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。     

基于DHMM和BP神经网络的齿轮箱故障诊断研究

为提高齿轮箱故障的智能诊断精度,从信息融合的角度,提出了一种基于DHMM和BP神经网络的混合智能故障诊断方法。根据不同工况下齿轮箱的振动信号时频特征,利用训练样本建立各类工况下的DHMM模型,然后求得测试样本在各DHMM模型下的似然概率对数,将似然概率对数作为新的特征添加到原来时频特征中,把新的特征集作为BP神经网络的输入,实现各工况的诊断。实验结果证明,相比于单独使用DHMM方法、BP神经网络以及两种方法的简单级联,该方法较大的提高了齿轮箱故障的诊断精度。将DHMM方法引入到齿轮箱的故障诊断中,结合了BP神经网络的自适应能力强和DHMM时序建模能力强的优点,具有一定的应用价值。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于迁移学习的滚动轴承复合故障诊断研究

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型（TConvNeXt）。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用于滚动轴承故障诊断并且利用Grad-CAM方法进行可视化,分析网络诊断错误起因并对网络进行调整;将训练准确率最高的模型用于滚动轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：TConvNeXt网络模型具有高诊断精度,它不仅在混叠故障诊断中表现突出,在单一故障诊断中也具有优势,能够很好地适应多工况下不同故障类型的滚动轴承故障诊断要求。     

变工况下采煤机故障诊断的迁移学习方法

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异（MMD）作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明：振动信号经小波变换和图像增强处理后,能有效凸显故障特征;利用实验台小样本微调权值,能有效实现采煤机故障诊断的模型迁移。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

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SPWVD-CNN的滚动轴承故障诊断（英文）

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99. 27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

变转速变载荷工况下的齿轮智能故障诊断北大核心

针对变转速变载荷工况下的齿轮故障检测、识别和分类问题,提出一种基于最大重叠离散小波包变换和人工神经网络的智能故障诊断新方法。研究自相关谱峭度图中的最大重叠离散小波包变换,并采用它将复杂的齿轮故障振动信号分解为频带和称为节点的中心频率。推导出每个节点的平方包络的自相关,以便计算每个节点在每个分解层次上的峭度,减少了非周期性脉冲和噪声的影响。将上一步得到的特征矩阵作为径向基函数神经网络的输入,从而实现齿轮状态的自动分类。并在变转速变载荷(16种)工况下对健康状态和5种不同类型齿轮故障的齿轮箱进行了具体测试分析。结果表明:该方法可以更好地提取特征信息,为齿轮故障诊断定位合适的解调频带,提高了所有工况下齿轮故障诊断的准确率。     

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承故障诊断。使用BiLSTM-CNN模型,分析了不同的优化器和激活函数的诊断结构,通过不同参数的结合确定了效果最好的参数组合。实验结果表明,以混淆矩阵、准确率为评价依据,该方法与传统机器学习模型、CNN、LSTM模型进行对比有更好的性能,在变负载情况下实现了准确,稳定的轴承故障诊断性能,具有良好的泛化能力。     

基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断

针对轴承故障诊断中大多现有方法特征提取复杂且诊断方法不是端到端等问题,结合深度学习理论,提出了一种基于Resnet网络(残差网络)和Attention机制(注意力机制)的轴承故障诊断方法。诊断思想是:首先,通过Resnet网络对输入的滚动轴承的一维振动时序信号进行特征提取;其次,将特征提取后的特征图经过Map-to-sequence操作将特征图转换为特征序列送入到Attention机制的GRU(门控循环单元)网络中进行预测;最后,通过分类器将预测后的结果分类输出即可得到诊断结果。实验表明,该模型对各故障类别的诊断率均在98%以上,模型诊断准确率普遍优于其他传统的诊断方法,相较于一些最近流行的基于深度学习轴承故障诊断方法效果也提升显著。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

基于多特征融合与GA-BP模型的滚动轴承故障识别

针对滚动轴承故障识别问题,基于遗传算法(GA)和BP神经网络等技术,提出一种GA-BP神经网络模型。该模型以训练数据的输出误差作为目标函数,利用遗传算法对BP神经网络的初始权值和阈值进行优化选择。将经验模态分解能量比和时域特征相结合的特征向量作为BP神经网络的输入,对滚动轴承不同工况下的故障进行识别。滚动轴承故障诊断的实例表明:该模型较传统BP神经网络模型具有更好的收敛精度、收敛速度和识别率。     

基于神经网络的汽车EPS传感器故障诊断

汽车EPS传感器的故障诊断对提高汽车行驶的安全性具有重要的意义.提出了将BP神经网络引入汽车EPS传感器中的故障诊断思想.结合故障树分析(rrA)原理,给出基于EPS系统的传感器故障树模型结构图,以BP神经网络为训练网络,从传感器故障模型中选取故障征兆,进行网络训练,最终实现对EPS传感器的故障诊断.训练结果表明该方法在EPS传感器故障诊断中具有较高的诊断精度以及很好的稳定性.     

基于SHO-VMD分解和多特征参数的变工况滚动轴承故障诊断

风机在多种工况条件下运行时,利用轴承的振动监测系统所检测到的信号难以实现故障诊断,而大量文献研究的轴承故障诊断多是在恒定转速下进行的。针对变工况下运行的滚动轴承,提出一种基于SHO-VMD分解和多特征参数融合的特征提取方法,使用t-SNE降维可视化,提取出振动信号的故障信息与转速变化信息。变分模态分解(VMD)方法的分解效果取决于分解个数和惩罚因子的取值,采用自私羊群优化算法（SHO）对参数进行优化,将振动信号分解为一些本征模态分量,再对每组分量进行特征参数提取,基于奇异值特征、能量熵、样本熵特征进行多特征量融合,使用t-SNE降维来提取轴承故障信息以及速度变化信息,实验结果表明：提出的方法可以有效提取出轴承的故障和速度信息。     

基于同步挤压S变换和深度学习的轴承故障诊断

针对传统轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,提出了一种基于同步挤压S变换(synchrosqueezed S transform,SSST)和深度曲线波卷积神经网络(deep curvelet convolutional neural network,DCCNN)的轴承故障诊断方法。首先,对采集到的轴承振动信号进行SSST变换,得到时频图像并进行灰度化和归一化操作;其次,在深度卷积神经网络基础上建立DCCNN,并引入类内距离和类间距离约束的能量函数;最后,将时频图像直接输入DCCNN进行自动特征提取和故障识别。轴承诊断实验结果表明,该方法能有效地对轴承进行多工况和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、深度信念网络、深度自编码器和标准卷积神经网络等方法。     

基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法北大核心

针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。     

Envelope函数与Chebyshev滤波的滚动轴承故障诊断

为了更有效的提取变工况下滚动轴承的故障特征,抑制振动信号中由转速或载荷波动引起的趋势项。文章针对变工况条件下的滚动轴承故障诊断,提出了一种基于Envelope函数与包络阶次谱的变工况下滚动轴承故障诊断。在传统的故障诊断方法中,求某一信号包络时用的最多的是希尔伯特变换,但并不是希尔伯特变换适用于所有信号包络的情况。文章运用契比雪夫滤波方法提高信号中的信噪比,为避免转速升降、波动或载荷变化引起的趋势项对测试信号的影响,用Envelope函数计算信号包络。通过仿真数据和实验数据分析表明基于Envelope函数的包络能更有效的计算出变工况下调幅信号中的调制阶次,用切比雪夫波滤波可以使得变工况下信号中故障特征阶次更加明显,更有利于故障识别,为变工况下的机械故障诊断提供参考。