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。     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题,提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络,并引入残差模块,以提升网络的特征提取能力;提取一维时序信号中不同尺度不同深度的故障特征,再通过自适应平均池化层处理后进行特征融合,以丰富智能诊断决策信息;最后在全连接层实现特征降维,使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析,结果表明：FDLCNN故障识别精度更高,鲁棒性更强,收敛速度更快。     

双重融合的轻量级卷积神经网络轴承故障诊断

以往的轴承故障诊断模型精度低,迭代时间长,难以适应现实生产场景,因此建立了一种数据融合加特征融合的并行双通道卷积神经网络模型。首先,将风扇端的数据和驱动端的数据组合,重新构建新的数据;之后将新的数据和数据重构后的二维数据输入到模型中提取特征,1D-CNN提取一维空间特征,2D-CNN利用深度残差收缩网络提取二维空间特征并进行降噪处理。使用深度可分离卷积和全局平均池化降低模型参数量;然后,将提取到的特征在全连接层进行特征融合,可以在保持高诊断准确率的同时降低噪声的影响;最后,利用Softmax分类器对轴承的状况进行辨别。模型的结构配置良好,迭代次数少,可以快速的收敛。参数量相比其他方法少很多,以便实际部署。实验表明,本文所提出的网络模型相较于其他深度学习方法,在强背景噪声以及弱干扰噪声的影响下都能更准确地识别信号的故障模式,验证了该模型的可行性和优越性。     

基于改进卷积神经网络轴承故障诊断

卷积神经网络(Convolution Neural Network,CNN)是一种常用的智能故障诊断方法.针对卷积神经网络结构中参数较多,训练时间长,并且sigmoid和ReLU激活函数运用带来梯度消失和均值偏移.基于以上问题提出了一种改进非线性映射函数的卷积神经网络模型.把振动信号转换成二维振动图像表示其故障纹理,在...     

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。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

完备变分模态分解和多传感器卷积神经网络的轴承故障诊断方法

针对传统滚动轴承故障诊断方法难以提取和辨识故障特征等问题,提出一种完备变分模态分解（CVMD）和工业多传感器卷积神经网络（MSCNN）相结合的轴承故障识别模型。在采集到的滚动轴承故障振动数据中加入2对符号相反但幅值相等的白噪声,并使用变分模态分解将故障振动数据分解为若干本征模态分量（IMFs）并进行集成平均;利用综合指标选择合适的IMFs分量并重构;针对多传感器结构,在卷积神经网络的基础上,提出MSCNN网络,并将重构后的振动信号输入MSCNN进行自动特征学习与故障诊断。结果表明：所提出的CVMD-MSCNN模型的故障诊断准确率达99.76%,标准差为0.16,相比于其他深度学习方法,其诊断准确率和稳定性较优。     

深度卷积神经网络在多工况下刀具磨损状态监测中的应用

为了解决复杂多工况下刀具磨损状态的监测问题,提出一种基于深度学习的刀具磨损状态监测方法,并构建敏感特征值提取函数.基于刀具磨损数据集,建立多种工况下刀具磨损状态的监测模型,进行多工况下刀具磨损状态监测研究.研究结果表明:当敏感值界限设置为0.3时,从声发射、振动和电流信号的特征值中可以提取出56个敏感特征值;以均方根误...     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于卷积神经网络的高速列车抗蛇行减振器故障诊断

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全,提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱,并将其划分为训练集和测试集;然后将训练集输入卷积神经网络模型中,进行训练样本信号的特征提取工作,通过前向传播和反向传播方式得到卷积神经网络的具体模型,并通过多次迭代更新网络参数;最后,将训练好的模型用于测试集,获得蛇行减振器故障诊断的准确率。为了验证模型的有效性,选用正常状态、启动不良和锯齿波故障数据作为实验验证,结果表明：该方法不仅避免了传统诊断方法需要人工提取特征带来的问题,且具有较好的诊断效果。     

基于RBF神经网络与LMD的滚动轴承故障诊断方法

直升机传动系统故障诊断及预测对提高其运行时的可靠性和安全性具有重要意义。本研究首先采用小波包降噪与局部均值分解相结合的方法提取滚动轴承故障特征,其次用故障样本对设计好的RBF(Radial Basis Function Neural Net-work,简称RBF)诊断网络进行训练,最后利用训练好的RBF网络实现故障的智能诊断。实验结果验证了该方法能够有效地对滚动轴承故障进行分类识别。     

基于改进卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断过程中,难以提取细微故障特征的问题,文章提出一种基于改进卷积神经网络的滚动轴承故障诊断方法。该方法首先在特征值提取过程中,采用了多尺度卷积核并联的方式,对滚动轴承振动信号提取了更多的故障特征细节;然后在特征值降维、去噪处理过程中,采用了leaky_relu激活函数,解决了部分神经元处于抑制状态的问题;最后在分类识别过程中,针对多层全连接计算复杂的问题,采用了全局平均池化代替部分全连接。通过滚动轴承不同损伤程度、不同故障位置的诊断实验,证明了所提方法能够提高故障识别率、降低训练时间、具有较好的可行性。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

深度卷积神经网络在移动机器人的应用研究

闭环检测是移动机器人自主导航以及各种视觉定位的重要组成。近年来随着深度卷积神经网络展,基于卷积描述符的闭环检测与基于手工设计描述符的闭环检测,均在各个系统得到了应用。通过利用深度卷积神经网络实现图像匹配,并将其用于移动机器人的全局定位算法中,对其工程实际表现进行了定量评估以及对比。从所设计的试验方法量化对比出目前主流的描述符在各种场景应用中的优劣性,可知基于AlexNet模型的卷积描述符在各实验中均表现最佳,为图像匹配及其全局定位提供定量参考选择标准。     

基于深度学习的石化机组轴承故障诊断综述

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。     

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。     

基于卷积神经网络的网络节点异常数据检测方法

异常数据检测是保障无线传感器网络节点数据准确性和可靠性的重要步骤。针对无线传感器网络节点异常数据检测问题,提出一种基于卷积神经网络的异常数据检测方法。该方法是对正常数据和注入故障后生成的异常数据进行归一化处理后映射成的灰度图片作为卷积神经网络的输入数据,并且基于LeNet-5卷积神经网络设计了合适的卷积层特征面及全连接层的参数,构造了3种新的卷积神经网络模型。该模型通过卷积层自主学习数据特征,解决了传统检测算法的性能容易受到相关阈值影响的问题。通过网络公开数据集进行模型测试,结果表明该方法具有很好的检测性能和较高的可靠性