基于WPD-CNN二维时频图像的滚动轴承故障诊断

滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。     

基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

基于CNN-SVM和特征融合的齿轮箱故障诊断

针对以数据驱动的齿轮箱故障诊断过程中存在特征提取复杂、分类器对特征存在较强的依赖性等问题,提出了一种基于卷积神经网络(CNN)和支持向量机(SVM)相结合的齿轮箱故障诊断模型。该诊断模型以多传感器采集的原始振动信号作为模型的输入,通过卷积神经网络完成特征的自适应提取,然后在特征级上将各传感器的特征进行融合,最后将融合特征输入到支持向量机进行故障的分类。经过实验证明,该模型直接以原始信号进行故障诊断的准确率能达到96.3%,且提取的特征在经过融合过后有很高的区分度;相比于基于特征工程的特征提取方法,基于特征学习的特征提取方法提取的特征对齿轮箱故障诊断更有效。     

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。     

基于特征信息融合的离散小波SVM齿轮故障诊断方法研究

针对齿轮振动信号故障特征微弱及故障样本不足,提出基于特征信息融合的小波-SVM(支持向量机)故障诊断方法,用于多类齿轮故障诊断。该方法采用离散小波变换对齿轮的振动信号进行处理来构造特征向量,将多路信号融合后输入到SVM的多故障分类器中进行故障识别。实验结果表明:该方法能够在训练样本数量少的情况下,快速获得良好的分类结果,且其故障诊断准确率在96.67%以上;峰值和峰值因子对齿轮故障最敏感,以峰值或峰值因子为特征量的多传感器信息融合,其诊断准确率达95%。该方法更适合于实际齿轮故障诊断应用,并为多类齿轮故障快速诊断的进一步创新研究提供了理论基础。     

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。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。     

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。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

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%。     

基于小波包与SVM的滚珠丝杠故障诊断

采取小波包方法对数控机床滚珠丝杠故障信号进行分析,结合时域分析,提取不同故障状态下的特征值,得到支持向量机（SVM）的输入特征向量;研究并确定了应用二叉树算法与RBF核函数,采用遗传算法对SVM的参数寻优,建立了SVM多故障分类器,实现了滚珠丝杠的故障诊断与分类。最后通过实验结果证明了多故障分类器的可行性与有效性。     

神经网络在液压系统典型故障诊断中的应用

针对液压系统中的一种典型故障——油缸泄漏的故障诊断,提出通过监测油缸压力信号,提取时域组合特征并利用神经网络作为故障分类器的诊断方法。该诊断方法首先提取了油缸压力信号的时域组合特征作为特征向量,然后输入到神经网络分类器中进行故障的识别和分类。实验结果表明:该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的3种状态,是液压系统故障诊断行之有效的方法。     

基于小波包和支持向量机的滚动轴承故障模式识别

为了解决对故障轴承的特征提取和故障特征准确分类问题,提出了应用小波包变换和支持向量机相结合进行滚动轴承故障诊断的方法.小波包变换具有良好的时-频局部化特征,非常适于对瞬态或时变信号进行特征提取.而支持向量机可完成模式识别和非线性回归.利用上述原理根据轴承振动信号的频域变化特征,采用小波包变换对其提取频域能量特征向量,然后利用建立的支持向量机多故障分类器完成滚动轴承故障模式的识别.试验结果表明,支持向量机可以有效、准确地识别轴承的故障模式,为轴承故障诊断向智能化发展提供了新的途径.     

基于堆栈稀疏自编码器的滚动轴承故障诊断

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。     

振动监测技术在齿轮裂纹故障诊断中的应用

在对一级齿轮箱的振动信号进行快速傅里叶变换和小波包变换的基础上,提取各个小波包系数的峭度和偏态,并选择分辨率较高的小波包系数的峭度和偏态作为齿轮裂纹的故障特征。最后通过基于粒子群优化算法(Particle swarm optimization, PSO)的支持向量机(Support vector machine, SVM)模型进行齿轮裂纹故障特征分类,其中,PSO主要用来优化SVM模型的核函数的关键参数,避免出现局部最优和过拟合的问题。计算结果表明,和其它算法相比,提出的齿轮裂纹故障诊断方法在分类精度和计算效率方面具有综合优势。     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

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DenseNet模型的滚动轴承变工况故障诊断北大核心

针对旋转机械传统故障诊断中浅层特征对振动信号故障信息表征能力不足以及在变工况条件下传统的网络模型诊断能力差的问题,提出了一种结合风格再校准模块(style-based recalibration module,SRM)和密集连接卷积神经网络(densely connected convolutional networks,DenseNet)智能故障诊断神经网络模型。将预处理得到的时频图输入到引入SRM的DenseNet网络模型中,通过对特征图进行重新加权以及特征复用,避免有效信息缺失,降低了无关信息的干扰,增强模型对故障特征的提取能力。分别进行单一工况和变工况实验验证,结果表明所提方法在变工况条件下的故障识别率均优于目前主流的SVM、WDCNN和ECACNN诊断方法。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。