双重融合的轻量级卷积神经网络轴承故障诊断

以往的轴承故障诊断模型精度低,迭代时间长,难以适应现实生产场景,因此建立了一种数据融合加特征融合的并行双通道卷积神经网络模型。首先,将风扇端的数据和驱动端的数据组合,重新构建新的数据;之后将新的数据和数据重构后的二维数据输入到模型中提取特征,1D-CNN提取一维空间特征,2D-CNN利用深度残差收缩网络提取二维空间特征并进行降噪处理。使用深度可分离卷积和全局平均池化降低模型参数量;然后,将提取到的特征在全连接层进行特征融合,可以在保持高诊断准确率的同时降低噪声的影响;最后,利用Softmax分类器对轴承的状况进行辨别。模型的结构配置良好,迭代次数少,可以快速的收敛。参数量相比其他方法少很多,以便实际部署。实验表明,本文所提出的网络模型相较于其他深度学习方法,在强背景噪声以及弱干扰噪声的影响下都能更准确地识别信号的故障模式,验证了该模型的可行性和优越性。     

基于C-GRU的电机轴承故障诊断

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和...     

基于改进粒子滤波和域适应CNN的轴承故障诊断北大核心

针对轴承故障诊断中特征提取困难、训练样本、不同工况下故障识别复杂等问题,提出了一种基于改进粒子滤波和域适应CNN的轴承故障诊断方法。首先,针对粒子滤波容易发生粒子贫化问题,采用参数简单的天牛须智能算法对其进行改进;其次,在卷积神经网络中添加注意力机制模块,以此来获得轴承更具代表性的特征;最后,以改进的1D-CNN为架构,构建不同工况下的轴承迁移故障诊断模型,其中在全连接层通过多层多核域适应缩短源域和目标域的样本分布差异。实验结果表明,与其他几种传统故障诊断方法相比,所提出方法有更高的准确率和适应性。     

基于FastICA的大型风力机主轴承故障诊断研究

文章提出了基于FastICA大型风力机主轴承故障诊断方法.根据大型风力机的运行特点,采用负熵最大化判据和牛顿迭代原理实现FastICA算法并将其应用于大型风力机主轴承的故障诊断中.诊断结果表明,该方法可有效地将大型风力机主轴承和轴流风机的振动信号进行分离,从而清晰地看出主轴承的振动特征频率,实现对风力机主轴承的故障诊断.     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。     

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。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法

针对滚动轴承故障诊断中单一网络模型的不确定问题,并考虑到声信号非接触式测量的优势,提出一种多卷积神经网络(CNN)模型融合的滚动轴承声学故障诊断方法,采用多通道传声器信号对每一个CNN进行训练,然后采用Blending模型融合方法将多CNN模型进行融合,实现更精确、更可靠的故障诊断.通过半消声室内滚动轴承实验台的传声器...     

基于主特征模式的机电系统故障诊断算法(英文)

机电设备运行状态的监测对保障系统稳定可靠运行、预防重大事故发生有重要意义.针对传统诊断方法由于故障信息不足导致的诊断精确度差,提出了一种基于主特征模式识别的故障诊断方法.基于多源特征信息融合,研究了基于多传感器系统的特征融合故障诊断模型,讨论了反映系统运动状态特征的指标体系及故障诊断算法.文中以滚动轴承系统故障诊断为例,首先计算了各传感器获取信号的时域特征参数,然后,借助主特征模式对特征信息进行融合与降维处理,实验测试数据显示出与传统诊断方法相比较该算法有更好的故障诊断性能.研究结果表明了该方法在重型机电设备故障诊断中应用的可行性与合理性.     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

基于时间卷积长短时记忆网络的多域特征融合刀具磨损预测

准确预测刀具磨损是一个具有挑战性的问题。如何结合各种信号的优势,融合传感器信号特征来提高预测精度,是一个关键问题。为解决上述问题,提出基于时间卷积长短时记忆网络(TCN-LSTM)的多域特征融合刀具磨损预测方法。收集来自不同传感器的信号,在时域、频域上对不同传感器信号分别进行特征提取,时频域上利用变分模态分解算法将原始信号分解并计算每个分量的能量来构成多域特征向量。使用皮尔逊相关系数法对多域特征进行优化,经优化后构成的多域特征矩阵作为模型的输入,通过TCN-LSTM模型有效地学习了所获得的多域特征矩阵与实时刀具磨损之间的复杂关系。最后,在干式铣削条件下进行3组刀具磨损实验对所提出的方法进行了验证。实验结果表明：所提出的方法比对比模型的预测准确率更高,泛化能力更好。     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

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。     

基于小波分析和RBF神经网络的轴承故障诊断研究

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明：通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。     

基于一维卷积迁移学习的跨工况机床轴承故障诊断

滚动轴承作为机床的重要核心零件,对保证机床的正常运转至关重要。然而在实际工作中,机床的工况经常根据不同的工作要求产生相应的变化,对机床轴承的转速以及负载产生一定的影响,从而导致轴承的机械振动信号呈现出非平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练（源域）和测试（目标域）数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而,由于机床常在非平稳工况下运行,因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题,基于迁移学习（TL）技术,设计一维卷积神经网络（1-DCNN）与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征信息,并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉近两域的特征分布,实现轴承跨工况迁移故障诊断。最后通过构建的12组迁移任务对比实验,验证所设计模型的优越性。结果表明：设计的基于一维卷积的迁移学习神经网络模型可直接实现对机床轴承故障的实时监测;设计的模型通过结合对抗策略迁移与度量域分布差异两种迁移策略,大大提高了迁移故障诊断性能,可更好地提取源域与目标域的公共特征;在实验构建的12组迁移任务中优于其余两种迁移策略,能完美完成迁移故障诊断任务。     

基于多特征提取和LSSVM的轴承故障诊断

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。     

基于一维CNN与BiLSTM结合的轴承故障诊断

针对传统故障诊断方法没有充分利用故障数据的时序特点,提出了一种一维CNN与双向LSTM网络相结合的智能轴承故障诊断方法.构建的深度模型以原始采样数据作为输入,减少了人工提取特征的偏见,充分利用了卷积神经网络在特征提取上的优势,在浅层使用卷积神经网络,并加入BiLSTM挖掘一维振动信号中的时间序列信息,实现了更为准确的轴...     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键.对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用.