基于改进MPE与KELM的滚动轴承故障诊断

针对滚动轴承发生故障时非线性信号特征难以提取导致诊断效率较低的难题,提出一种基于参数优化改进的多尺度排列熵(Multi-scale permutation entropy,MPE)与核极限学习机(Kernel extreme learning machine,KELM)相结合的故障诊断方法.首先,使用关联积分法(C-C...     

基于改进1DCNN-GRU的滚动轴承故障诊断

针对传统滚动轴承故障诊断模型无法充分利用信号的空间及时间特征,需要大量专业知识等问题,提出一种改进一维卷积神经网络(1DCNN)与门控递归神经网络(GRU)结合的故障诊断方法。首先,利用具有不同卷积核的卷积层最大化提取信号的空间特征信息;其次,提出改进的线性修正单元(IReLU)增强网络的特征提取能力;然后,引入堆叠GRU模块进一步提取1DCNN模块输出数据的时间特征,完成空间及时间特征融合;最后,对融合后的特征进行识别。实验表明所提方法故障识别率高达99.96%,对不同负载下的数据均具有较高的识别率及较强的泛化性能。     

基于改进的Hilbert-Huang变换的滚动轴承故障诊断

由于Hilbert-Huang变换中的EMD（empirical mode decomposition EMD）在低频段产生多余的IMF（intrinsic mode functions IMF）这一缺陷，故在滚动轴承故障诊断应用中也遇到相应的麻烦。文中提出用每个IMF的能量与原始信号的能量比作为判断标准来剔出分解中产生的多余IMF，并且选择能量比最大的IMF进行边际谱的计算，再选取幅值最大处的频率与轴的旋转频率之比作为表征滚动轴承状态的特征向量，然后采用线性神经网络进行状态识别。实验结果表明，该方法是一种非常有效的滚动轴承故障诊断方法。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于改进多尺度熵与VPMCD的滚动轴承故障诊断

多尺度熵(Multiscale entropy,MSE)是一种衡量时间序列复杂性的方法,针对其粗粒化过程由时间序列长度变短而导致熵值不精确、波动较大等问题,提出一种改进的多尺度熵(Improved multiscale entropy,IMSE)算法。在此基础上,结合迭代拉普拉斯得分(Iteration Laplacian Score,ILS)特征选择和多变量预测模型(Variable predictive model based class discriminate,VPMCD),提出一种新的滚动轴承智能故障诊断方法。最后,将提出的方法应用于滚动轴承试验数据分析,并与现有方法进行对比。结果表明,提出的方法不仅能够有效地识别滚动状态和故障类型,而且其诊断效果优于现有方法。     

基于EMD的改进马田系统的滚动轴承故障诊断

为了提高滚动轴承的可靠性、及时发现其潜在的故障,提出了一种基于改进马田系统(MMTS)的滚动轴承故障诊断方法。首先利用经验模态分解(EMD)方法对原振动信号进行分解,得到了多个本征模态分量(IMF)并计算基本模式分量的统计特征集。然后,在此基础上构建基准空间(马氏空间),针对马田系统在筛选特征变量时效果不佳、基准空间数据的差异性问题,引入粗糙集(RS)筛选有效特征变量改进马田系统,大幅降低特征向量的维数。最后,计算待诊断信号到基准空间的马氏距离,从而完成滚动轴承的故障诊断。利用滚动轴承振动数据对该模型进行了测试,结果表明,该模型与实际相符,可以准确、有效地识别滚动轴承的故障类型。     

基于改进鲸鱼算法优化LSTM的滚动轴承故障诊断

适应性动量(Adam)估计优化器易使深度长短时记忆神经网络(long short-term memory,LSTM)陷入局部极小值,导致故障诊断精度过低;鲸鱼算法(whale optimization algorithm,WOA)的寻优区域过大,导致寻优效率过低.针对上述两问题,将WOA进行改进(improved wh...     

基于改进EMD和形态滤波的滚动轴承故障诊断

针对滚动轴承故障振动信号的非平稳性特点,提出一种改进经验模态分解(EMD)和形态滤波相结合来提取故障特征信息的方法。该方法首先在原信号中加入高频谐波并进行EMD分解,减小传统EMD分解中存在的模态混叠现象,然后从高频本征模态分量(IMF)中去除高频谐波得到故障冲击成分,经形态滤波消噪后进行频谱分析,提取出故障特征信息。信号仿真分析该方法的实施过程,并将该方法成功运用于滚动轴承内圈和外圈故障的诊断。实验结果表明该方法能够有效提取滚动轴承故障特征信息,实现故障诊断。     

基于改进时变自回归模型的滚动轴承故障诊断

针对现有的时变自回归(Time-Varying Autoregressive, TVAR)模型应用于滚动轴承故障诊断中的问题,提出了一种前向估计与后向估计相结合的改进模型。该模型在引入时变遗忘因子的基础上,定义了前后向联合估计的均方误差并对基函数的加权系数求偏导,得到了加权系数的计算公式,然后利用递推最小二乘(Recursive Least Squares, RLS)方法推导了该计算公式的递推形式。针对滚动轴承内圈故障的仿真和实验信号,使用改进前后的模型进行时频分析。仿真和实验结果表明,改进后的模型有效地克服了现有模型无法获得初始时刻频率估计的缺点,具有更高的时频估计精度,更强的抗噪声能力,能够更加有效地提取滚动轴承的故障特征频率。     

基于改进卷积神经网络的滚动轴承智能故障诊断研究

卷积神经网络(Convolutional Neural Network,CNN)作为一种高效的深度学习算法已逐渐成为智能故障诊断领域研究的热点。传统CNN模型的全连接层结构存在训练参数量过多的不足,使得模型训练和测试的时间较长。为此,提出了一种改进CNN的新方法用于滚动轴承故障的快速智能诊断。该方法引入全局均值池化技术代替传统CNN的全连接层部分,有效解决了传统CNN模型参数量过多的问题,并运用数据增强、Dropout等深度学习训练技巧防止模型过拟合。最后将提出的方法应用于滚动轴承故障实验数据的智能诊断,并与传统智能诊断算法进行对比验证。结果显示,改进的CNN算法的故障识别准确率高达99.04%,在诊断准确率及测试时间方面明显优于传统CNN和其他智能算法。整个诊断过程无需任何手工特征提取,"端到端"的算法结构具有较好的可操作性和通用性。     

基于改进耦合增强随机共振的滚动轴承故障诊断

针对强背景噪声下经典随机共振方法对滚动轴承故障特征提取效果差的问题,提出了一种基于改进耦合增强随机共振的滚动轴承故障诊断方法。首先,利用一个定参双稳系统和一个变参双稳系统构成耦合随机共振系统,外部输入直接作用于定参双稳系统;然后,通过调节变参双稳系统参数和耦合系数实现耦合系统的随机共振控制,并借助遗传算法实现控制参数的自适应选取。实验和工程应用验证了所提方法的有效性和优越性。     

基于PSO改进深度置信网络的滚动轴承故障诊断

针对深度置信网络(Deep Belief Network,DBN)用于轴承故障诊断时,网络层结构调试比较费时等问题,提出一种基于粒子群优化(Particle Swarm Optimization,PSO)的DBN算法,以及基于该算法的轴承故障诊断模型。该模型利用PSO算法优选DBN网络结构,并通过自适应时刻估计法微调模型参数,随后运用具有最优结构的DBN模型直接从原始振动信号中提取低维故障特征,并将其输入到Soft-max分类器中识别轴承的故障模式。该算法与支持向量机、BP神经网络、DBN、堆叠降噪自编码等方法进行对比分析,实验结果表明,PSO改进的DBN算法具有更高的准确率以及更好的鲁棒性。     

基于PSO-BFA和改进Alexnet的滚动轴承故障诊断方法

现实中滚动轴承的工况复杂易变,无法有效地对其进行故障诊断。对此,提出一种基于粒子群优化的细菌觅食(Particle Swarm Optimization and Bacterial Foraging Algorithm,PSO-BFA)和改进Alexnet(第二代卷积神经网络)的滚动轴承故障诊断方法。该方法将Alexnet的结构简化,并分别在其前两层池化层之后添置局部归一化层以降低训练成本;将以小批量样本softmax的交叉熵为损失函数,按Adam迭代优化法小样本、少迭代次数训练改进Alexnet后的变负荷样本诊断精度设计为适应度函数,并结合PSO中粒子移动速度的更新方法更新BFA中细菌的游动方向来寻找改进Alexnet的结构等相关参数;根据PSO-BFA所得的参数,以相同的训练方法大样本、多迭代次数训练改进Alexnet,实现复杂工况下滚动轴承多状态故障诊断。实验结果表明所提出的方法对复杂工况下滚动轴承16种故障状态的诊断是可行的,且有更高的诊断精度、更好的抗干扰和泛化性能。     

基于改进对抗迁移学习的滚动轴承故障诊断研究

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积结构替换全连接神经网络,以对抗训练的方式减少训练数据和测试数据间的分布差异,以提高故障诊断精度。将改进后的模型应用于两个滚动轴承故障诊断案例中,通过添加不同信噪比的噪声信号验证提出的模型具有良好的抗干扰能力,同时以故障分类正确率作为指标,验证该模型具有更高的诊断精度和鲁棒性。     

基于改进小波阈值降噪的滚动轴承故障诊断方法

针对滚动轴承早期故障信号存在大量噪声使得提取故障特征困难的问题,提出了一种基于新改进小波阈值的降噪方法。该方法是通过采用互补集合经验模态分解（CEEMD）方法将原始故障信号进行分解,得出各阶本征模态函数（IMF）分量;选取关键的IMF分量进行重构信号,将重构信号经过新改进小波阈值算法和快速谱峭度进行滤波降噪;进行Hilbert包络解调,得出滚动轴承的故障特征频率。分别用仿真噪声信号和滚动轴承的实验信号对该方法进行验证,并将新改进小波阈值算法与传统的小波硬阈值和小波软阈值算法进行比较分析,结果表明该方法可以有效提高故障信号的信噪比,降噪效果明显,能有效获得滚动轴承的故障特征频率。     

基于噪声信号和改进VMD的滚动轴承故障诊断

受运行环境及传递路径影响,滚动轴承声音信号中包含有强背景噪声和较大的非周期性瞬态冲击成分,导致轴承故障特征提取困难.文中提出一种基于自适应变分模态分解(AVMD)的滚动轴承噪声信号故障诊断方法.该方法首先根据不同的信号自适应地确定模式数和惩罚因子,利用优化参数的VMD对原始信号进行分解,得到多个本征模式分量;然后计算各...     

基于LMD和ABC优化KELM的故障诊断方法

针对高压隔膜泵单向阀振动信号的非平稳非线性特性,提出一种基于局部均值分解(LMD)、排列熵和人工蜂群算法优化核极限学习机(KELM)的故障诊断方法。采用LMD将振动信号分解成多个分量信号,通过互相关准则选取关联度较大的分量信号,并求出相应的排列熵作为特征向量。输入经过人工蜂群算法优化的KELM中构建故障诊断模型。通过对实际工况下采集的不同故障状态信号的处理分析,结果显示利用该方法对单向阀的运行状况进行故障诊断不但能够较好地表征信号的状态信息,且故障识别准确率达到95.65%。同时,与采用传统的KELM、ELM相比有着更高的识别准确率。     

基于GCNN的滚动轴承故障诊断

随着智能制造的快速发展,基于数据驱动的故障诊断方法逐渐成为轴承状态监测的研究重点.针对传统滚动轴承故障诊断方法所存在的特征提取和特征选择复杂且效果不佳的问题,提出一种基于卷积神经网络智能诊断算法.该算法首先利用重叠采样方法扩充数据集,再采用格拉姆角场方法将原始时域信号转化为二维图像;然后构建一个具有4个卷积层的卷积神经...     

基于小波的滚动轴承故障诊断

滚动轴承是机械设备中极易损坏的零部件.旋转机械的故障有百分之三十是由轴承故障引起的,因此引入轴承故障诊断对于机械化生产和作业来说是十分必要的.在对轴承故障的机理和特征全面了解的基础上,利用了离散小波变换对不同工矿下的原始信号进行分解,然后对小波分解出的近似和细节信号进行Hilbert变换,利用得出的信号可以较好地提取故障特征.     

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号,经验模态分解(EMD)非常适合处理非平稳信号,但结果可能出现伪内禀模态函数(IMF)和不敏感内禀模态函数。针对EMD的不足,提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法,对同时满足这两个条件的IMF作频谱变换,频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例,证明了此方法的可行性和准确性。