基于CNN的轴承变工况故障识别系统

为了保证工业机械设备运行安全,避免轴承损伤引起的设备严重损害,实现对机械设备上滚动轴承的变工况故障诊断,设计了基于卷积神经网络的变工况滚动轴承故障诊断系统。该系统使用格拉姆矩阵方法将一维时序数据转换为二维特征图,卷积神经网络训练最大化的学习数据中的特征信息,将训练好的模型部署于LabVIEW编写的上位机中实现实时故障诊断,将所提方法在美国凯斯西储大学轴承数据中心数据集进行实验,实验验证：在美国凯斯西储大学轴承数据集上,所使用的方法变工况下无故障运行数据识别准确率达到99.85%,变工况下综合识别准确率达到91.67%,实验结果表明该方法取得了较为准确的识别效果且具有不错的泛化能力,为变工况下滚动轴承的故障诊断积累了应用经验。     

基于联合分布偏移差异的跨域滚动轴承 故障诊断方法

现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。 只注重实现源域和目标 域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。 为克服以上问题,提出一种基于联合分布偏移 差异(joint distribution offset difference, JDOD)的跨域滚动轴承故障诊断方法。 使用两个结构一致的卷积神经网络(CNN)分别 提取信号的时域与频域特征,获取更完整的故障信息。 提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对 齐。 在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了 99%以上的平均诊断精度。 实验结果表明联合分布偏 移差异有效提升了跨域故障精度。     

基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法

复杂滚动轴承振动信号存在非线性、非平稳等问题,传统信号处理方法难以实现故障特征的有效提取和高精度的故障分类。针对此问题,从轴承振动信号的时频特性出发,提出一种基于稀疏自适应S变换和深度残差网络的轴承故障诊断方法。首先将采集的振动信号进行稀疏自适应S变换,得到轴承不同工况下的时频图像特征;然后构建深度残差网络结构,并合理的选取优化器、初始学习率等网络参数,提出基于深度残差网络的轴承故障诊断模型。对某滚动轴承振动数据集的计算结果表明,基于稀疏自适应S变换的时频分析方法具有较高的时频分辨率,所构建的深度残差网络模型能够准确识别不同故障状态及其严重程度下的轴承运行信息,为滚动轴承的故障状态诊断提供了技术支撑。     

改进双谱和经验模态分解在牵引电机轴承故障诊断中的应用

铁路机车传动系统的故障诊断,对保障列车安全可靠运行、防范事故发生起重要的作用。为了有效诊断牵引电机轴承的早期故障,提出基于经验模态分解和改进双谱的故障特征提取方法。经验模态分解是一种数据驱动的信号处理算法,相当于一个自适应滤波器组,其可将信号分解成占据不同频带的固有模态函数,实现信号消噪。滚动轴承承载运转时,局部损伤点以故障特征频率反复撞击与之接触的其它元件表面,会引发机械系统共振;基于此,采用改进双谱分析轴承振动信号各分量间的相互作用,检测轴承故障特征频率。机车实际运行试验表明,所提方法能准确诊断牵引电机轴承的早期故障。     

基于 tSNE-ASC 特征选择和 DSmT 融合决策的 滚动轴承声振信号故障诊断

针对滚动轴承早期故障特征微弱且难以有效辨识的问题,提出一种基于tSNE-ASC特征选择和DSmT融合决策的滚动轴承声振信号故障诊断方法。利用多个传感器采集轴承在不同故障模式下的声振信号,将每个信号通过VMD分解得到K个IMF分量;对各个IMF分量进行特征提取,构建各个特征的数据集矩阵;利用tSNE将各特征数据集矩阵降维至二维,计算平均轮廓系数(ASC);根据ASC大于临界值提取出声振故障信号的敏感特征;基于诊断模型实现轴承故障的初级诊断;利用DSmT将声振信号初级诊断结果进行融合决策,得出最终的诊断结论。实验结果表明：基于tSNE-ASC的特征选择方法能有效提取混合域特征中的敏感特征,在不同工况、不同诊断模型中均具有很高的诊断精度;DSmT决策融合有效降低了单一信号诊断的不确定性,在变载荷和升降速非平稳工况下均有很高的诊断精度。     

改进卷积 Lenet-5 神经网络的轴承故障诊断方法

针对滚动轴承微弱信号在强噪声、变工况复杂环境下,难以实现有效的故障诊断问题,提出了一种改进卷积 Lenet-5 神 经网络的轴承故障诊断方法。 首先,对采集的一维时域轴承振动信号进行预处理转化成便于卷积操作的二维灰度图;其次,将 最基本的 Lenet-5 模型中的连续单向的传统卷积层改进为 Block1 模块、Block2 模块、Block3 模块,提取到更完整、更精准的特征 信息;最后,为了防止网络出现过拟合现象,采用 L2 正则化和 Dropout 优化网络。 为了验证本文所提方法在复杂工况环境的鲁 棒和泛化性能,利用滚动轴承数据集和变速箱实验数据集进行实验验证。 轴承数据集实验结果表明,本文所提出的方法在变噪 声实验中准确率平均值都在 99. 3%;在变负荷实验中,故障诊断准确率都高于 90. 26%;在变工况实验中,故障诊断准确率平均 值都高于 89. 01%;在变速箱数据集实验中,抗噪性故障诊断准确率高达 96. 3%。 采用改进的 Lenet-5 方法对滚动轴承 12 种故 障类型具有更好的分辨能力,在变工况下具有更好的抗干扰性和泛化性能。     

多源域子域自适应的滚动轴承剩余寿命预测方法

针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命( remain useful life, RUL)预测精度低的问题, 提出了一种多源域子域自适应(multi-source subdomain adaption network, MS_SAN)的滚动轴承剩余寿命预测方法。 首先,将采 集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。 其次,利用一维卷积将多个源域与目标域数据映射到 一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源 域与目标域之间的分布差异。 最后,通过综合各领域 RUL 预测模块的输出得到最终轴承剩余寿命预测结果。 在 PHM2012 数 据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。     

ITT变换在风电机组滚动轴承故障诊断中的应用

为实现风电机组滚动轴承微弱故障诊断,提出了基于改进的时时(ITT)变换的风电机组滚动轴承故障诊断方法。由时时(TT)变换可得到一维轴承故障振动信号的TT变换矩阵,实现滚动轴承振动信号的二维TT表示。提取该TT变换矩阵的对角线元素可滤除低频干扰信号,起到增强故障特征的效果。鉴于噪声对TT变换分析效果具有重要影响,提出基于能量熵准则的奇异值分解降噪方法改进TT变换,以提高TT变换的抗噪能力,实现强背景噪声条件下轴承微弱故障特征提取。仿真、实验及工程应用实例结果均表明所提方法可以有效诊断出风电机组滚动轴承的故障类型。     

不同型号滚动轴承故障诊断方法

滚动轴承多数时间处于正常运行状态,且其型号多样,存在某种型号滚动轴承带有标签的故障数据稀缺甚至无法获取,导致故障诊断准确率不高甚至无法诊断。针对该问题,提出一种不同型号滚动轴承深层特征迁移的故障诊断方法。该方法首先对不同型号滚动轴承振动信号进行短时傅里叶变换,并构建二维图像数据集,选择某种型号数据作为源域,其他型号数据作为目标域;其次构建领域共享的改进AlexNet深度卷积网络,并引入条件对抗机制,将特征与标签联合分布的优化方法改进为随机线性组合,提取深层特征,实现源域和目标域特征及标签的同时自适应,达到迁移的目的;最后,在训练过程中采用涅斯捷罗夫加速梯度下降优化算法加快梯度收敛,建立不同型号滚动轴承的故障诊断模型。经实验验证,所提方法可实现不同型号滚动轴承正常、不同损伤位置及程度的多状态分类,并获得较高的准确率。     

多通道卷积神经网络和迁移学习的燃气轮机转子故障诊断方法

燃气轮机结构复杂,工况严苛,实际针对运行过程中转子系统故障样本难以获取,样本量少导致故障诊断精度低的问题,提出一种多通道卷积神经网络(multi-channel convolutional neural network, MCCNN)深度迁移学习的燃气轮机转子故障诊断方法。该方法首先以轴承一维原始振动信号为输入,将数据重新排列组合模拟转换二维图像,有效避免实际转换图像的繁琐操作。用西储大学(CWRU)的公开轴承数据和西安交通大学(XJTU)公开轴承数据对MCCNN模型进行训练更新权重并诊断,取得了100%和99.95%的故障分类准确率。以CWRU轴承故障数据集为源域,燃气轮机转子故障数据集为目标域,利用迁移学习将从源域训练得到的模型参数保留,输入目标域数据集进行训练,并对燃气轮机故障数据进行分类,分类准确率达到97.78%,由实验结果可知多通道卷积神经网络和迁移学习适应任务需要,可以在转子系统故障样本量少的情况下解决问题。     

基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法

为了解决滚动轴承一维振动信号中故障特征微弱难以提取和深度学习模型层数加深容易导致梯度消失或梯度爆炸从而引起模型恶化、导致故障诊断准确率低和鲁棒性差的问题,本文提出一种基于EMD-GAF和改进的SERE-DenseNet的滚动轴承故障诊断方法。将滚动轴承一维振动信号通过滚动采样后利用EMD对其进行分解并重构,再使用GAF将重构的一维信号转换为二维图像作为模型输入,模型方面选取DenseNet121为主干,引入了SERE模块,并将2层卷积的Dense Layer改进为3层稀疏的、基数为8的模块;将二维图像作为输入通过该模型进行特征提取和故障分类。采用凯斯西储大学的轴承数据集进行仿真实验,实验结果表明,本文方法能够准确地完成滚动轴承故障诊断,故障诊断最大准确率100%,10次实验平均准确率99.91%,与常见的深度学习模型进行比较,本文方法具有较大的优越性;在信噪比为10 dB的环境下故障诊断准确率为96.48%,本文方法具有较强的鲁棒性。     

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。     

一种变工况下风电机组行星齿轮箱的故障诊断方法

针对现有的大多数深度迁移学习方法只能在目标转速下工作，而且在模型的训练中总是需要目标域样本的问题，研究风电机组行星齿轮箱在变工况下的故障诊断方法，设计了应用于变工况下行星齿轮箱故障诊断的深度残差半监督域泛化网络，将诊断模型推广到未知转速的故障诊断任务中。首先对振动信号进行Fast Kurtogram时频变换，生成图像并构造样本集；其次模拟实际情况，以含标签源域样本集和无标签源域样本集为输入，使用深度残差网络提取深层故障特征，并引入对抗博弈机制和基于伪标签的半监督学习方法对网络进行训练；最后根据训练后的网络搭建了域泛化故障诊断模型，利用行星齿轮箱故障诊断实验进行评估。实验结果表明，所设计的网络可以有效利用定速样本实现对未知转速样本和变速样本的故障识别，对目标域的平均识别率达到95.24%。     

基于多尺度图Transformer的滚动轴承故障诊断

针对传统图神经网络在故障诊断中使用单一尺度进行特征提取且难以在复杂工况下提取信号的弱特征问题,提出了一种基于多尺度图Transformer的滚动轴承故障诊断方法。该方法提出了一种新的图节点多尺度特征聚合模块,扩大特征提取的感受野以增强特征表示;构建了图节点的中心性编码和空间性编码,以获得图结构信息;利用多头自注意力对故障节点进行特征提取和学习,提高方法捕捉重要特征的能力。在凯斯西储大学轴承数据集和滚动轴承实验平台上分别进行实验验证,诊断准确率最高为99.86%,平均准确率也在98%以上。结果表明,提出的多尺度图Transformer网络模型在多种工况下均能准确的进行故障分类。     

基于深度卷积神经网络的轴承故障诊断方法

针对传统浅层轴承故障诊断方法依赖于人工特征提取和诊断专业知识从而缺乏自适应性问题,结合卷积神经网络善于识别二维形状的特点,提出一种基于深度卷积神经网络的故障诊断方法(DCNN)。首先,为充分展现滚动轴承故障特征信息,利用短时傅里叶变换得到滚动轴承振动时间序列的二维时频谱;其次,通过卷积神经网络自适应提取时频谱中不同故障特征;最后,将提取的轴承故障特征利用Softmax分类器输出诊断结果,实现轴承故障诊断。通过实测故障轴承数据对该方法进行验证,结果表明DCNN在多故障、变负载的轴承故障诊断准确率高达99.9%,证明了所提方法具有良好的泛化性能和可行性。     

基于改进降噪自编码器的风机轴承故障诊断方法

滚动轴承是风电机组中故障最为频繁的部件之一,准确有效的轴承故障诊断方法有助于保障风电机组安全稳定运行。针对轴承振动信号特征微弱、难以诊断的问题,提出了一种基于改进降噪自编码器的风电机组轴承故障检测方法。首先引入了一维信号的图像化预处理,将原始的时域信号转化为二维特征灰度图。然后利用卷积神经网络在图像特征提取上的强大优势,构建了堆叠降噪自编码器与卷积神经网络的集成模型,去除了传统卷积神经网络中的池化层,进一步提升提取特征的鲁棒性和泛化性。整体诊断流程由数据驱动,减少了对于经验的依赖。最后的实验结果表明,该方法能够精确诊断不同类型的轴承故障。此外,通过与其他方法的对比实验进一步验证了该方法在故障诊断方面的优越性。     

基于Hilbert边际谱和IPSO-SVDD的滚动轴承故障诊断

滚动轴承是旋转机械状态监控及故障诊断的重要研究内容。为了更加高效的对轴承故障位置及故障程度进行诊断,提出了一种基于Hilbert边际谱和改进粒子群算法(IPSO)优化支持向量数据描述(SVDD)相结合的滚动轴承故障诊断方法。该方法首先求取轴承振动信号的本征模态函数,在此基础上得到信号的边际谱以及信号的AR模型参数,积分求取边际谱的能量特征函数和AR模型参数相结合构成系统特征向量。然后针对传统网格搜索法或凭经验确定SVDD核心参数的缺点,提出利用基于动态因子的粒子群算法对SVDD的核心参数惩罚常数C及核函数宽度σ进行优化,利用优化后的SVDD模型对滚动轴承各状态信号进行智能诊断。人工数据集及真实数据集实验结果表明,该方法可以有效识别各故障状态信号,并且优化后模型的诊断效率及诊断精度高于传统网格搜索法确定的模型。     

异步电动机滚动轴承外滚道故障诊断新方法

目前基于电机电流信号分析(MCSA)的诊断方法无法诊断滚动轴承外滚道轻微故障,在电机空载或轻载运行条件下存在诊断失效的问题,为此提出一种基于定子电流信号中转频多调制分量的异步电动机滚动轴承外滚道故障诊断方法.首先根据转频确定多个转频调制分量;然后在每个转频调制分量附近对定子电流信号做连续细化傅里叶变换分析;并根据正常和...     

运用人工神经网络诊断电机轴承故障

本文运用人工神经网络方法实现对滚动轴承故障的自动分类与诊断。文中给出了神经网络诊断系统的框图，电机滚动轴承振动信号经滤波和包络处理之后，采用ＲＮＮ网络对包络谱数据进行压缩处理，然后利用基于ＢＰ算法的前馈网络实现对轴承故障的自动分类和诊断。实验结果表明，这种诊断方法是行之有效的。     

基于EEMD的声阵列滚动轴承故障诊断

研究针对滚动轴承故障诊断中的类型和位置分析问题,提出了一种基于集合经验模态分解(EEMD)的声阵列滚动轴承故障诊断分析方法。以EEMD分解信号的峭度和能量作为评价指标,提取包含故障信息的IMF分解信号,根据滚动轴承理论故障频率及其倍频分析对分解信号进行窄带滤波后通过Hilbert包络谱实现故障类型判断,通过对窄带滤波后的分解信号使用声阵列技术进行声像分析实现滚动轴承故障定位分析。最后通过试验进行了方法验证,结果表明过使用基于EEMD分解的阵列分析方法,可更为直观确定故障位置和故障类型,有利于有轨机车等多轴承驱动系统轴承故障的快速和实时诊断,对于确定检修、制定合理维修决策、改进维修质量具有十分重要指导意义。