliary classifier generative adversarial networks,SAE-ACGANs)的复杂供输机构故障诊断方法。首先,对供输机构振动信号进行连续小波变换(continuous wavelet transform,CWT),得到反映信号时频特征的二维时频图;然后,运用稀疏编码器提取图像特征,并与类别信息融合为隐变量,强化其表征与图像所属类别相关特征的能力;生成器将融合隐变量映射为与真实样本分布类似的生成样本,从而扩展训练数据集;判别器从扩展数据集中挖掘有效的深度特征,并实现样本真伪和类别的判断;最后,通过优化后的生成器和判别器对抗学习训练机制,相互交替优化以达到纳什平衡,提高方法在非均衡小样本条件下样本生成质量和故障判定能力。复杂供输机构台架试验研究结果表明:SAE-ACGANs框架可以充分学习输入样本的内在分布和深度特征,相较于原ACGANs框架提升了判别器的性能,实现了模型收敛速度、训练精度和稳定性的提升;相较于传统非均衡数据处理算法,模型有效改善多数类分类偏好的影响,对于少数类故障样本的识别能力大幅提升。     

基于同步挤压S变换和集成深层脊波自编码器的轴承故障诊断

针对传统滚动轴承故障诊断算法过度依赖专家经验和故障特征提取困难的问题,提出一种基于同步挤压S变换(SSST)和集成深层脊波自编码器(EDRAE)方法。该方法对轴承振动信号进行SSST变换得到时频图像,并将时频图像进行双向二维主成分分析压缩;利用不同的脊波函数设计不同的脊波自编码器(RAE),并构造相应的深层脊波自编码器(DRAE)且引入"跨层"连接以缓解DRAE的梯度消失现象;将压缩时频图像输入各DRAE网络进行无监督预训练和有监督微调,并通过加权平均法输出识别结果。试验结果表明,基于SSST和EDRAE的轴承故障诊断方法能有效地对轴承进行多种工况和多种故障程度的识别,特征提取能力和识别能力均优于人工神经网络、深度信念网络和深度自编码器等模型。     

基于子域自适应对抗网络的轴承故障诊断EI北大核心CSCD

现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。