基于改进VMD-EWT联合降噪的滚动轴承早期故障检测

针对采集到的滚动轴承早期故障振动信号因故障特征微弱而导致难以检测的问题，提出一种基于改进的变分模态分解(VMD)和经验小波变换(EWT)联合降噪的滚动轴承早期故障检测方法。首先，利用改进包络谱有效边界划分方法(IEPEFP)确定VMD和EWT的分解分量个数，利用改进分解模态数目选择方法(IDMNS)对VMD的主要分量进行叠加从而完成初次降噪；其次，对初次降噪后的信号进行EWT分解，利用IDMNS对主要分量进行叠加进而完成二次降噪；最后，对降噪后的信号进行包络谱分析，从而实现滚动轴承早期故障检测。通过轴承加速寿命试验数据集进行试验验证，结果表明提出方法可有效提取滚动轴承早期微弱故障特征，准确检测轴承早期故障，具有一定的工程参考价值。     

基于GA随机共振的模糊SVDD轴承性能退化评估

提出了一种基于遗传算法随机共振与模糊支持向量数据描述相结合的轴承性能退化评估方法。首先结合遗传算法,应用稳定约束条件下的自适应随机共振方法对轴承故障微弱信号进行提取,在保证收敛性的条件下得到所需的特征集;然后从得到的特征集中选取多个特征作为模糊支持向量数据描述的输入,利用训练样本得到超球体模型,进一步提出一个轴承退化综合性能评估指标。最后利用不同方法对实验数据进行评估对比验证了该方法能够更早的检测出轴承的性能退化时刻,并且能够更加形象的描述轴承性能退化过程。     

基于改进形态学的滚动轴承故障诊断研究

针对滚动轴承的微弱故障特征提取，提出了基于特征幅值能量参数（FAEI）和自相关能量比（AER）的改进数学形态方法。首先使用7种形态算子对信号进行形态处理，以FAEI作为最优算子的选取依据，然后借助AER准则自适应地确定扁平结构元素的长度参数。通过轴承故障实验可知，AER准则能够选出最佳结构元素长度，结合形态算子对故障信号进行最优形态滤波。结果表明:该方法能够提取出噪声背景下的冲击脉冲信号，实现轴承微弱故障特征提取。与基于峭度的形态算法对比，改进方法使故障检测中的特征频率幅值提升了1倍。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于深度卷积GRU的转子系统故障诊断北大核心

针对转子系统早期故障特征微弱难以提取的问题,结合门控循环单元网络(GRU)提出一种深度卷积门控循环单元(DCGRU)故障诊断方法。该方法采用卷积操作提取转子系统振动信号的高维特征,基于GRU网络处理其中的深层时序特征,利用Softmax层进行特征分类识别实现故障诊断。该方法通过卷积拟合样本的非线性特征,从而提高了GRU网络的时序特征提取能力,优化了传统GRU网络训练过程中存在的梯度消失和梯度爆炸现象。转子系统故障诊断实验结果表明,DCGRU方法能精确表征转子系统振动信号的隐含时序特征,进而得到更高的故障诊断精度。     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题，提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络，并引入残差模块，以提升网络的特征提取能力；提取一维时序信号中不同尺度不同深度的故障特征，再通过自适应平均池化层处理后进行特征融合，以丰富智能诊断决策信息；最后在全连接层实现特征降维，使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析，结果表明：FDLCNN故障识别精度更高，鲁棒性更强，收敛速度更快。     

SVD归一化强度软阈值降噪方法及其应用

为提取被噪声干扰的有效轴承故障特征信息,提出一种SVD归一化强度降噪方法,并对有效奇异值进行软阈值处理,降低噪声的干扰。轴承信号降噪结果表明,在不同的噪声强度干扰下,该降噪方法均能够保留源信号中的主要频率信息,大幅提高信噪比;该方法较SVD差分谱方法能够有效提取故障特征频率信息,避免信号的过降噪。SVD归一化强度软阈值降噪方法降噪原理清晰、计算简便,能够为轴承故障的精密诊断提供可靠的数据基础。     

基于KECA和BO-SVDD的滚动轴承早期故障检测

为了实现更早地检测出滚动轴承发生故障,提出一种基于核熵成分分析（KECA）和贝叶斯优化（BO）算法优化支持向量数据描述（SVDD）的滚动轴承早期故障检测方法。提取轴承振动信号的时域、频域特征以及小波包分解节点能量特征,组成多维特征矩阵;利用KECA对多维特征矩阵进行降维处理,进而提取有效特征;最后,选取轴承正常状态的特征指标训练模型,利用BO算法确定SVDD的惩罚因子和核宽度,进而得到早期故障检测模型。利用该模型对XJTU-SY数据集中不同工况下的轴承进行早期故障检测,结果表明：KECA能够有效地提取特征信息,减少冗余信息的干扰;该模型整体上能够较早检测出故障的发生,并且有较好的鲁棒性和泛化能力。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于WTD和CEEMD的轴承故障特征提取方法

针对轴承故障信号常混有噪声干扰且故障特征难以准确提取问题,提出一种基于小波阈值去噪(WTD)和互补集合经验模态分解(CEEMD)的轴承故障特征提取方法。采用WTD对原始信号进行降噪预处理;对去噪信号进行CEEMD分解得到一系列本征模态函数(IMF);然后计算各个IMF和去噪信号的互相关系数,通过设定互相关系数阈值筛选有用IMF;最后将有用IMF重构并利用包络谱对重构信号提取故障特征频率。实测信号表明：所提出的方法能降低噪声干扰并有效提取故障特征信息,证明该方法在噪声环境下具有较高的可行性和较强的实用性。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

改进的傅里叶分解算法及其在滚动轴承故障诊断的应用

针对滚动轴承早期微弱故障在噪声背景下难以提取的问题,提出一种改进的傅里叶分解(IFDM)与快速谱峭度相结合的新方法,用以准确、快速地识别故障特征成分。傅里叶分解法能将故障信号自适应地分解为一系列瞬时频率具有明确物理意义的固有频带函数(FIBFs),类似于经验模态分解产生的本征模态函数,但其缺点在于无法控制所生成的FIBFs数量,如信号本身调制成分太多或受噪声影响太大,则直接运用傅里叶分解算法(FDM)会产生大量无意义的FIBFs,造成大量计算时间浪费,增加数据处理难度。为此,提出一种改进的FDM方法,该方法使用快速谱峭度法对故障信号进行预处理,自适应地确定滤波器的最佳参数及故障所在频带,然后仅在该频带上使用改进的FDM分解,因此在准确提取出故障频率成分的同时极大地减少计算量。对仿真及轴承实际故障信号的分析结果表明,该方法能更准确识别故障特征。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于小波去噪和最小二乘支持向量机的滚动轴承故障诊断研究

针对滚动轴承故障,提出了基于相关原则优化阈值的小波去噪和最小二乘支持向量机相结合进行滚动轴承故障诊断的方法,采用相关原则优化阀值的小波对轴承早期故障特征进行提取,运用能量-特征法提取出信号特征,然后利用最小二乘支持向量机多分类算法进行故障类型的识别。实验与仿真结果表明:基于相关原则优化阈值的小波变换和最小二乘支持向量机相结合的故障诊断方法能有效地诊断出滚动轴承的典型故障。     

基于Bi-GRU模型的航空发动机外部液压管路故障诊断研究

针对航空液压管路故障信号含有噪声干扰导致管路故障识别困难的问题，提出一种基于双向门控循环单元(Bi-GRU)的深度学习液压管路故障诊断方法。由Bi-GRU神经网络模型综合液压管路数据进行时序特征提取，基于同一含噪声的液压管路振动实测数据，输入到Bi-GRU、GRU、RNN、SVM、BPNN等5种故障诊断模型中进行训练。最后，为了进一步展示Bi-GRU模型对于航空液压管路不同故障类型特征的学习能力，利用t-SNE降维算法进行液压管路特征可视化。结果表明：基于Bi-GRU航空故障诊断方法能达到9960%的准确性，明显优于GRU等其他4种神经网络模型，Bi-GRU模型在含有噪声的液压管路数据上具备更出色的特征提取能力，可有效地提取出液压管路故障数据特征，从而实现了液压管路故障的智能化识别。