基于深度小波去噪自动编码器的轴承智能故障诊断方法

针对原始振动数据无监督特征学习问题,提出一种深度小波去噪自动编码器与鲁棒极限学习机相结合的滚动轴承的智能故障诊断方法.利用小波函数作为非线性激活函数设计小波去噪自动编码器,从而有效地捕获信号特征;利用多个小波去噪自动编码器构造一个深度小波去噪自动编码器来增强无监督特征学习能力;采用鲁棒极限学习机作为分类器,对不同的轴承...     

改进集成深层自编码器在轴承故障诊断中的应用

针对滚动轴承振动信号故障特征难以自动提取和故障类别难以自动准确识别的问题,提出一种改进集成深层自编码器(IEDAE)方法.首先,改进自编码器的损失函数并设计3种小波卷积自编码器;其次,利用区分自编码器、小波卷积自编码器等5种自编码器构造相应的深层自编码器,并设计“跨层”连接以缓解深层网络的梯度消失现象,实现对轴承振动信号的无监督预训练和有监督微调;最后,通过加权平均法输出识别结果,以保证诊断结果的准确性和稳定性.实验结果表明,改进集成深层自编码器方法能有效地对滚动轴承进行多种工况和多种故障程度的识别,较好地摆脱了对人工特征提取的依赖,特征提取能力和识别能力优于现有其他方法.     

基于词袋模型和极限学习机的轴承故障诊断

特征提取为设备故障诊断的关键步骤,现有特征提取主要基于时域、频域和时频域方法,但在噪声大、混合故障多发、变转速等复杂工况下应用受限.提出一种基于词袋模型(BoW,bag of words)的振动信号故障诊断方法.该方法改变了传统基于一维信号进行故障诊断的模式,首先将一维振动信号转换成二维灰度图像信号,结合图像处理的方法来实现故障诊断.同时针对一维振动信号升维的过程中忽略了信号的空间特性这一不足,引入极限学习机对算法优化,并以滚动轴承为研究对象验证了方法的有效性.     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于Teager能量谱和卷积神经网络的滚动轴承故障诊断

在智能制造环境下,针对滚动轴承在变负载驱动环境下特征提取难、故障诊断准确率低的问题,提出基于Teager能量谱和卷积神经网络的滚动轴承故障诊断方法.将不同负载驱动下的多种故障振动信号,通过计算Teager能量算子之后进行快速傅里叶变换,绘图得到Teager能量谱图,形成数据集.使用数据集训练改进的卷积神经网络,得到滚动轴承的故障诊断模型,并通过该模型进行故障诊断.经过实验验证,在变负载驱动环境下,使用Teager能量谱图进行故障诊断结果优于使用原始信号时域图和频域图,轴承不同故障的诊断准确率达到93.35％,同时方法使用卷积神经网络解决了人工提取特征不全面、诊断效率低的问题,具有一定的实用性.     

BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

基于LMD和GNN-Adaboost的滚动轴承故障严重程度识别

提出一种基于局部均值分解（Local Mean Decomposition,LMD）和遗传神经网络自适应增强（Genetic Neural Network Adaptive Boosting,GNN-Adaboost）的滚动轴承损伤程度识别方法。通过LMD方法将轴承振动信号分解为若干个瞬时频率有物理意义的乘积函数（Production Function,PF）,对能反映信号主要特征的PF提取能量矩,结合原始振动信号的时域特征参数（方差、偏度、峭度）,组成故障严重程度识别特征参数矩阵。将基于LMD方法的特征参数矩阵作为GNN-Adaboost方法的输入向量,对不同载荷与转速工况下的轴承进行故障严重程度识别。结果表明,基于LMD和GNN-Adaboost的方法能够有效提高轴承故障严重程度识别准确率,对滚动轴承等关键旋转部件的故障识别与定位具有重要意义。     

基于多尺度卷积神经网络的滚动轴承故障识别

针对当前基于卷积神经网络的滚动轴承故障信号识别多采用单一尺度卷积核,对特征提取不充分、多尺度特征难提取,且超参数选取多依据人工经验等问题,提出一种多尺度卷积神经网络识别方法。首先,直接将原始时域信号作为输入,可有效保留原始信号特征且不需要人们对故障机理、信号处理专业知识的认识。其次,通过多尺度卷积神经网络对信号特征学习,并引入粒子群优化算法来寻求最优的尺度信息。最后,用滚动轴承数据集来验证模型性能,并与其他模型做对比。实验结果表明,本文模型平均识别准确率达到99.45%,高于其他模型,且抗噪声能力优于其他模型,证明所提方法具有可行性。     

基于小波包分解和PSO-BPNN的滚动轴承故障诊断

针对现有煤矿旋转机械滚动轴承故障诊断方法存在信号有效特征提取不完全、故障诊断精度不高及效率低等问题,提出了一种基于小波包分解和粒子群优化BP神经网络的滚动轴承故障诊断方法。该方法包括信号特征提取和故障类型识别两部分:在信号特征提取部分,对采集的滚动轴承振动信号进行小波包分解,得到各子频带能量及信号总能量,经归一化处理后获得表征滚动轴承状态的特征向量;在故障类型识别部分,通过粒子群优化算法优化BP神经网络的初始权值和阈值,以加速网络收敛速度,避免陷入局部极小值。实验结果表明,该方法提高了滚动轴承故障诊断效率和准确率。     

基于车载手机数据深度特征的驾驶行为识别

针对驾驶行为识别问题,利用智能手机传感器采集相应车辆的加速度、角速度信息,并用手机角度信息对原始数据进行矫正处理。传统的驾驶行为识别方法须事先对原始数据单元人为进行特征提取。为改善繁琐的人工特征提取方法,提出一种驾驶行为识别领域基于改进的卷积神经网络的特征提取方法。原始数据经过组合后,作为卷积神经网络的输入。通过改变卷积神经网络的损失函数,提高类内样本特征的相似度,再将提取的特征作为核极限学习机的输入。实验结果表明,该方法可有效识别车辆的静止、急加速、急减速、正常行驶、左转弯、右转弯等驾驶行为。     

基于卷积神经网络的滚动轴承故障诊断方法

为了简单、准确地进行轴承故障诊断,结合深度学习理论,对基于卷积神经网络的滚动轴承故障诊断方法进行了研究;首先,选用了结构相对简单的LeNet5卷积神经网络;然后,对轴承振动信号原始数据进行截取和归一化处理后直接生成生成二维矩阵作为神经网络输入;接着,优选卷积核大小、批大小、学习率及迭代次数等网络模型参数;最后,应用sigmoid函数进行多标签分类;实验结果表明,该方法能有效识别正常状态及不同损伤程度下的内圈、外圈、滚动体故障状态,识别准确率达到99.50%以上水平;基于卷积神经网络的滚动轴承故障诊断方法不仅在一定程度上可以简化故障诊断的过程,而且可以充分利用卷积神经网络模型的优势实现高效准确地故障诊断。     

基于卷积图神经网络的滚动轴承故障诊断算法

针对常规深度学习方法在直接处理一维时域振动信号进行故障诊断时诊断准确度较低的问题,提出了一种基于一维卷积神经网络(Convolution Neural Network,CNN)与图神经网络(Graph Neural Network,GNN)的滚动轴承故障诊断算法(CGNN).首先通过一维卷积层对振动信号做自适应滤波与数...     

基于GAF和DenseNet的滚动轴承故障诊断方法

基于模型和基于信号的滚动轴承故障诊断方法存在建模困难、信号分析较繁琐等问题;基于数据驱动的滚动轴承故障诊断方法多采用卷积神经网络,但网络训练时随着网络层数增多会出现梯度消失问题,且将滚动轴承振动信号直接作为网络输入会造成特征提取不全。针对上述问题,提出了一种基于格拉姆角场(GAF)与密集连接卷积网络(DenseNet)的滚动轴承故障诊断方法。将滚动轴承振动信号一维时间序列通过GAF转换为二维图像,保留了时间序列数据之间的相关信息;将二维图像作为DenseNet的输入,通过DenseNet对二维图像进行特征提取,提升了特征信息利用率,进而实现故障分类。采用凯斯西储大学轴承数据集上的数据进行实验,结果表明,该方法能有效识别滚动轴承故障类型,故障诊断准确率达99.75%。为进一步证明该方法的优越性,选取灰度图+DenseNet、GAF+残差网络(ResNet)、灰度图+ResNet故障诊断方法进行对比,结果表明:GAF+DenseNet方法准确率最高,灰度图+ResNet方法准确率最低;经过GAF转换的二维图像与灰度图相比,保留了原始时间序列数据之间的相关信息;与ResNet相比,DenseNet由于采取更加密集的连接方式,能够更充分地提取故障特征。     

基于无监督学习卷积神经网络的振动信号模态参数识别

针对现有的时域模态参数识别方法大多存在难定阶和抗噪性差的问题,提出一种无监督学习的卷积神经网络（CNN）的振动信号模态识别方法。该算法在卷积神经网络的基础上进行改进。首先,将应用于二维图像处理的卷积神经网络改成处理一维信号的卷积神经网络,其中输入层改成待提取模态参数的振动信号集合,中间层改成若干一维卷积层、抽样层,输出层得到的为信号对应的N阶模态参数集合;然后,在误差评估中,对网络计算结果（N阶模态参数集）进行振动信号重构;最后,将重构信号和输入信号之间差的平方和作为网络学习误差,使得网络变成无监督学习网络,避免模态参数提取算法的定阶难题。实验结果表明,当所构建的卷积神经网络应用于模态参数提取时,与随机子空间识别（SSI）算法及其局部线性嵌入（LLE）算法对比,在噪声干扰下,构建的卷积神经网络识别精度要高于SSI算法与LLE算法,具有抗噪声强、避免了定阶难题的优点。     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

基于SVM的旋转机械故障诊断方法

提取时域与频域共20个特征参数作为数据样本,选择适合旋转机械振动信号的径向基函数及相关参数,基于一对多法构造支持向量机(SVM)多类分类器,实现旋转机械滚动轴承的故障诊断。通过对振动信号特征进行训练与测试,并与BP神经网络进行对比结果表明,该SVM多类分类器可较好地解决小样本问题,在训练时间和识别正确率上均优于BP神经网络。     

改进深层小波自编码器的轴承故障诊断方法

针对传统滚动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,结合深度学习处理高维、非线性数据的优势,提出一种基于改进深层小波自编码器的轴承智能故障诊断方法。该方法改进小波自编码器的损失函数并引入收缩项限制,再将多个小波自编码器进行堆叠构成深层小波自编码器,并引入“跨层”连接缓解梯度消失现象,最后利用大量无标签数据对网络进行无监督预训练并利用少量带标签数据对模型参数有监督微调。轴承诊断实验结果表明,该方法能有效地对轴承进行多种故障类型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、深度自编码器等方法。     

新型雷达辐射源识别

目的 雷达辐射源识别是指先提取雷达辐射源信号特征,再将特征输入分类器进行识别。随着电子科技水平的提高,各种干扰技术应用于雷达辐射源信号中,使得信号个体特征差异越来越不明显,仅靠传统的模板匹配、分类器设计、决策匹配等辐射源识别技术难以提取信号可辨性特征。针对这一问题,利用深度学习良好的数据解析能力,提出了一种基于卷积神经网络的辐射源识别方法。方法 根据雷达辐射源信号的特点,对未知辐射源信号提取频域、功率谱、信号包络、模糊函数代表性切片等传统域特征,从中获得有效的训练样本特征集合,利用卷积神经网络自动获取训练样本深层个体特征得到辐射源识别模型,将其用于所有测试样本中,获得辐射源识别结果。结果 在不同域特征下对卷积神经网络的识别性能进行测试实验,并将本文方法与基于机器学习和基于深度强化学习的深度Q网络模型（depth Q network,DQN）识别算法进行对比,结果表明,当卷积神经网络的输入为频域特征时,本文方法的识别准确率达100%,相比支持向量机（support vector machine,SVM）提高了0.9%,当输入为模糊函数切片特征和频域时,本文方法的平均识别准确率与SVM模型、极限学习机（extreme learning machine,ELM）分类器和DQN算法相比,分别提高了16.13%、1.87%和0.15%。结论 实验结果表明本文方法能有效提高雷达辐射源信号的识别准确率。     

光纤安防监测信号的特征提取与识别研究综述

光纤安防监测系统信号的特征提取与识别方法是当前的研究热点。光纤振动信号的随机性、非平稳性,以及各种信号的相似性,导致信号的识别容易产生误报现象。识别入侵事件类型的关键是信号的特征提取和高效的识别方法。对光纤振动信号的各种特征提取方法和识别方法进行分析和比较,把特征提取方法分为基于小波分解的特征提取法、基于其他分解模型的特征提取方法和基于波形统计参数的特征提取法;把对光纤振动信号的识别方法分为经验阈值识别方法、支持向量机识别方法和神经网络识别方法,最后对特征提取方法和识别方法进行总结和展望。     

基于神经网络的滚动轴承故障快速检测方法

为了实现滚动轴承故障的快速检测,提出了一种基于神经网络和轴承振动信号时域指标的滚动轴承故障检测方法。采用振动信号的偏态、峭度、峰值和裕度作为BP神经网络的输入,用BP算法对网络进行了训练。实验结果表明,利用该方法可以有效实现滚动轴承故障的快速检测。