基于深度森林的轴承故障诊断方法

利用深度神经网络进行机械故障诊断存在复杂的调参过程,并且参数的赋值对诊断结果影响很大,为解决该问题提出一种基于深度森林的诊断模型.采用重采样技术提取了时域和频域特征;以多组简单工况下的轴承实验数据训练构建深度森林模型,在分析超参数对模型影响的基础上确定了诊断模型的关键参数;将该模型应用到复杂工况下,与随机森林模型及深度...     

基于相似性度量迁移学习的轴承故障诊断

滚动轴承工况多变,受负荷、转速等因素影响,故障信号的特征分布偏移会显著降低故障诊断模型的泛化能力。针对此问题,提出一种基于相似性度量迁移学习的轴承故障诊断方法。将迁移学习和相似性度量的思想结合,通过相关对齐损失计算变工况故障特征之间的相关性,最小化源域和目标域特征之间的分布差异。同时最大化输入特征与中心特征的相似性,利用目标域预测标签中包含的故障分类信息,提高故障特征聚类的准确性,来增加高相关性特征对模型的贡献度,减小非相关特征的影响。最后利用学习到的特征实现故障分类。在CWRU和自搭建试验平台上进行了对比试验,证明了所述方法能够更加准确地分类故障信号,更好解决不同工况下由特征分布偏移带来的故障诊断难点问题。     

基于峭度准则EEMD及改进形态滤波方法的轴承故障诊断

针对轴承故障成分常以周期性冲击成分出现在振动信号中,而冲击响应成分常被强大噪声淹没,造成轴承故障特征提取困难等问题,将集成经验模态分解(EEMD)与改进形态滤波方法相结合,在本征模态函数(IMF)及形态学结构元素(SE)选取时均以峭度准则为依据,对筛选出的IMF分量进行信号重构后,再进行基于峭度准则的改进形态滤波方法处理。结果表明,该方法可避免共振解调中中心频率及滤波频带选取,自适应性较好;通过对实际滚动轴承内外圈故障分析,该方法可清晰准确提取到故障特征信息,噪声抑制效果好,可用于轴承故障精确诊断。     

基于核映射稀疏表示分类的轴承故障诊断

针对传统稀疏表示分类算法在低维空间分类精度难以保证问题,论文提出了基于核映射的稀疏表示分类算法。采用核映射方法获得了低维样本在高维空间的坐标,改善了样本间的线性可分度;在此基础上,利用稀疏表示分类算法获得样本在高维空间上的稀疏解。经滚动轴承故障分类实验验证：新算法对核参数具有较高的鲁棒性;可明显提高分类精度。     

基于EEMD和自相关函数峰态系数的轴承故障诊断方法

针对滚动轴承故障冲击信号周期性强且易被强烈的背景噪声所淹没的特点,提出了基于EEMD和自相关函数峰态系数的轴承故障诊断方法。首先,对采集到的复杂振动信号进行EEMD分解,根据自相关函数峰态系数和峭度准则重构IMF分量以突出故障特征信息;然后,利用谱峭度自动确定带通滤波器的最佳中心频率和带宽;最后,将滤波后的信号进行包络解调分析并与理论故障特征频率对比。通过轴承故障的仿真和实验研究,验证了该方法的有效性和可行性。     

基于EEMD和改进的形态滤波方法的轴承故障诊断研究

轴承故障会导致振动信号中出现冲击响应成分,可通过对冲击响应成分的周期的检测与提取, 进行局部故障诊断。但在复杂工况下,故障脉冲易被周围噪声淹没,在分析EEMD和形态学滤波方法的基础上,将EEMD方法与形态学滤波方法相结合,提出结构元素(SE)选择方法,并用于本征模态信号中冲击响应特征的提取。通过将该方法用于轴承外圈、内圈局部故障状态下的特征的检测,结果表明该方法能有效提取周期性脉冲成分并抑制噪声。     

基于深度学习的列车轴承故障诊断研究

作为列车运行的重要部件,轴承的健康状态是决定列车安全运行的重要因素。轴承的故障诊断一直是行业研究热点。本文针对传统模型提取特征不足、特征信息丢失严重、模型准确率低以及分析识别时间长等问题,结合胶囊神经网络的特征结构,提出了基于深度学习的列车轴承故障诊断研究方法。模型以凯斯西储大学的轴承故障数据为数据集。改进后的神经网络模型在识别准确率、识别速度方面均有提升,本文算法具有一定的先进性。     

基于二维互补随机共振的轴承故障诊断方法研究

一维随机共振(One-Dimensional Stochastic Resonance,1DSR)被广泛用于轴承故障诊断中。针对传统1DSR对微弱信号的检测效果不够理想,输出信号噪声大,不能准确获得轴承故障特征频率(Fault Characteristic Frequency,FCF)等问题,提出一种新的二维互补随机共振(Two-Dimensional Complementary Stochastic Resonance,2DCSR)方法并应用于轴承故障诊断。将采集到的轴承故障信号根据共振带位置进行带通滤波并解调,随后将解调信号对半分成两个子信号并输入2DCSR的两个输入端,利用输出信号的加权功率谱峭度(WPSK)指标对2DCSR系统参数进行自适应调节优化,得到最优的滤波输出信号及频谱,以识别轴承FCF并诊断轴承故障类型。数值仿真及实验结果表明,提出的方法可以有效地增强轴承FCF并提高轴承故障诊断效果。     

基于GARCH模型MSVM的轴承故障诊断方法

针对振动信号因非平稳性导致自回归(AR)模型无法有效描述信号特征的不足,提出一种基于广义自回归条件异方差(GARCH)模型多类支持向量机(MSVM)的故障诊断方法。该方法首先利用GARCH模型拟合各种故障信号,将所得模型参数作为故障诊断特征,以MSVM作为故障诊断方法。试验结果验证了GARCH模型方法的可行性和有效性,同时将该方法同基于AR模型的方法及其改进方法进行比较,结果表明该方法在诊断率及诊断时间上都有明显提高。     

时频谱相似性度量的故障特征提取方法

针对齿轮或轴承在局部故障损伤状态下的振动信号,提出一种基于时频谱相似性度量的故障特征提取方法,用于齿轮或轴承相关故障的诊断。该方法首先利用比例因子可调的S变换对振动信号进行时频变换;然后在S变换时频谱中,选取一个显著的冲击特征,保持其频率不变,令其沿时间轴方向,从初始时间平移至终了时间,同时计算冲击特征与所遮掩时频区块之间的余弦相似度和相关系数;平移结束后获得余弦相似度和相关系数的曲线。仿真信号和齿轮、轴承故障振动信号的处理结果表明,余弦相似度曲线和相关系数曲线均可展现出故障冲击特征的周期性变化规律,且两者的频谱均能够提取出故障特征频率,实现齿轮或轴承相关故障的识别。     

深度置信网络迁移学习的行星齿轮箱故障诊断方法

实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果.为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法.首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重...     

一种基于Triplet loss的齿轮箱复合故障识别方法

随着设备检测点的数量与采样频率的增加,机械健康监测进入了大数据时代.深度学习以其强大的自适应特征提取和分类能力也在机械大数据处理方面取得了丰硕的成果.在故障诊断领域,目前深度学习方法的研究对象均集中于单一故障,而复合故障却鲜有人涉足.复合故障因为其各类故障信号间有耦合,变化的工况(负载,转速)也会对信号产生较大影响...     

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。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

基于字典学习的轴承早期故障稀疏特征提取

针对低速重载机械滚动轴承早期故障的振动信号中故障特征冲击成分微弱易被噪声覆盖难以识别,而利用稀疏表示方法提取冲击成分时因轴承工况非平稳性,准确匹配冲击成分字典难以构造问题,提出基于字典学习的轴承早期故障稀疏特征提取方法。利用改进型K-SVD字典学习算法构造自适应字典;采用正交匹配追踪算法(Orthogonal Matching Pursuit,OMP)对振动信号进行稀疏分解,计算每次迭代逼近信号的峭度值,找出最大峭度值对应的逼近信号;重构特征成分并进行包络谱分析,获得故障类型。仿真及轴承振动数据测试结果表明,所提方法能更好匹配早期故障特征成分、满足轴承实时故障监测需求。     

基于自适应深度卷积神经网络的发射车滚动轴承故障诊断研究

作为发射车的关键组成部件,滚动轴承的工作环境复杂,故障诊断困难。提出一种自适应深度卷积神经网络,针对传统CNN诊断方法存在的计算效率较低、参数调试需人工经验指导等问题,采用粒子群优化算法确定CNN模型结构和参数,应用主成分分析法将故障诊断特征学习过程可视化,评估其特征学习能力。将提出方法应用于发射车滚动轴承故障诊断,对比标准CNN、SVM、ANN诊断方法,10种工况的诊断结果表明,提出方法诊断精度高且鲁棒性好。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。     

基于信息融合与FastICA的轴承故障提取方法

针对振动传感器监测信号易受噪声干扰的问题,提出一种基于FastICA算法与信息融合的轴承故障诊断方法。算法对各通道测得的信号采用FastICA算法进行降噪处理,采用自适应线性加权算法对降噪后信号进行数据层信息融合,最后基于谱峭度指标设计自适应带通滤波器,进行特征提取。此方法解决了低信噪比条件下的轴承故障特征提取问题。使用了仿真和实验轴承故障信号验证了算法的有效性。