基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。     

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。     

在单片机中应用卷积神经网络实现故障诊断

作者利用深度神经网络进行滚动轴承的智能故障诊断（IFD）,将人工智能在低成本小型化平台上实现了应用。作者在文章中优化改进了二维神经网络（CNN2D）的神经网络架构,并将其部署到STM32H743VI单片机,实现了轴承故障振动信号的识别和分类。网络的训练和验证使用凯斯西储大学（CWRU）轴承故障数据集,并获得其中的包含10种故障类型的数据。使用基于Tensorflow深度学习框架的Keras工具对CNN2D的神经网络进行训练。验证可知该改进模型对故障识别准确度可以达到98.90%。利用CubeAI工具将网络部署至单片机内。通过串口与电脑进行通信获取随机轴承数据,实测每次诊断运行时间为约为19 ms。     

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法.首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型.为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术.最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别.     

基于CBAM-CNN的滚动轴承故障诊断方法

针对传统轴承故障诊断需要依靠先验知识和专业技术的问题,提出一种端到端的流程架构和基于卷积神经注意力模块-卷积神经网络(Convolutional Block Attention Module-Convolution Neural Network, CBAM-CNN)的滚动轴承故障诊断模型,该方法能够自适应提取故障特征,摆脱了对人工处理复杂信号的依赖。首先,将一维故障振动信号转换为二维图像,并用伪彩色将其变为RGB三通道图像;其次,通过注意力机制CBAM模型,注重其重要的特征信息,调整权重参数,之后将其输入卷积神经网络,并添加Dropout层来增强模型的鲁棒性,添加L2正则化来防止过拟合且提升模型的泛化能力;最后,对不同类型的滚动轴承故障进行分类,完成滚动轴承故障诊断。为了验证CBAM-CNN模型的性能,使用了美国凯斯西储大学轴承实验台数据集进行验证,并将该网络模型应用于轴承实验台。结果表明,与其他诊断方法相比,该方法不仅结构简单,而且诊断高效,故障诊断效果良好。     

基于多层降噪技术及改进卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题,提出了一种基于多层降噪技术及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承故障诊断新方法.首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;然后采用奇异值分解(Singul...     

基于CNN和XGBoost的滚动轴承故障诊断方法

滚动轴承是旋转机械最主要的零部件之一,针对滚动轴承故障类型的有效识别问题,提出了一种基于卷积神经网络(CNN)和极端梯度提升(XGBoost)的滚动轴承故障诊断方法。对滚动轴承数据进行预处理,利用训练集对CNN进行训练和调参,运用训练好的CNN模型进行特征的提取,并使用XGBoost模型进行故障类型的分类。采用德国帕德博恩大学滚动轴承进行模型的测试,结果表明:该模型交叉验证得分接近满分,并且在测试集上准确率达到了99%,优于仅仅使用CNN、支持向量机(SVM)、XGBoost以及三层神经网络。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti-interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法.首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试...     

基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明：DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了...     

基于DeepLabV3+网络的滚动轴承故障特征识别

滚动轴承的故障信号一般具有非平稳、非线性的特点,通过时频分析可以得到信号中频率随时间的变化关系,有利于识别故障特征。提出了使用DeepLabV3+网络识别时频分布中故障特征的方法,对采集到的滚动轴承振动信号使用短时傅里叶变换得到时频分布,对时频分布中故障区域使用labelme进行标注;将振动信号数据集划分为训练集、验证集和测试集,训练集和验证集用来训练DeepLabV3+网络模型并调整其中的超参数,测试集用来测试网络的泛化能力。使用滚动轴承模拟信号与试验信号对提出的方法进行验证,结果表明该方法可以成功识别滚动轴承的故障特征。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

基于注意力循环胶囊网络的滚动轴承故障诊断

针对滚动轴承工作工况复杂、载荷大及测得的振动信号信噪比（signal?to?noise ratio ,简称SNR）低的特点,提出了一种利用注意力循环机制（attention recurrent,简称AR）构建数字胶囊并与胶囊网络（capsule network,简称Caps）相融合的微弱故障诊断模型。首先,在构建初级胶囊时引入双向长短时记忆网络（bidirectional long short time memory neural network,简称Bi?LSTM）,对时频图中的时序特征进行提取,并建立胶囊间的非线性关联;其次,引入注意力循环机制构建数字胶囊,提高时频图中不同时间和频带的能量强度变化的影响力;然后,通过3D卷积与动态路由机制构建的数字胶囊进行自适应融合,实现特征的多样提取;最后,利用softmax分类器将融合特征映射到输出层,实现高噪声环境下的滚动轴承故障诊断。结果表明,该方法对小样本、低信噪比的微弱故障信号较其他诊断模型有更高的诊断精度,并能够有效减小过拟合问题。使用不同负载下的数据做测试集验证了该模型有较强的泛化能力。     

基于AlexNet和迁移学习的滚动轴承故障诊断研究

传统的轴承故障诊断方法需要进行复杂的信号处理,同时依赖专家知识和人工构造算法等技术手段,并且工程实际中可利用的机械设备故障数据量较少,针对这一系列问题,以滚动轴承正常运行时和发生不同故障时收集到的原始振动信号为识别依据,提出了一种基于AlexNet和迁移学习的滚动轴承故障诊断方法。将收集到的滚动轴承原始振动数据转换为振动信号图,并为振动信号图设定了标签,以作为训练样本;对预训练的AlexNet网络进行了微调,以使其符合任务需求,并使用准备好的训练样本对网络进行了训练;使用美国凯斯西储大学轴承数据中心的数据集,对网络模型的性能进行了验证,在滚动轴承的内圈故障、外圈故障和滚动体故障3个故障类别下,达到了100%的诊断精度。研究结果表明:在标记故障数据稀缺的情况下,采用该方法仍可实现对滚动轴承常见故障类型的诊断,且与现有先进方法相比,该方法的诊断精度有所提升。     

基于ACGAN-DSAN的变工况滚动轴承故障诊断

针对轴承故障数据少、样本不平衡以及变工况导致故障诊断准确率低的问题,提出一种辅助分类生成对抗网络与深度子领域自适应网络(ACGAN-DSAN)相结合的故障诊断方法。首先,将不同负载下的原始一维数据转换为灰度图,建立二维图像的数据集,并分为源域和目标域;其次,用故障样本训练ACGAN,将生成的故障样本混入原始样本中,以达到平衡和增强数据集的作用;然后,在ACGAN中引入自适应损失函数,通过超参数控制模型的鲁棒性,进而提高生成图像的质量;最后,基于DSAN通过非线性变换将源域和目标域分布的相关子领域对齐,使子领域分布差异最小化,并引入自注意力机制提高模型对故障特征的非线性拟合能力,通过构造联合损失函数对变工况轴承的故障进行自适应诊断。以美国凯斯西储大学轴承数据集为例进行试验验证,结果表明该方法能有效提高故障诊断准确率,且模型有较好的泛化能力。     

基于小波包能量-决策树的滚动轴承混合故障诊断

常规的信号处理方法通常无法对滚动轴承的混合故障进行有效诊断,因此将小波包能量与决策树算法相结合,用于滚动轴承混合故障诊断。首先,用小波包能量方法对故障信号进行特征提取;然后,提取向量作为训练样本训练决策树故障模型;最后,将测试样本输入到训练好的决策树故障模型,实现故障分类。滚动轴承混合故障试验表明:该方法具有原理简单、准确率高的优点。     

小样本下自校正卷积神经网络的滚动轴承故障识别方法

针对实际工程中因故障样本数据稀少而导致模型识别准确率不高的问题,提出了一种基于自校正卷积神经网络(SC-CNN)的滚动轴承故障诊断模型,并将其应用于小样本条件下的故障识别研究。首先,为减少不同信号的数据分布差异,在每个卷积层后添加BN算法;其次,利用自校正卷积学习信号的多尺度特征,提高模型获取有用故障特征的能力;然后,引入通道自注意力机制,建立通道特征信息之间的相关性,用于突出故障特征并抑制数据过拟合;再将少量训练样本输入到模型中进行学习;最后,将各类不同条件下的故障信号输入到训练好的SC-CNN模型进行识别分类,并在两个数据集上进行实验验证。结果表明,所提模型在信噪比为-4 dB的强噪声环境下,识别准确率分别为98.64%和99.83%,在变工况条件下,识别准确率分别为94.37%和99.64%,验证了SC-CNN模型在小样本条件下具有较强的鲁棒性和泛化性能。     

基于二次数据增强和深度卷积的滚动轴承故障诊断研究

滚动轴承是旋转机械的重要组成部件之一,及时准确地故障诊断在现代工业系统的可靠性和安全性中起着重要作用。然而现有故障诊断方法多是面向平衡数据集进行研究。针对实际工况下,正常样本丰富、故障样本少的类别失衡情形所导致的轴承故障诊断能力和泛化能力较差等问题,提出一种基于二次数据增强和深度卷积的故障诊断模型。该方法首先构造不同的数据集,研究类别不平衡情形对故障诊断性能的影响;其次,基于重采样方法将数据集重构为平衡数据集,并对其进行二次数据增强,提高样本点的利用率;然后,利用改进的深度一维卷积网络提取信号特征,对滚动轴承故障信息进行充分表征;最后结合集成学习投票分类思想进行故障分类与诊断。试验通过t-SNE及多种指标进行评估,同时与其他方法进行对比,结果表明,所提模型具有更高的诊断精度与诊断速度,鲁棒性与通用性较好,能够很好地适用于类不平衡情形下的滚动轴承故障诊断。