基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。     

基于C-GRU的电机轴承故障诊断

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和...     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法。首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类。实验所用数据来自CTU-2实验平台,故障标签共有10类。实验结果表明,相比较单一使用小波变换提取特征或者CNN卷积神经网络分类的方法,该模型的诊断效果更加优秀。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于一维CNN与BiLSTM结合的轴承故障诊断

针对传统故障诊断方法没有充分利用故障数据的时序特点,提出了一种一维CNN与双向LSTM网络相结合的智能轴承故障诊断方法。构建的深度模型以原始采样数据作为输入,减少了人工提取特征的偏见,充分利用了卷积神经网络在特征提取上的优势,在浅层使用卷积神经网络,并加入BiLSTM挖掘一维振动信号中的时间序列信息,实现了更为准确的轴承故障诊断。使用BiLSTM-CNN模型,分析了不同的优化器和激活函数的诊断结构,通过不同参数的结合确定了效果最好的参数组合。实验结果表明,以混淆矩阵、准确率为评价依据,该方法与传统机器学习模型、CNN、LSTM模型进行对比有更好的性能,在变负载情况下实现了准确,稳定的轴承故障诊断性能,具有良好的泛化能力。     

基于卷积神经网络和小波包的微型振动马达的故障检测

针对手机振动马达检测量大、检测困难等问题,引入卷积神经网络对故障马达波形图进行分类检测。用采集卡采集马达转动时的原始电压信号,对电压信号进行两层小波包分解并重构低频信号,截取原始信号减去重构信号的波形图片进行预处理作为数据集。再用TensorFlow框架训练数据模型,对振动马达电刷不良、波形异常、波形跌落、磁场不良、良品5种类型进行分类,用改进的卷积网络模型测试集准确率达到了98.76%。因此基于改进的卷积神经网络有更好的诊断效果,且对提高故障诊断准确率有一定的作用。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

基于改进贝叶斯分类的电机轴承故障诊断系统研究

针对电机轴承故障诊断模型构建时间长、准确率不高的问题,提出一种基于改进贝叶斯分类的故障诊断方法。首先通过小波包变化、粗糙集及主成分分析方法分别构造原始故障特征集、降维后的故障特征集,再将原始故障特征集和降维后的故障特征集输入到改进贝叶斯分类模型中实现故障诊断,以此为基础设计一套交流发电机轴承故障诊断系统。最后以国内车辆车载电机轴承振动数据为依据,将改进贝叶斯分类方法和神经网络及最小二乘支持向量机方法作对比分析,结果表明：改进贝叶斯分类方法建模时间更短,故障诊断准确率更高。     

基于CWT-CNN的离心泵轴承故障识别方法

针对传统的轴承故障诊断方法在面对强噪声和非平稳信号识别时特征提取过度依赖先验知识和专家经验等问题,结合传统的信号处理方法和深度学习算法提出一种基于CWT-CNN的离心泵轴承故障识别方法。连续小波变换(CWT)将原始的1D振动信号转化为故障特征信息更丰富的2D时频图,2D时频图再输入到卷积层完成特征的自动提取,最后SoftMax层完成故障识别。经过西储大学公开轴承数据集和实验室搭建的离心泵振动轴承采集实验台验证,该方法的故障识别准确率均能达到90%以上。