基于1DDCNN和PCA信息融合的滚动轴承FLHI智能提取方法

滚动轴承故障预测方法的核心在于健康指数(HI)的构建,绝大部分已经提出的HI都是基于专家经验人工构造的,且往往只能适用于部件某一特定退化阶段的趋势分析。为解决上述问题,结合振动信号的一维特性,提出一种基于一维深度卷积神经网络(1DDCNN)结合主成分分析(PCA)的滚动轴承全寿命健康指数(FLHI)智能提取法;利用1DDCNN对原始时域信号自适应提取特征,深度挖掘能够表征研究对象健康状态的退化特征矩阵,而后利用PCA法对提取的特征矩阵进行融合,从而实现研究对象的FLHI智能提取。滚动轴承试验振动信号实测结果表明,相较于传统健康指数,FLHI在趋势性、鲁棒性和单调性方面更具有优势。     

基于多输入层卷积神经网络的滚动轴承故障诊断模型

针对滚动轴承信号易受噪声干扰和智能诊断模型鲁棒性差的问题,在一维卷积网络的基础上,提出基于多输入层卷积神经网络的滚动轴承故障诊断模型。相比传统卷积神经网络诊断模型,该模型具有多个输入层,初始输入层为原始信号,以最大化地发挥卷积网络自动学习原始信号特征的优势;同时可将谱分析数据在模型任意位置输入模型,以提升模型的识别精度和抗干扰能力。通过滚动轴承模拟试验,进行可行性和有效性验证,同时与人工神经网络(Artificial Neural Network,ANN)、支持向量机(Support Vector Machine,SVM)和典型的卷积神经模型进行对比,证明了所提出模型的优势;向测试集中加入噪声来检验模型的鲁棒性,并且运用增量学习方法提升模型在强噪声环境下的识别性能;通过滚动轴承故障实例,验证模型的识别性能和泛化能力。试验结果表明,所提出的模型提升了传统卷积模型的识别率和收敛性能,并具有较好的鲁棒性和泛化能力。     

基于谐波小波包和BP神经网络的滚动轴承声发射故障模式识别技术

由于滚动轴承声发射信号在各频段的能量分布与轴承的故障类型相关,可以利用谐波小波包将不同故障滚动轴承的声发射信号分解到不同频段,进而将各频段的能量组成特征向量输入BP神经网络,通过神经网络判别滚动轴承的故障类型。利用神经网络对滚动轴承进行故障识别时,对谐波小波包和Daubechies小波包进行了比较。实验结果表明对于滚动轴承声发射信号的故障模式识别,将谐波小波包分解和BP神经网络相结合的方法可以获得良好的效果。     

基于声发射信号时频图深度学习的桥梁钢桁架焊接节点损伤程度识别

针对桥梁钢桁架疲劳损伤识别难度大、精度低的现状,提出基于声发射信号时频分析与深度学习的钢桁架焊接节点损伤程度识别方法。对桁架节点在桥梁运营状态下产生的声发射信号进行小波变换,表征不同损伤程度信号的时频能量分布模式,然后建立卷积神经网络(convolutional neural network, CNN)模型对时频图进行损伤特征提取,并通过迁移学习思想提升模型的训练效率和学习能力,从而实现桁架焊接节点严重损伤、轻微损伤和噪声工况的准确识别。进一步对模型各卷积层激活区域进行可视化分析,解剖模型的损伤特征学习过程及分类逻辑。某悬索桥中央纵向腹板钢桁架焊接节点现场试验结果表明：相较于利用时域波形进行特征学习的一维卷积神经网络模型,时频图包含了更丰富的损伤信息,所建立的二维卷积神经网络模型对钢桁架焊接节点三种损伤程度的识别准确率超过94%,具有更强鲁棒性和实际应用价值。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

基于声发射及WST-CNN协同的滑动轴承润滑状态识别

为实现声发射信号对滑动轴承润滑状态变化进行灵敏表征,提出一种采用小波散射变换及卷积神经网络结合的滑动轴承润滑状态识别及故障诊断研究方法。以某310 MW汽轮发电组滑动轴承现场试验所得声发射信号为研究对象,将现有小波散射网络加入散射路径优化机制并进行参数优化,对滑动轴承声发射信号进行自动鲁棒特征提取,将最佳特征矩阵输入优化后的卷积神经网络进行润滑状态识别分类。结果表明,优化后的小波散射网络能够有效提取声发射信号特征,结合优化后的卷积神经网络对特征矩阵进行智能识别,对滑动轴承润滑状态识别率可达到95.28%,能够高效精确地对滑动轴承润滑状态进行诊断。     

基于DTCNN-SVM的工业循环水系统供水泵故障诊断EI北大核心CSCD

工业循环水系统供水泵的工作状态是影响工业过程安全生产的重要因素,为及时准确地识别供水泵的工作状态,提出一种基于深度迁移卷积神经网络和支持向量机(deep transfer convolutional neural network-support vector machine,DTCNN-SVM)的故障诊断方法。将与工作状态强相关的振动信号进行信号-图像预处理,实现振动时序信号的二维灰度图化;在此基础上,采用融合迁移学习与残差神经网络的深度迁移卷积神经网络模型提取振动信号灰度图特征,并基于模糊不一致性度量对深度学习特征进行约简;采用支持向量机法建立供水泵故障诊断模型。试验结果表明,所提方法在少量样本数据和模型参数下能有效识别供水泵工作状态。     

基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断

针对故障滚动轴承在单一工况数据下训练的深度学习模型无法在复杂工况下无法实现有效的故障诊断,提出一种基于卷积神经网络的领域适配(convolutional neural network-domain adaptation, CNN-DA)模型。卷积网络用于对故障振动信号进行高层特征提取,网络首尾加入通道注意力机制(channel attention mechanism, CAM),以动态分配特征通道的权重,减小无效信息的干扰。结合领域自适应方法,将特征提取层获取到的高层故障特征进行源、目标域领域适配,领域适配模块整合了全域适配和类别域适配,以使两个领域中相同故障标签的特征的数据分布逐渐趋于重合,最后将深度学习模型应用于多种不同工况迁移的场合进行训练,得到训练结果和测试结果。通过不同来源数据集的试验,在多种工况迁移下测试模型,结果表明提出的模型能够应对复杂工况变化下的滚动轴承故障检测。     

基于改进一维卷积神经网络的滚动轴承故障识别

滚动轴承的故障识别对于防止旋转机械系统故障恶化并保证其安全运行具有重要意义.针对现有智能诊断模型参数多、识别效率低的问题,提出一种基于改进一维卷积神经网络的滚动轴承故障识别(FRICNN-1D)方法.通过引入1×1卷积核增强一维卷积神经网络模型的非线性表达能力;并用全局平局池化层代替传统卷积神经(CNN)网络中的全连接...     

基于集合经验模态分解的滚动轴承智能故障诊断方法

针对滚动轴承工作环境中含有强烈的环境噪声,其振动信号具有非平稳、非线性特征以及提取特征困难等问题,本文提出一种基于集合经验模态分解(EEMD)的滚动轴承智能故障诊断方法.首先通过卷积神经网络(CNN)提取振动信号关键特征,并将提取到的特征向量输入到支持向量机(SVM)中进行故障识别与分类.为了提高诊断性能,本文利用集合...     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于GADF-CNN的滚动轴承故障诊断方法

针对一维信号作为卷积神经网络输入时无法充分利用数据间的相关信息的问题,提出GADF-CNN的轴承故障诊断模型。利用格拉姆角差域(GADF)对采集到的振动信号进行编码,可以很容易地进行角度透视,从而识别出不同时间间隔内的时间相关性并生产相应特征图,之后将其输入卷积神经网络(CNN)自适应的完成滚动轴承故障特征的提取与分类。为了验证模型性能,采用凯斯西储大学轴承数据集进行轴承故障诊断分析,同时引入常见神经网络作为对比,检验不同模型的分类性能。结果表明,相较于其他图像编码方式与神经网络,该模型在载荷变化以及噪声污染时,仍保持了良好的诊断性能。     

基于卷积神经网络和离散小波变换的滚动轴承故障诊断

针对滚动轴承故障诊断时频特征自适应提取与智能诊断问题,提出了一种基于卷积神经网络(Convolution Neural Network,CNN)和离散小波变换(Discrete Wavelet Transform,DWT)的滚动轴承故障诊断方法。首先应用离散小波变换将信号时频特征充分展现,构造出时频矩阵;然后再利用卷积神经网络的多层特征提取网络对输入信号进行分级表达,将时频矩阵低层信号特征逐层变换形成抽象的深层特征,以获取原信号时频信息的分布式特征表达。最后在特征输出层后端添加softmax多分类器,利用反向传播(Backpropagation,BP)逐层微调结构参数,建立特征空间到故障空间的映射以生成合适的分类器,从而实现滚动轴承故障诊断。通过对不同故障类型、不同损伤程度以及不同工况下的滚动轴承进行故障诊断实验,结果证明了所提方法的可行性与有效性,并具有较好的泛化能力和稳健性。     

基于参数自适应VMD和MCKD的滚动轴承微弱故障特征提取

针对传输路径复杂和强噪声干扰条件下滚动轴承故障信号信噪比低、微弱故障特征难以提取的问题，提出一种将参数优化变分模态分解（Variational Mode Decomposition,VMD）与最大相关峭度解卷积（Maximum Correlated Kurtosis Deconvolution, MCKD）相结合的滚动轴承微弱故障特征提取方法。首先，利用经麻雀搜索算法（Sparrow Search Algorithm, SSA）优化的VMD对故障信号进行自适应分解，构建加权峭度指标以筛选有效模态分量；然后对有效模态分量利用经SSA优化后的MCKD进行增强；最后，对增强后的信号进行包络解调分析，提取出轴承故障特征频率。实验和工程实际案例分析表明，所提出的方法能够自适应增强轴承信号中的微弱冲击成分，有效提取出强噪声背景下的滚动轴承微弱故障特征。     

基于声信号的滚动轴承故障诊断研究

结合小波包短时能量散布熵、回溯搜索算法以及学习矢量神经网络，提出一种基于声信号的滚动轴承故障诊断新方法。首先利用小波包分解结合短时能量对声信号进行脉冲能量提取，突出与故障相关的时频子空间的能量分布，再通过计算各子空间短时能量序列的散布熵，构造特征矩阵。利用t-分布随机邻域嵌入方法对所获特征进行降维聚类，显示所提取的特征具有较好的聚类性能。然后采用回溯搜索算法优化学习矢量量化建立神经网络故障诊断模型，对轴承故障进行识别，并与多种诊断方法进行比较，试验结果表明，加入短时能量散布熵后，本模型提升了声信号的能量特性，优化了特征矩阵，诊断性能最佳。     

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。     

基于稀疏自适应S变换的特种设备故障振动信号检测研究

鉴于特种设备的特殊性,其故障的检测尤为重要,而检测特种设备振动信号是发现故障的一种重要手段,基于此种原因,本文提出基于稀疏自适应S变换特种设备故障振动信号检测方法。从特种设备的振动信号时频特征出发,通过稀疏自适应S变换提取特种设备振动信号时频特征图;构建深度卷积神经网络模型,将经过稀疏自适应S变换提取的时频特征图作为网络模型输入样本,经深度学习后,完成特种设备故障振动信号检测,获取设备故障诊断结果。实验结果表明：该方法提取到振动信号特征较好,可清晰表达故障频率,特征表达能力强;可明确检测出特种设备故障发生时间以及故障原因,且检测准确率高。     

基于声成像与卷积神经网络的轴承故障诊断方法及其可解释性研究EI北大核心CSCD

常用的振动诊断技术一般采用接触式测量,在测量受限的场合具有一定的局限性。该研究提出一种具有非接触测量优势的基于声成像与卷积神经网络的滚动轴承声学故障诊断方法。首先,利用传声器阵列获取滚动轴承辐射的空间声场;然后,用波叠加法进行声成像,重建后的声像能够描述声场的空间分布信息;最后,建立卷积神经网络(convolutional neural network,CNN),使用不同轴承运行状态下的声像样本对CNN模型进行训练用于故障诊断。同时,针对深度学习模型的诊断结果缺乏可解释性的问题,采用梯度加权类激活图(gradient-weighted class activation map,Grad-CAM)算法对卷积神经网络在基于声像的轴承故障诊断中的可解释性进行了研究。轴承试验台的声阵列数据验证了所提方法的有效性及优越性。     

运用免疫遗传算法优化WNN诊断滚动轴承早期故障

针对滚动轴承早期故障特征与故障类别非线性难以有效辨识的问题,设计一种基于免疫遗传算法优化小波神经网络(wavelet neural network,WNN)的滚动轴承早期故障诊断模型。首先对滚动轴承的早期振动故障信号进行EEMD分解,提取分解后的IMF分量能量作为小波神经网络的输入特征向量,采用免疫遗传算法优化小波神经网络的初始权值向量和阈值向量,加快小波神经网络的收敛速度,提高其训练精度。实验结果表明,基于免疫遗传算法优化小波神经网络的早期故障诊断模型可以有效应用于滚动轴承的早期故障诊断中,通过与传统故障诊断方法对比分析,验证了该模型的有效性和优越性。     

滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法

针对现有滚动轴承故障诊断模型中人工选取特征的不确定性,诊断模型不具有针对性的难题,提出一种针对滚动轴承多状态特征信息的改进型卷积神经网络故障诊断方法。首先,该方法针对滚动轴承故障的多状态特征信息,提出一种改进型卷积神经网络设计基本准则(BPDICNN);再次,利用提出的BPDICNN设计了卷积神经网络模型,直接在滚动轴承原始振动信号上进行"端到端"的学习训练,从原始信号中挖掘出包括故障类型、故障位置、故障损伤程度、故障检测时负载状态等多个特征;最后,利用实验数据进行了验证,实现了30个滚动轴承故障状态的有效诊断,准确率为100%,实验结果验证了方法的有效性。