基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。     

基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。     

基于样本分位数散布熵的汽车电机轴承故障诊断方法

为保证提取出的汽车电机轴承故障特征对轴承的故障具有更好的可分析,在对散布熵(DE)进行研究的基础上,提出了轴承故障信号复杂度度量的新方法——样本分位数散布熵(SQDE).SQDE是在DE中引入了样本分位数的概念,克服了DE中嵌入维数参数的选择问题.轴承故障诊断实例表明,相比于DE,SQDE对轴承不同类型和不同程度故障的...     

基于遗传算法的不均衡样本在支持向量机中的研究

不均衡样本在实际应用中广泛存在,已对学习领域造成挑战,如何处理不均衡样本情况也已经成为目前的热点。针对不均衡样本的问题提出将遗传算法应用于支持向量机中。利用遗传算法中的交叉、变异来进行样本的遗传,从而产生新的群体,即样本。     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络(WGAN-GP)和自注意力卷积神经网络(SeCNN)的轴承故障诊断方法.对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN...     

基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

轴承故障诊断与故障预测方法

分析了利用HMM进行故障诊断和HHMM进行故障预测的框架,针对传统HHMM推理算法复杂,推理时间长的问题,将HHMM转化为DBN,并应用交叉树推理算法,缩短了推理时间。最后将HMM和HHMM应用于轴承故障诊断和故障预测或剩余寿命预测(RUL),通过试验结果验证了这种方法的有效性。     

滚动轴承故障的非线性诊断方法

反映滚动轴承故障的特征周期信号处于较低频带内，容易被噪声淹没，难以检测。针对当前的诊断方法没有充分利用其故障特征频带的问题，提出了基于混沌振子的滚动轴承故障的非线性诊断方法。该方法直接检测故障的低频特征信号，完成故障诊断。讨论了该方法的适用场合，并将其应用在滚动体剥落故障的诊断上，取得了良好的效果。     

滚动轴承故障的小波诊断法

对小波变换原理和信号局部奇异性在小波变换下的特性进行了分析,通过选用多尺度小波变换成功地对滚动轴承故障信号进行了检测。     

不均衡数据下基于CS-Boosting的故障诊断算法

针对传统Boosting算法在训练样本不均衡数据情况下不能较好地实现转子系统故障诊断的问题,提出了一种基于代价敏感度框架的Boosting故障诊断算法CS-Boosting.该算法建立了一个代价敏感损失函数,通过先验概率公式计算正样本与负样本的惩罚因子,并通过决策规则的训练使代价损失函数最小化.将该算法应用到滚动轴承故障诊断中,并与传统的Adaboost算法进行对比.试验结果表明,在转子系统不能获取更多故障数据的情况下,该算法的故障诊断性能较其他算法有明显的提高.     

机械加工过程中轴承故障诊断方法研究

为了提高机械加工过程中滚动轴承故障诊断准确度,提出了基于新的解析能量算子的轴承故障诊断方法.在分析Teager能量算子缺陷基础上,提出了新的能量算子,命名为解析能量算子;解析能量算子无需满足Teager能量算子的使用条件,且能够更好地跟踪故障信号的冲击瞬态特征;使用EMD算法分解原始振动信号,给出了多指标融合的IMF分...     

基于经验模态分解的滚动轴承故障诊断方法

提出了一种基于经验模态分解的滚动轴承故障诊断方法，并定义了能量熵的概念。从不同状态的滚动轴承振动信号的能量熵值中发现，当滚动轴承发生故障时，各频带的能量会发生变化。为了进一步对滚动轴承的状态和故障类型进行分类，再从若干个包含主要故障信息的IMF分量中提取能量特征参数作为神经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障振动信号的分析结果表明，以经验模态分解为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有更高的故障识别率，可以准确、有效地识别滚动轴承的工作状态和故障类别。     

基于MSD-ICA-EA的轴承故障诊断方法

轴承故障诊断时,传感器采集的故障声音信号一般含有多个故障源,且源信号之间统计相关,应用传统的独立分量分析受到限制,本文应用多分辨率子带分解的独立分量分析方法(MSD-ICA),针对小波变换快速独立分量分析分离出的高频子带信号常呈现调制特性,提出进一步结合包络分析(EA)方法分析该子带信号,来判定故障的类型与部位.试验表明,多分辨率子带分解的独立分量分析结合包络分析的分析方法能有效地解决该类问题.     

基于LMD-CM-PCA的滚动轴承故障诊断方法

为提高在非平稳工况下对滚动轴承故障的直观辨识能力,笔者提出基于LMD-CM-PCA的故障诊断方法。首先,对滚动轴承振动信号进行局部均值分解(local mean decomposition,简称LMD),提取乘积函数(product function,简称PF)矩阵;然后,计算PF矩阵与原振动信号的皮氏相关系数(pearson product-moment correlation coefficient,简称PPCC),将PFs对应的PPCC代入相关熵模型得到PF的相关熵矩阵(correntropy matrix,简称CM),CM经主成分分析(principal component analysis,简称PCA)进行特征变换得到融合相关熵矩阵(integrated correntropy matrix,简称ICM)。分别在轻微和严重故障时,对滚动轴承不同工况下的振动样本进行交叉混合,并计算其ICM。结果证明,ICM在可视维度比传统特征(如:能量矩和谱峭度)的融合特征更能隔离工况对故障可分性的干扰。LMD-CM-PCA方法为滚动轴承故障的直观辨识提供了技术支持,在故障诊断方面具有良好的应用前景。     

一种基于Conv-LSTM的滚动轴承故障诊断方法

针对轴承传统的故障诊断方法存在辨别故障类型难和预处理步骤多的问题,提出一种基于Conv-LSTM(卷积长短期记忆网络)的模型.该模型以Conv-LSTM单元模块作为处理层,能自识别和自处理故障特征信息;同时该模型可直接处理切片后的原始信号,通过Conv-LSTM模型的分类结果并结合标签可诊断出滚动轴承的故障类型.对SKF6205型轴承进行实验,实验结果表明相对于LSTM,基于Conv-LSTM的诊断模型具有更好的分类效果和更高的分类准确率,且在迭代过程中准确率在0.96以上,可作为诊断滚动轴承故障类型的一种方法.