基于MSCNN与STFT的滚动轴承故障诊断研究

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。     

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。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

液压泵信息融合故障诊断

针对液压泵故障特征的分散性和模糊性，提出基于振动和压力传感器的信息融合故障诊断方法。在充分分析液压泵球头松动故障机理的基础上，对振动信号和压力信号进行小波消噪处理，有效提取球头松动的故障特征。将不同类型特征参数进行特征层融合，利用主成分分析和改进算法的BP神经网络实现液压泵球头松动故障诊断。试验表明，基于不同类型传感器信息融合故障诊断方法可以有效地实现液压泵微弱故障的诊断。     

基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估

液压泵健康状态评估对工程设备的运行状态监测有极其重要的意义,现有基于振动信号分析的方法数据来源单一、可靠性低,为此,提出了一种基于多传感器信息融合和多粒度级联森林模型的液压泵健康状态评估方法。通过试验系统采集了不同工作时间下液压泵的压力、温度、流量等信号,分别提取信号的时域特征组成初步特征。使用多个分类器获取初步特征的类别概率向量,将其与随机森林模型选出来的重要特征进行拼接形成最终特征,并使用多粒度级联森林模型进行健康状态评估。试验结果表明,所提方法在仅有5%训练比例的情况下分类精确率仍可达99.5%,可以有效提高液压泵健康状态评估的准确度。     

多传感器信息融合的天线促动器故障诊断

促动器作为天线主动面的唯一调整装置,是保障天线反射面精度的关键部件,因此对促动器健康状态的监测至关重要。文中针对单个传感器诊断存在数据维度有限且现有工程数据稀缺的问题,提出了一种连续小波变换与组归一化并行卷积神经网络(Continuous Wavelet Transform-Group Normalization Parallel Convolutional Neural Networks, CWT-GPCNN）的故障诊断方法。首先建立CWT-GPCNN的故障诊断模型,引用组归一化技术加快网络收敛速度并提高诊断精度;然后通过评估超参数对模型性能的影响,确定诊断的最佳模型;最后,采用促动器传动系统实验数据集对所提方法进行验证,实验结果表明所建模型具有较好的泛化能力及多传感器融合的优越性。文中对多传感器融合与单传感器的诊断性能进行了比较,结果证明了多传感器融合诊断的优越性。此外,还对CWT-GPCNN模型与其他3种信息融合模型进行了比较。CWT-GPCNN模型的准确率高达93%,表明它具有良好的诊断性能。     

基于深度神经网络的液压泵泄漏状态识别

针对液压信号的高度复杂性以及难以识别的特点,构建了一种基于堆栈稀疏自编码器和Softmax的深度神经网络来对液压泵泄漏状态进行识别。利用小波变换和希尔伯特-黄变换提取液压信号的低维特征,并输入深度神经网络。通过堆栈稀疏自编码器的逐层学习对特征进行优化并提取出高维特征,然后使用Softmax进行识别。实验结果表明,堆栈稀疏自编码器能够有效地提取液压泵泄漏状态的高维特征,构建的深度神经网络可有效地识别液压泵泄漏状态,识别精度达到了97.6%。此外与支持向量机、极限学习机、卷积神经网络以及长短期记忆网络相比,深度神经网络具有更好的识别效果。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法.首先,对多传感器振动信号分别进行特征提取,将获得特征...     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

基于振动信号融合的ACO-DCNN多工况设备故障诊断

为解决大数据时代人工提取机械故障特征和设定网络参数造成多工况下设备故障诊断精度低的问题,提出了一种基于振动信号融合的蚁群优化深度卷积神经网络(Ant Colony Optimization-Deep Convolutional Neural Networks, ACO-DCNN)故障诊断方法。通过融合水平、竖直方向振动信号,确保不同位置信息的互补性;运用ACO算法自适应优化DCNN参数,利用深度学习强大的特征自提取和复杂映射表征能力进行故障判别。实例验证结果表明:与BP神经网络和标准DCNN相比,ACO-DCNN在多工况下平均故障诊断精度高达99.15%,该模型收敛速度较快且具有较强的泛化能力,可有效地实现多工况设备故障诊断。     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征.以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10％以上,充分证明了基于多源异构特征融合故障诊断方法的有效性.     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

基于多源信息融合的往复式压缩机故障诊断方法

往复式压缩机结构复杂,振动激励源多,故障关联性较强,需要依靠多种类型的传感器所采集的信息来对往复式压缩机故障进行诊断。在融合往复式压缩机多种类型传感器采集的特征信息基础上,提出一种基于多源信息融合的往复式压缩机故障诊断方法,构建信息融合诊断框架。利用往复式压缩机多种类型传感器所采集的数据信息构建特征证据体,使用径向基神经网络对每个证据体进行初步诊断,根据加权证据融合理论融合各个证据体初步诊断结果,得到最终诊断结果。使用提出的方法对往复式压缩机3种工况的试验数据进行融合诊断,诊断结果表明：使用加权证据融合理论融合多源传感器信息的诊断结果可信度高,不确定性小,能够准确对往复式压缩机故障状态进行诊断识别。     

基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法

针对行星齿轮箱振动信号频率成分复杂和时变性强的问题,提出了基于时频融合和注意力机制的深度学习行星齿轮箱故障诊断方法。首先,采用小波包分解将原始振动信号分解到频带和时间两个维度作为输入数据;然后,使用卷积神经网络融合数据的频带特征,使用双向门控循环单元融合时序特征;接着采用注意力结构对不同时间点的特征自适应地进行动态加权融合;最后通过分类器进行识别,实现行星齿轮箱的端对端故障诊断。实验表明,该方法对比现有的深度学习故障诊断模型具有更高准确率,能够对行星齿轮箱多种健康状态进行准确地诊断。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

构建多尺度深度卷积神经网络行为识别模型

为了减化传统人体行为识别方法中的特征提取过程,提高所提取特征的泛化性能,本文提出了一种基于深度卷积神经网络和多尺度信息的人体行为识别方法。该方法以深度视频为研究对象,通过构建基于卷积神经网络的深度结构,并融合粗粒度的全局行为模式与细粒度的局部手部动作等多尺度信息来研究人体行为的识别。MSRDailyActivity3D数据集上的实验得出该数据集上第11~16种行为的平均识别准确率为98%,所有行为的平均识别准确率为60.625%。结果表明,本方法能对人体行为进行有效识别,基本能准确识别运动较为明显的人体行为,对仅有手部局部运动的行为的识别准确率有所下降。