改进密集连接卷积网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声干扰较大、模型泛化能力不足、变工况诊断较难的问题,提出了一种改进密集连接卷积网络的故障诊断方法。将采集到的滚动轴承的原始时域信号作为模型输入,不需要任何数据处理,实现端到端的特征提取和分类任务。改进密集连接卷积网络在密集块中强调信息流动,增强特征复用,通过多尺度卷积层提取特征,利用注意力机制对多尺度特征通道加权。在堆叠的密集块和池化层完成主要特征提取后,采用多分类函数实现故障诊断。选用凯斯西储大学轴承数据集验证改进密集连接卷积网络的诊断能力,结果表明,改进密集连接卷积网络在理想试验下的识别率为99.8%、在抗噪试验下的识别率为98.22%,在泛化试验下的识别率为97.19%,识别率明显高于其他深度学习模型,证明了其在滚动轴承故障诊断方面的优越性。     

基于TCN和残差自注意力的变工况下滚动轴承剩余寿命迁移预测

针对变工况环境下采集到的滚动轴承寿命状态数据存在特征分布差异,深度神经网络模型泛化能力差的问题,结合时间卷积网络(temporal convolutional neural network, TCN)和残差自注意力机制提出了一种端到端的滚动轴承剩余寿命(remaining useful life, RUL)迁移预测方法。首先,将传感器采集到的一维时域信号利用短时傅里叶变换转换为频域信号;其次,剩余寿命迁移预测网络通用特征提取层采用残差自注意力TCN网络,该网络在较好提取时间序列信息的同时,进一步通过残差自注意力机制捕获轴承局部退化特征,增强模型的迁移特征提取能力;再次,采用提出的联合领域自适应策略匹配变工况下滚动轴承寿命状态数据特征分布差异,实现不同工况下轴承寿命状态知识的迁移预测;最后,在公开的滚动轴承全寿命数据集上进行试验验证,结果表明所提方法能有效实现变工况下的滚动轴承RUL预测,并获得较好的预测性能。     

基于STFT-ECA-ResNet18网络模型的滚动轴承变负载故障诊断

针对传统方法处理变负载轴承故障诊断时存在的自适应能力弱,模型泛化性差的问题,提出了一种改进的基于深度残差网络的故障诊断方法。首先,将采集到的一维时间序列信号进行短时傅里叶变换得到二维时频数据,再利用二维卷积神经网络从变换后的数据中提取特征。然后,通过高效通道注意力机制获取通道全局信息并对其权值进行调整,以增强改进网络模型的泛化能力,使其在变负载工况下分类效果得到提高。最后,通过仿真对所提方法进行了验证,结果表明相比传统方法诊断效果改进明显。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于MsTCN-Transformer模型的轴承剩余使用寿命预测研究

剩余使用寿命(remaining useful life, RUL)预测是PHM的核心问题之一,复杂的运行工况往往导致设备部件经历不同的故障退化过程,给RUL准确预测带来了巨大挑战。为此,提出了一种多尺度时间卷积网络(multi-scale temporal convolutional network, MsTCN)与Transformer(MsTCN-Transformer)融合模型用于变工况下滚动轴承RUL预测。该方法设计了一种新的多尺度膨胀因果卷积单元(multi-scale dilated causal convolution unit, MsDCCU),能够自适应地挖掘滚动轴承全寿命信号中固有的时序特征信息;然后构建了基于自注意力机制的Transformer网络模型,在克服预测序列记忆力退化的基础上,准确学习时序特征与轴承RUL之间的映射关系。此外,通过对轴承不同故障退化阶段所提取的时序特征可视化分析,验证了所提方法在变工况下所提取的时序特征泛化性较好。多种工况条件下滚动轴承RUL预测试验表明,所提方法能够较为准确地实现变工况下轴承的RUL预测,相比当前多种方法RUL预测结果...     

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VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

基于残差连接和1D-CNN的滚动轴承故障诊断研究

针对滚动轴承故障诊断人工提取特征困难、浅层诊断模型性能差的问题,提出一种基于残差连接的一维卷积神经网络(1D-CNN)的深层轴承故障诊断模型。将原始轴承振动信号输入网络中,利用具有残差连接的多个一维卷积层自动提取特征,残差连接能够在提取深层特征信息的同时将浅层提取的特征信息保留下来,与无残差连接的一维卷积网络相比能获得更丰富的轴承信号特征信息,并输入到Softmax层进行分类,输出轴承振动信号的故障类型。该研究通过不同残差网络结构模型的设计,验证具有残差连接的1D-CNN的网络模型在轴承故障诊断的有效性。试验结果表明,残差连接能有效提高轴承故障诊断的准确率。     

重参数化VGG网络在滚动轴承故障诊断中的应用研究

基于神经网络的滚动轴承故障诊断方法训练时,存在诊断准确率低和易受到变工况噪声干扰的问题,提出一种基于重参数化VGG(RepVGG)滚动轴承故障诊断方法。为满足神经网络对数据量的要求,采用数据增强技术来扩充原始数据,使用短时傅里叶变换(STFT)对原始的振动信号处理成单通道时频图,并使用伪彩色处理技术转换成三通道时频图,进一步将数据输入到RepVGG网络的不同结构中进行滚动轴承的故障诊断。在凯斯西储大学(CWRU)滚动轴承数据集上开展试验验证,试验结果表明,RepVGG在变工况及噪声干扰下的平均诊断准确率分别为98.02%、95%以上,高于基于VGG、ResNet的故障诊断模型,有较高的故障诊断准确率且泛化性更好。     

基于深度迁移学习的滑动轴承-转子故障诊断

深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异（Improved Joint Distribution Discrepancy,IM-JDD）方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无标记故障样本具有较强的诊断能力,并优于其他竞争方法。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法EI北大核心CSCD

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于动态加权的多尺度残差网络旋转机械故障诊断算法

针对传统的机械故障诊断方法特征提取困难问题,提出一种新颖的基于特征通道重标定的动态加权多尺度残差网络旋转机械故障诊断方法。将原始数据作为网络的输入,设计宽卷积层进行信息初步融合扩大模型的感受野;再分别构建三个独立的以残差块为基础的并行分支网络,通过设计多尺度卷积核分别从并行分支网络提取深度特征;接着设计动态加权层建立全局信息建模特征通道之间的动态非线性关系,对每个尺度的特征通道进行重标定,提高网络对故障信息的敏感性;将三个尺度的特征进行特征融合,通过分类器实现故障诊断。在多个数据集上进行试验,验证了该算法的有效性。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

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。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

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。     

1DAMCNN方法在滚动轴承故障诊断中的应用

针对传统滚动轴承故障诊断方法中特征提取依赖人工经验、处理过程繁琐以及识别准确率较低的问题,提出一种端到端基于一维注意力混合卷积神经网络(One Dimensional Attention Mixed Convolution Neural Network,1DAMCNN)的轴承故障诊断方法。该方法首先引入空洞卷积,构造混合卷积用于增大特征提取的感受野范围,以获取更全面的特征信息。然后加入注意力机制,增强模型对关键特征信息的提取能力,实现对轴承故障的智能诊断。试验数据分析结果表明,相比其他故障诊断方法,固定负载工况下该方法自适应性强,准确率高达99%以上。在只有60个样本量的情况下,该故障诊断方法准确率超过88%,表明其具有出色的特征提取能力。最后通过对比实验和可视化技术,验证所提方法的有效性。     

基于多传感器两级特征融合的滚动轴承故障诊断方法

针对单个传感器获取信息有限导致诊断精度不足的问题,提出一种基于多传感器两级特征融合的故障诊断方法,并将其应用于不同工况下的滚动轴承故障诊断中。首先,在第一阶段特征融合中,通过变分模态分解计算每个传感器振动信号的本征模态函数(intrinsic mode function, IMF),消除噪声等冗余信息;再根据IMF提取时域、频域和多尺度熵特征,在一维特征层面融合成一个多域特征集。其次,在第二阶段特征融合中,首先构建基于Swish激活函数和log(cosh)损失函数改进的深度自编码网络,在此基础上进一步融合多域特征集并进行故障分类。将所提模型应用于不同工况下的滚动轴承故障诊断数据集,试验结果表明,与现有方法相比,所提方法具有更高的分类准确率和鲁棒性。     

多域信息融合结合改进残差密集网络的轴承故障诊断

针对滚动轴承原始时域信号信息单一、深度卷积神经网络提取的特征对信息的传递存在差异等问题,该研究提出了一种多域信息融合与改进残差密集网络的轴承故障诊断方法。为了获取故障的多方面信息,先对原始数据进行多域变换,再将融合信息输入经卷积注意力改进的残差密集网络进行深度学习。经注意力机制改进的网络能够实现对提取特征的重要性区分,提高网络的训练速度、改善识别准确率。试验结果及对比分析表明该算法可以提取较为全面的特征,较传统方法具有更好的识别效果。     

基于注意力机制-Inception-CNN模型的滚动轴承故障分类

针对传统机器学习方法需要大量专家知识和高昂经济成本,研究了一种基于注意力机制和Inception网络结构的卷积神经网络。其注意力机制是对数据的不同特征维度赋予不同的权重,抽取出更加关键和重要的信息,使模型做出更加准确的判断。其Inception网络结构则是拓宽网络的宽度并增加网络对卷积核尺度的适应性,以提取到更加丰富的特征。为了提高模型的泛化能力,在每个卷积层和全连接层后又添加了一个DropBlock层。最后结果显示该模型不仅在同负载的情况下获得很高的滚动轴承故障分类准确率和稳定性,并且在不同负载情况、不同规模的滚动轴承数据集上依旧能保持高的准确率与稳定性。