基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

变工况下基于信息融合的地铁牵引电机轴承故障智能诊断

针对传统滚动轴承故障诊断方法过于依赖先验知识和专家经验,以及单一信号对某些故障识别率偏低的问题,提出一种变工况下基于信息融合的地铁牵引电机轴承故障诊断方法.首先搭建滚动轴承试验与多信息采集系统;其次对地铁牵引电机轴承进行缺陷预制并采集轴承试验过程中的声发射和振动信号;然后用小波包分解对原始信号进行处理并提取特征,再用卷积神经网络对归一化后的特征信息进行融合;最后建立二维卷积神经网络模型,对不同工况下的地铁牵引电机轴承故障进行智能诊断.试验结果表明:变工况下基于信息融合的地铁牵引电机轴承故障智能诊断方法,可在载荷和转速变化的情况下准确识别轴承的故障类型,当神经网络训练集与测试集涵盖工况相同时,准确度可达100％.     

负载不平衡下小样本数据的轴承故障诊断

针对轴承振动信号易受负载不平衡干扰以及轴承故障样本量少的问题,提出了一种基于梯度惩罚Wasserstein距离生成对抗网络（WGAN-GP）和自注意力卷积神经网络（SeCNN）的轴承故障诊断方法。对轴承振动信号进行短时傅里叶变换,得到易于WGAN-GP处理的时频谱样本,分为训练集、验证集、测试集;将训练集输入到WGAN-GP中进行对抗训练,生成与训练样本分布相似的新样本,并添加到训练集中以扩充训练集;将扩充后的训练集输入到SeCNN中进行学习,并将训练好的模型应用于测试集,输出故障识别结果。对CUT-2平台负载不平衡轴承数据集进行分析,实验结果表明,所提方法能够准确有效地对轴承故障进行分类。     

一种基于冲击信号聚类分析的轴承故障诊断方法

为了对旋转机械内轴承的运行状态进行故障监测和诊断,在对振动冲击信号进行分段截取的基础上,提出了基于分段信号时、频域特征提取结合模糊K聚类的滚动轴承故障诊断方法,并将该方法应用于NU205轴承故障诊断中。     

小波包和模糊熵特征融合的轴承故障诊断

进行轴承多种类型裂纹故障诊断时,为解决单一特征量诊断效率低的问题,提出了基于信号小波包分解的精细时频域分析和模糊熵的特征融合方法。首先对轴承振动信号进行小波包4层分解重构,确定小波包系数模糊熵和频带能量,精细提取振动信号的高低频故障信息特征;然后基于权重指标对模糊熵和频带能量进行融合,构造多种故障状态下轴承信号的特征向量;最后选择适合小样本分类的支持向量机对轴承裂纹故障进行诊断。试验数据处理结果表明,轴承不同裂纹故障状态下,融合特征的方法诊断效率更高,相较于单一特征量识别准确率提高5.0%以上,对10种裂纹故障诊断正确率达到98.0%。     

基于小波包分解和K最近邻算法的轴承故障诊断方法

轴承振动信号具有不平稳和不规则性,难以通过振动信号分析直接进行故障诊断,提出一种基于小波包分解和K最近邻算法的轴承故障诊断方法。首先利用小波包分解轴承原始振动信号,接着对分解得到的频带信号计算样本熵值,将其构建特征向量,最后利用K最近邻算法进行轴承故障诊断。并采用美国CWRU轴承数据集进行仿真实验,故障诊断效果良好,准确率为95%。     

基于残差网络的RV减速器故障诊断

为了提升对RV减速器的故障诊断的准确率,采用残差网络诊断RV减速器的故障。通过振动试验台测得RV减速器4种故障模式与正常模式下的振动信号,由此构造训练和测试数据集,并对训练集进行数据增强处理。然后将截取的一维信号样本预处理转换为二维信号样本,输入残差网络进行训练和5折交叉验证。接着通过残差网络的分类准确率与DNN、LeNet、10层CNN等模型的准确率进行比较,结果表明残差网络优于传统方法,对RV减速器故障的分类准确率达到了98.11%。进一步采用了西储大学轴承数据集对模型的泛用性进行验证。最终,通过LDA(线性判别分析)对残差网络平均池化层的输出进行降维,分析了散点图与RV减速器故障类型之间的关系。     

风力发电机组发电机前轴承故障预警及辨识* .txt

摘要：为实现风电机组发电机前轴承故障预警及辨识,将监控和数据采集系统(SCADA)时间序列数据和状态监测系统振动数据相结合,提出了一种时频域建模方法。首先,利用SCADA数据建立基于门控循环单元神经网络的发电机前轴承温度模型,并计算其温度残差特征;其次,提取发电机前轴承振动信号时域特征和频域特征;最后,将温度残差特征和振动信号时频域特征相融合,建立基于极限梯度提升的前轴承故障辨识模型,从而辨识发电机前轴承正常、内圈损伤、外圈损伤、轴不平衡、滚动体损伤5类情况。实验研究表明,该方法比单独利用振动信号特征开展前轴承故障预警辨识的准确率高,其正常、内圈损伤、外圈损伤的平均辨识准确率从87%、585%、65%,分别提升到885%、675%和74%。 .txt     

基于信息融合的滚动轴承故障诊断

针对传统的单一传感器检测准确率不高,诊断系统不稳定等问题,将振动和声发射2种检测方法进行融合。首先对采集到的2种信号进行小波降噪及Hilbert解调,得到故障信号的频域包络谱,计算其频段能量值并组成特征向量;然后利用BP神经网络建立多传感器的信息融合系统,选取合适的样本输入网络进行训练,直至达到所要求的误差范围;最后实现对样本轴承的故障诊断,达到了相对较高的诊断正确率。     

风力发电机组发电机前轴承故障预警及辨识

为实现风电机组发电机前轴承故障预警及辨识,将监控和数据采集系统(SCADA)时间序列数据和状态监测系统振动数据相结合,提出了一种时频域建模方法。首先,利用SCADA数据建立基于门控循环单元神经网络的发电机前轴承温度模型,并计算其温度残差特征;其次,提取发电机前轴承振动信号时域特征和频域特征;最后,将温度残差特征和振动信号时频域特征相融合,建立基于极限梯度提升的前轴承故障辨识模型,从而辨识发电机前轴承正常、内圈损伤、外圈损伤、轴不平衡、滚动体损伤5类情况。实验研究表明,该方法比单独利用振动信号特征开展前轴承故障预警辨识的准确率高,其正常、内圈损伤、外圈损伤的平均辨识准确率从87%、58.5%、65%,分别提升到88.5%、67.5%和74%。     

基于Morlet小波与CART决策树的滚动轴承故障诊断方法

针对滚动轴承故障诊断过程中样本处理、故障识别等技术问题,提出一种基于Morlet小波和分类回归树(Classification and Regression Tree, CART)的滚动轴承故障诊断方法。首先,利用Morlet小波分析方法和移动窗方法对轴承振动信号进行样本处理。其次,对提取的短样本进行变分模态分解与特征提取,完成训练集和测试集的构建。然后,使用训练集训练CART决策树分类模型,同时引入随机搜索和K折交叉验证用于模型关键参数优化,以获取理想的轴承故障分类模型。测试集验证结果表明,该方法不但能实现多种轴承故障的有效诊断、在含噪测试集中表现良好,而且单个样本的数据长度和采样时长的缩短效果明显。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

利用小波包和SVDD的分拣机轴承故障诊断

针对邮政分拣机供包台轴承故障识别精度较低问题,展开一种基于小波包结合支持向量数据描述的振动故障辨识研究。运用小波变换对检测的振动信号进行降噪,再利用统计分析、共振解调和小波包技术从预处理后的信号中提取故障特征频率和小波包能量等时、频域特征作为输入向量。通过核参数优化选取和正常类样本集训练学习,建立描述轴承正常工作状态的最小特征超球体作为预测模型并带入轴承试验台中。试验结果表明,该方法的正确识别率可以达到98%以上。     

基于多层降噪技术及改进卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题,提出了一种基于多层降噪技术及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承故障诊断新方法.首先,对滚动轴承的一维振动信号进行预处理,得到标签化的数据样本,分为训练集和测试集;然后采用奇异值分解(Singular value decomposition,SVD)处理训练样本,通过二分之均值法选择有效奇异值个数,获得原始降噪信号和带噪信号;为了避免丢失微弱故障细节特征,将带噪信号经过SVD进一步去噪消除模态混叠并输入经验模态分解(Empirical mode decomposition,EMD)得到内禀模态函数,根据方差贡献率大小选出IMF分量并与原始降噪信号叠加得到最终信号;将处理后的训练集数据输入到引入注意力机制(Attention mechanism,AM)的ICNN中进行学习;最后将得到的诊断模型应用于测试集,输出故障类别诊断结果.通过滚动轴承故障诊断模拟试验,在强噪声环境下进行测试,结果表明所提方法能更准确的在强噪声环境中实现轴承的故障诊断.     

卷积神经网络在轴承故障识别的应用

针对传统故障诊断方法在轴承故障诊断识别率低、人为干预多等问题,提出一种基于卷积神经网络的故障识别方法。通过对轴承各类故障信号进行数据处理,提取出故障信号的特征,构建故障类型数据集,建立卷积神经网络图像识别模型,将故障数据集送入模型训练获得较优识别模型,最后将待识别故障信号特征图送入模型进行故障类型识别。经实验验证,该方法满足多类轴承故障识别的要求,具有较高的故障识别率。该方法无需人为参与,只需将待测信号进行数据处理送入模型进行识别,符合智能故障诊断的发展趋势,在机械故障领域具有一定的应用价值。     

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法。该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率。利用6种轴承状态对所提方法的分类效果进行了测试。实验结果表明,所提方法能直接利用振动信号,在较小训练与测试样本比的情况下实现故障诊断,当训练样本为90,测试样本为810(训练与测试样本比为1:9)时,驱动端故障诊断的正确率为99.6%;当训练样本为270,测试样本为630(训练与测试样本比为3:7)时,风机端故障的正确率为97.3%。     

基于RLMD和Kmeans++的轴承故障诊断方法

为了提升轴承故障诊断性能,提出了一种基于鲁棒局部均值分解(RLMD)和Kmeans++的轴承故障诊断方法.利用RLMD方法对轴承振动信号进行分解,得到乘积函数(PF),根据PF分量与原始振动信号的相关程度选择敏感PF分量,叠加敏感PF分量构成重构信号;通过计算原始振动信号和重构信号的时域、频域统计特征形成轴承故障特征集;利用线性判别分析(LDA)提取轴承故障的Fisher特征;通过Kmeans++聚类的方法对故障特征进行聚类,得到各工况轴承的聚类中心;通过计算测试样本与聚类中心之间的汉明贴近度来实现轴承故障诊断.利用含有不同信噪比的仿真轴承故障数据和Paderborn大学轴承数据中心的轴承故障数据评价所提出方法的有效性.结果表明,该方法即使在样本数较少的情况下也能够准确地识别出不同类别和级别的轴承故障.