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%。     

基于改进残差网络的轴承故障诊断方法

针对现有的轴承故障诊断模型缺乏对信号的空间和时序信息的有效利用，以及模型的泛化性和抗噪性差的问题。提出了一种将LSTM以残差的形式与CNN并联使用，并采用1*1卷积进行跨通道信息融合的神经网络模型IPCNN＿LSTM,解决了传统网络模型无法同时有效地利用信号的空间及时序信息问题。并采用CWRU轴承数据集和QPZZ-Ⅱ系统采集实验平台进行实例验证，该模型能够有效地利用信号的空间和时序信息，在减少参数数量，提高诊断效率的同时取得较高的故障诊断正确率，并具有良好的泛化性、抗噪性及稳定性。     

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。     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

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。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于C-GRU的电机轴承故障诊断

针对单一卷积神经网络模型在轴承故障诊断工作对于训练样本需求过多的不足,根据采集到的电机轴承振动数据为时序数据的特点,结合门控循环单元在处理时序数据所具有的优势,采用了基于卷积神经网络和门控循环单元(C-GRU)的电机轴承故障诊断算法.将CNN在特征提取的优点与GRU处理时序数据的优点有机结合起来,在选择合适的网络结构和...     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。     

基于改进粒子滤波和域适应CNN的轴承故障诊断北大核心

针对轴承故障诊断中特征提取困难、训练样本、不同工况下故障识别复杂等问题,提出了一种基于改进粒子滤波和域适应CNN的轴承故障诊断方法。首先,针对粒子滤波容易发生粒子贫化问题,采用参数简单的天牛须智能算法对其进行改进;其次,在卷积神经网络中添加注意力机制模块,以此来获得轴承更具代表性的特征;最后,以改进的1D-CNN为架构,构建不同工况下的轴承迁移故障诊断模型,其中在全连接层通过多层多核域适应缩短源域和目标域的样本分布差异。实验结果表明,与其他几种传统故障诊断方法相比,所提出方法有更高的准确率和适应性。     

基于卷积记忆神经网络的数字表盘读数识别

针对巡检机器人在执行例检任务时,对数字表盘读数识别精确度低的问题,提出一种基于卷积记忆神经网络的数字表盘抄表算法。对高清摄像机获取的目标图像信息,经过图像轮廓提取算法定位到表盘字符区域,结合卷积神经网络(CNN)和长短期记忆网络(LSTM)模型的特点,提出了卷积记忆神经网络模型(CLSTM),与传统字符识别算法CNN和LSTM相比,此模型既不需要做字符分割,又能够优化特征提取。实验以电表进行测试,结果表明,相比于CNN和LSTM,此模型准确率更高。     

基于深度卷积神经网络的轴承故障诊断技术研究

为了提高轴承故障诊断的准确度,采用深度卷积神经网络算法来实现轴承故障分类。首先根据轴承振动故障特征频率建立轴承故障数据库,接着对轴承的振动信号按不同切片长度和固定宽度进行周期提取,建立特征向量矩阵,然后建立深度卷积神经网络的故障诊断模型,在网络设计时,差异化设置卷积核与池化尺寸,优化神经网络训练的核心参数,最后获得稳定的卷积神经网络模型。经过实例仿真,基于深度卷积神经网络的轴承故障分类准确率高,标准差小。     

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1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究（英文）

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

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%。     

基于深度学习的电机轴承故障诊断研究

针对目前已有的电机轴承故障诊断算法对于人工干预和专家经验的依赖,以及故障诊断工作的复杂度逐渐的提高。文章提出了基于深度学习中卷积神经网络的故障诊断算法,使用原始振动数据作为网络模型的输入对其进行训练以发挥其强大的自学习能力。根据振动数据的特点和实验对比选择模型的结构和参数,进而通过深层次网络结构的卷积操作以实现对原始振动数据的特征提取,最终在输出端利用Softmax分类器输出分类结果。通过实验验证表明,该方法对于轴承故障分类准确率能够达到99.8%,对比其他方法具有很好的分类效果。     

基于云平台的旋转机械轴承监测系统设计

针对旋转机械监测中无法随时随地查看其运行状态，监测产生的数据量逐渐加大，以及故障特征提取困难的问题，以轴承作为关键部件，提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据；然后利用窄带物联网完成数据远程传输，并将其存储到云端数据库中；在云平台利用相关时域频域分析对轴承状态进行监测，并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断；然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好，系统能够良好地运行。     

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。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点，互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷，提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异，提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs），然后求取各个IMF分量的峭度值，计算各分量峭度所占权重，根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集，将训练集输入到一维卷积神经网络中学习更新网络参数，然后用验证集进行验证得到最优诊断模型，最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证，诊断精度分别为99.98%和99.73%，表明所提方法能够快速准确地诊断出不同故障类型，并且具有较高的故障诊断准确率和鲁棒性。