深度Laplacian正则化自动编码器的旋转机械故障诊断

为了解决传统深度自动编码器存在的过度拟合以及泛化能力弱等问题,提出一种基于深度Laplacian正则化自动编码器的不平衡旋转机械故障诊断。首先将采集到的振动信号输入到构造的深度Laplacian正则化自动编码器模型中进行逐层特征提取,将Laplacian正则化项引入到深度自动编码器的原始目标函数中,以平滑故障诊断模型中数据的流形结构,从而提高故障诊断框架的泛化性能,然后利用BP分类器对提取的深层判别敏感特征流进行故障诊断。最后通过CWRU故障数据集实验结果证明提出的方法能够实现旋转机械平衡与不平衡数据集的精确故障诊断没并且具有较好的泛化性能。     

基于提升深度迁移自动编码器的轴承智能故障诊断

实际工程中,含标注信息的轴承监测数据严重缺乏,这将导致其智能故障诊断模型难以有效构建。提出了一种基于提升深度迁移自动编码器的新方法用于不同机械设备间的轴承故障智能诊断。首先,采用可缩放指数型线性单元作为标准自动编码器的激活函数,提升原始振动数据的映射质量。然后,非负约束用于修正代价函数,进一步减少重构误差。其次,构建提升深度自动编码器并用充足可用的源域数据进行预训练,得到的参数作为目标模型的初始化参数。最后,目标域中仅有的一个训练样本用于目标模型的微调以适应剩余的测试样本。将所提方法用于分析不同轴承的试验振动数据,结果表明,所提方法能基于原始振动数据有效实现不同种机械设备间的迁移诊断。     

基于CFA参数优化DAE方法的滚动轴承故障诊断

为了进一步提高滚动轴承的故障诊断效率,设计了一种混沌萤火虫参数优化去噪自动编码器(Denosing auto-encoder, DAE)轴承故障诊断方法,标记为CFADAE。选择核去噪自动编码器构建深度神经网络,从初始信号中提取得到首层特征,经过自动编码器堆叠处理形成深度网络,实现深层特征参数的准确提取。研究结果表明：利用FA参数确定的准确率为92.82%,标准差为1.45,相对CFA方法95.94%准确率发生了降低,表明混沌改进萤火虫算法进行诊断的准确率更高,并且能够大幅减小波动幅度。相比较其他的方法,DAE网络的诊断平均准确率达到95.84%,表明去噪自动编码器与L2惩罚项能够促进模型鲁棒效果与泛化性的显著提升,由此获得更优的诊断精度。该研究可以拓宽到其它机械传动故障诊断领域,具有很好的推广应用价值。     

基于深度置信网络的旋转机械迁移故障诊断

在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法.首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态...     

基于萤火虫优化的核自动编码器在中介轴承故障诊断中的应用

随着科技进步与工业规模的快速壮大,现代工业监测领域步入大数据时代,如何自动地从大规模原始信号中提取故障特征并诊断是一个重要课题。为了提高深度自动编码网络处理非线性问题的能力,提出一种基于核函数与去噪自动编码器(Denosingauto-encoder,DAE)的深度神经网络方法。采用径向基核函数改进传统的去噪自动编码器,提出核去噪自动编码器(Kernel denosing auto-encoder, KDAE);构建包含一个KDAE层与多个AE层的深度神经网络对故障特征进行层层提取,并添加softmax分类层;采用误差反向传播算法对网络参数进行微调,并采用混沌萤火虫算法优化核参数与深度网络中的待定参数,得到故障诊断模型。针对传统自动编码器泛化性较差的问题,在目标函数中添加L2惩罚项。通过航空发动机中介轴承典型故障试验数据,验证了所提方法与传统去噪自动编码网络相比能够得到更高的准确率。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(D...     

基于深度Q学习策略的旋转机械故障诊断方法研究

传统的旋转机械故障诊断方法需要人工提取故障特征,且该方法受环境噪声的影响较大,针对这一问题,提出了一种基于深度Q网络强化学习的旋转机械故障诊断模型。首先,以一维故障信号作为模型的输入,以各故障的故障类型作为当前输入的可选动作;然后,采用基于统计的随机置零方法以提高模型的抗噪能力,再通过深度学习网络,有效提取了各故障的故障特征,拟合了当前状态动作对的Q值,并采用深度Q学习模型完成了对各个故障类型的识别;最后,通过故障模拟试验台及美国西储大学轴承故障数据进行了模拟实验,并将该方法与传统机器学习方法,以及一维卷积神经网络模型进行了比较,以证明该方法在噪声环境下的优良表现。研究结果表明:在信噪比为-4 dB时,采用该故障诊断模型对旋转机械故障的识别准确率可以达到78%;采用该方法可以准确、稳定地对旋转机械进行故障诊断。     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...     

基于GAF-inceptionResNet的齿轮箱故障诊断

为了提高齿轮箱故障诊断的准确率,准确表达齿轮箱的健康状态,结合深度学习算法,提出了一种用于齿轮故障诊断的GAF-inceptionResNet模型。该模型可以直接将原始一维振动信号经过格拉姆角场变换后形成图像作为模型的输入,通过Stem-block、残差Inception、残差模块和分类层相互连接。残差Inception网络能够拓宽网络深度,提升训练时长及准确率;残差模块利用恒等映射可以大幅度降低模型的训练难度。因此,该模型可有效地挖掘信号特征之间的信息,使模型的特征学习能力增强,从而提高准确率,精准确定故障。实验结果表明,该模型能够达到99.59%的故障诊断精度,有效实现齿轮箱良好的故障识别与分类。