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。     

基于Resnet网络和Attention-GRU门控机制的滚动轴承故障诊断

针对轴承故障诊断中大多现有方法特征提取复杂且诊断方法不是端到端等问题,结合深度学习理论,提出了一种基于Resnet网络(残差网络)和Attention机制(注意力机制)的轴承故障诊断方法。诊断思想是:首先,通过Resnet网络对输入的滚动轴承的一维振动时序信号进行特征提取;其次,将特征提取后的特征图经过Map-to-sequence操作将特征图转换为特征序列送入到Attention机制的GRU(门控循环单元)网络中进行预测;最后,通过分类器将预测后的结果分类输出即可得到诊断结果。实验表明,该模型对各故障类别的诊断率均在98%以上,模型诊断准确率普遍优于其他传统的诊断方法,相较于一些最近流行的基于深度学习轴承故障诊断方法效果也提升显著。     

改进的注意机制在滚动轴承故障诊断中的应用

针对滚动轴承振动信号易受到非平稳噪声的影响,提出一种改进注意力机制的多尺度内核网络(IA-MKNet),以从含噪振动信号中提取更敏感的特性信号。首先提出一种改进的多尺度卷积注意力机制(IAM),自适应提取有意义的故障特征并自动抑制噪声;然后针对振动信号固有的多时间特征,设计基于IAM的自适应多尺度核残差块来捕获振动信号的多时间尺度故障特征;最后提出一种基于自适应集成学习器的组合策略,通过融合多个IA-MKNets的输出来增加特征的多样性,从而进一步提高诊断的准确性和稳定性。实验结果表明：该方法提高了噪声环境下滚动轴承的故障诊断精度,性能优于其他5种基准方法。     

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。     

多尺度代价敏感卷积神经网络的轴承故障诊断

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的实验表明：该方法能有效提升模型在不同不平衡数据集中的分类性能,且具有更强的泛化能力。     

基于EMD和支持向量机的滚动轴承故障诊断研究

为解决在复杂噪声和工频及其倍频干扰条件下滚动轴承故障诊断问题,提高诊断准确率,进行了经验模态分解(EMD)和支持向量机(SVM)的研究,给出了相应的决策流程。基于改进的EMD分解的特征提取算法,选取故障特征明显的IMF分量进行特征提取,最大限度地滤除了低频噪声干扰,捕捉到信号的故障特征,然后将特征集输入到SVM分类器中进行识别,结果表明:该方法对于轴承故障识别具有较高的准确率,为确保轴承安全运行和快速故障诊断提供了理论支持。     

基于卷积降噪自编码器和CNN的滚动轴承故障诊断

针对滚动轴承故障诊断中,振动信号往往具有非线性与非平稳性、且振动信号一般含有噪声的问题,提出一种卷积降噪自编码器和深度卷积网络(CNN)相结合的滚动轴承故障诊断方法。首先将滚动轴承时域信号输入到卷积降噪自编码器中,用无监督方式训练并在原始数据中加入噪声,提取自编码器隐含层数据作为特征实现降噪与降维,接着将提取的特征输入到CNN中进行模式识别。使用时域信号直接输入到CNN、人工特征输入到CNN两种方法作为对比,并对三种方法提取的特征进行主成分分析(PCA)。实验结果表明,基于卷积降噪自编码器和CNN的诊断方法在滚动轴承故障诊断中正确率较高、时间复杂度较低,验证了该方法的优越性。     

基于MCABResnet的二维滚动轴承故障诊断新方法

针对时域信号冗余度大及滚动轴承故障诊断效果和强噪声环境下诊断正确率低和泛化能力差的问题,提出一种新的基于多联合注意力机制和多残差卷积块的多尺度进化故障诊断方法。采用宽、窄核卷积的跃迁块和多联合注意机制对深层卷积进行特征补充,减少特征流失,保证特征图的质量。通过通道和空间注意力权重的分配,为卷积层提供不同的权重参数,进行自适应特征细化。将提出的方法分别在凯斯西储大学轴承数据集和东南大学轴承数据集进行试验验证及分析。结果显示：所提方法的分类正确率超过99.75%,即使在强噪声环境下,分类正确率也超过98.5%;在变工况下,平均分类正确率超过了90%。因此,所提方法具有良好的故障诊断效果、泛化能力和抗噪声性能。     

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明：1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。     

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。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于ECA-ResNet与CEEMDAN能量熵的轴承故障诊断

为解决轴承故障诊断中故障分类模型参数多且泛化性能弱、故障识别率低、识别速度慢的问题,设计一种基于深度学习模型ECA-ResNet、完全噪声辅助聚合经验模态分解与麻雀搜索算法优化的支持向量机(SSA-SVM)的故障诊断方法。通过ECA-ResNet对轴承信号进行建模以提取频域故障特征;将频域特征与CEEMDAN提取的能量熵以及传统信号的时域特征共同构成特征矩阵;通过SSA-SVM进行故障类型识别。结果表明：与传统故障特征提取方式相比,所提出的轴承故障诊断方法能得到良好的诊断效果,轴承故障识别率和分类速度较高。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

基于优化多尺度形态学的滚动轴承失效研究

针对普通多尺度形态学在滚动轴承微弱故障识别时的结构元素尺度优化问题,提出了自适应多尺度形态学的滚动轴承故障诊断方法。首先,以基本形态算子为基础,构建了具有双向脉冲特征提取能力的差分形态算子;为了在结构元素尺度范围定义出敏感于轴承故障的尺度,将以峭度作为其选取依据,并将得到最优尺度下的形态处理结果平均处理来重构故障信号,最终实现故障信号的综合分析和故障特征解调。通过对实际滚动轴承内、外圈故障振动信号的分析,结果表明：优化算法能够提取出强噪声背景下的滚动轴承微弱故障特征;且相比于普通多尺度形态学,该方法所提取的轴承故障特征频率幅值提升近1倍,适合处理弱信噪比的滚动轴承内、外圈故障识别。     

基于CEEMDAN样本熵与SVM的滚动轴承故障诊断

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。     

基于FAMVEMD和改进CYCBD的滚动轴承微弱故障诊断北大核心

针对强噪声滚动轴承故障诊断问题,提出一种基于快速自适应多元经验模态分解(FAMVEMD)和改进循环平稳盲解卷积(CYCBD)的多通道诊断方法。首先,应用FAMVEMD处理多测点故障信号,按照自相关能量-线性峭度准则选取最佳分量、进行信号重构;其次,基于多点峭度和自相关能量改进CYCBD算法,通过重构信号的解卷积处理实现故障特征强化放大;最后,从解卷积信号包络谱中提取故障特征。实验数据分析结果表明,所述方法可准确提取故障特征,实现轴承损伤精确诊断。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于粒子群优化神经网络的滚动轴承剩余寿命预测

为了能在有噪声干扰的复杂环境下提取出滚动轴承振动信号的故障特征,提出了一种基于粒子群优化神经网络的轴承故障特征频率的提取方法。首先对采集的振动信号进行降噪处理;其次,进行特征提取与约简;最后,采用群体智能算法——粒子群算法优化BP神经网络初始权值和阈值,构建二者结合的模型来预测滚动轴承剩余有效寿命,并结合试验平台的实验数据对该模型进行验证。实验结果表明:该方法能够很好的降低提取振动信号时由于噪音产生的影响,滚动轴承剩余的预测更加准确。     

基于SDP图像和MobilenetV2的滚动轴承故障诊断

针对传统滚动轴承故障诊断方法准确率偏低和故障特征难以提取的问题,提出了一种基于SDP图像和MobilenetV2的滚动轴承故障诊断方法。将经去噪处理后的滚动轴承振动信号转化为SDP图像,并输入到MobilenetV2网络中自适应地提取故障特征和分类,诊断出具体的故障类型。试验表明,在适量的训练样本下,所提方法的诊断准确率能达到98.2%。相比于其它传统深度学习方法,所提方法在诊断正确率和稳定性方面具有一定优势。在原始轴承振动信号中加入5 dB的高斯白噪声后,故障识别准确率仍能达到94.4%,证明了所提出诊断方法具有一定的抗噪性能和泛化能力。     

双树复小波算法在滚动轴承故障信号特征提取中的应用

现有滚动轴承故障特征提取算法的性能会随着故障集规模扩大而出现衰减。针对故障信号间存在的干扰和模态混叠等问题,提出一种基于双树复小波的特征提取算法。双树复小波结构包含两个独立的滤波器组,在含噪混合信号的分解和重构中形成互补关系,提升信号采样的平稳性;优化双树复小波滤波器组的结构,降低故障信号平移敏感性,利用门限阈值处理高频小波系数,达到降噪的目的,并基于时间序列样本熵提取子带信号的能量特征。实验结果显示：提出的算法能够准确提取滚动轴承各部分的故障特征信息,算法的在线故障识别率达到99.56%。