基于CMCPSO-SVM的轴承微弱故障诊断方法

针对旋转机械轴承微弱故障振动信号易被强噪声掩盖难以识别的问题,提出一种改进混沌粒子群优化支持向量机的故障诊断方法。将信号通过局部均值分解算法分解处理得到乘积函数(PF)分量,并进行能量归一化处理获得时频域特征集;通过迭代拉普拉斯得分降低时频域特征集的空间维度;以PF分量的排列熵作为混沌粒子群的适应度,并加入交叉和变异新策略,建立一种新的交叉变异混沌粒子群优化方法;利用改进的粒子群算法优化支持向量机的核函数和惩罚因子,并将优化后的分类模型应用于轴承故障诊断。结果表明：该故障分类模型的识别准确率高于其他分类模型。     

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。     

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GRA-PLS的滚动轴承故障诊断北大核心

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。     

基于FFT与CS-SVM的滚动轴承故障诊断

针对滚动轴承故障信号强噪声背景和非线性等特点,为精确识别滚动轴承的故障特征频率并精准分类,提出了一种基于Hanning窗插值快速傅里叶变换并利用布谷鸟算法优化支持向量机的滚动轴承故障诊断新方法。采用Hanning窗对得到的频域信号进行加窗处理并求得样本特征的均方根特征值;经过布谷鸟算法优化后的支持向量机(CS-SVM)对样本数据进行故障诊断分类。通过凯斯西储大学的轴承故障振动信号数据进行的实验,验证了该混合智能诊断方法的有效性和优势,结果表明:所提出的方法可以对轴承故障准确进行分类。     

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明：1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。     

基于深度学习与电子听诊器的轴承故障诊断

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确率达到99%。     

数据缺失条件下基于ANFIS与k-means的轴承故障分析

针对轴承信号数据信息采集过程中轴承数据缺失导致轴承故障类型无法识别问题,提出了一种基于自适应神经模糊推理系统(ANFIS)和k-means聚类算法相结合的轴承故障分析模型和方法。首先,基于ANFIS算法建立数据预测模型,利用75%的轴承故障数据作为训练样本,对缺失信号数据进行预测,同时与采集到的信号数据整合形成完整的数据集,然后利用k-means算法进行轴承故障诊断,最后将ANFIS-k均值方法与传统k-means算法进行比较,实验结果表明本文提出的模型和方法分类效果更加准确。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。     

基于堆栈稀疏自编码器的滚动轴承故障诊断

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。     

一种POA-VMD和自编码器结合的风电机组轴承劣化指标构建及故障诊断方法

针对目前轴承性能劣化指标的构建及故障诊断高度依赖专家经验,限制条件繁多,实际应用情景单一的问题,提出一种鹈鹕优化算法(POA)优化的变分模态分解(VMD)和自编码器结合的风机轴承劣化指标构建及故障诊断方法。首先利用POA-VMD算法将轴承振动信号采用自适应方法分解为K个固有模态分量(IMF),并针对上述分量分别构建K个自编码器;然后以正常状态振动信号的分解结果为训练样本完成自编码器的训练,并以训练完成后模型的输出结果为基础构建轴承劣化指标,借助劣化指标监测轴承早期微弱故障;最后对故障时刻振动信号的IMF分量重构结果进行包络谱分析,确定故障的类型。经实验验证：该方法不仅可以清晰地展现轴承的劣化过程,对早期微弱故障敏感性高,而且在故障发生后可以准确诊断出故障类型。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

AdaBoost算法组合的GABP诊断模型在轴承故障中的运用

考虑到轴承故障难以诊断的问题,提出AdaBoost算法组合遗传算法优化的BP神经网络(GABP-AdaBoost)的诊断模型。利用遗传算法寻优能力对BP网络的权值与阈值进行优化,并用AdaBoost算法进行组合;采用UCI标准数据集对GABP-AdaBoost算法中的关键参数进行分析,并设置最优参数;用最小二乘法和指数平滑法消除轴承振动信号中的漂移和微弱噪声,并用因子分析法选择最优时域参数;使用GABP-AdaBoost算法对轴承故障样本进行诊断,并将GABP、BP、BP-AdaBoost作为对比算法。重复试验30次的结果表明:GABP-AdaBoost算法诊断效果达到90%以上但诊断时间较长;BP-AdaBoost算法诊断效果优于GABP且耗时较少;GABP-AdaBoost算法与BP-AdaBoost算法对重复诊断的波动敏感程度较低。     

基于MRMD的滚动轴承损伤程度识别方法研究

为解决滚动轴承损伤程度难以识别的问题,提高故障诊断的准确率,将特征选择方法应用到滚动轴承故障诊断中。在建立多域特征集的基础上提出一种基于MRMD(Max Relevance Max Distance)评价准则的特征选择方法完成对轴承损伤程度的评估。首先从原始信号中提取能够表征轴承运行状态变化的时频域统计特征并建立多域特征集;然后利用MRMD特征选择方法去除特征集中的无关特征和冗余特征,筛选出敏感特征;最后将筛选出的故障特征样本输入到概率神经网络(PNN)中得到损伤程度的评估结果,利用该特征选择方法可以实现轴承裂纹损伤程度的识别。以分类器正确率为依据,验证了基于MRMD特征选择方法的有效性和优越性。     

基于主成分分析的多域特征融合轴承故障诊断

针对复杂工况下难以区分轴承故障状态的问题,提出一种基于主成分分析的多域特征融合轴承故障诊断方法。采集轴承振动加速度信号,提取轴承时域新量纲一化特征、频域幅值谱特征和时频域经验模态分解特征共13维特征用于完整表征轴承状态;利用主成分分析方法对所提取特征融合与降维,降低诊断模型复杂度与数据分析难度;最后,选择合适的卷积神经网络进行分类,通过石化机组故障诊断实验平台进行验证。结果表明：多域融合特征相对于单域特征诊断效果更好,卷积神经网络分类模型相对于其他经典分类模型诊断准确率更高,融合诊断分类方法整体诊断准确率达到86%。     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

域对抗图卷积注意力变工况故障研究

针对滚动轴承在变工况环境中网络特征提取能力不足的问题,提出了一种域对抗图卷积注意力迁移学习的故障诊断方法(DAGRESL)。首先,通过残差神经网络(residual network, Resnet)提取输入的轴承故障信息特征并通过Simam注意力模块增强Resnet的特征表达能力;其次,利用图生成层学习Resnet的特征数据并挖掘样本结构特征之间的关系来构造实例图;然后,利用图卷积网络(graph convolutional network, GCN)对实例图进行建模;最后,利用域判别器和局部最大平均差异(local maximum mean discrepancy, LMMD)对齐子域和全局域之间的分布并通过标签分类网络完成故障分类。通过在SQI-MFS轴承数据集的实验结果证明了所提出的DAGRESL模型能够精准地区分变工况轴承故障类型,有效解决了滚动轴承在变工况环境中网络特征提取能力不足的问题。