基于MSST和双通道CNN技术的变转速轴承故障诊断研究

针对变转速滚动轴承振动信号具有非平稳性特征,且故障特征难以有效提取的问题,提出了一种基于多次同步压缩变换和双通道卷积神经网络的滚动轴承故障智能诊断方法。首先,对变转速工况下滚动轴承的振动信号进行了多次同步压缩变换,获得了能量集中的时频图谱;然后,将其输入到采用不同尺寸的小卷积核双通道CNN中,提取了其故障特征信息,并通过Concatenate机制将其融合;最后,通过SoftMax函数输出轴承的故障识别结果;在一组变转速工况滚动轴承故障实验数据上取得了99%以上的故障识别率,验证了该方法的有效性,并与单通道CNN模型进行了对比。研究结果表明:TCNN的分类精度更高,准确率可达99.67%;该结果证明了改进后的模型具有较好的非线性拟合能力,同时也具有较强的鲁棒性,可有效应用于变转速滚动轴承故障诊断中。     

基于多源信息融合的风电机组轴承故障诊断方法

在风电机组滚动轴承故障诊断中,采用单个传感器所能提供的信息有限,针对这一问题,为了提取输入原始信号的多尺度特征以保证故障信息的有效性和完整性,同时为了提高信息融合的效率及有效性,提出了一种基于多源信息融合注意力机制卷积神经网络(MSIF-ACNN)的风电机组滚动轴承故障诊断方法。首先,提出了一种将普通卷积与空洞卷积相结合的融合卷积方法,对原始时域信号进行了多尺度特征提取;其次,采用双层通道和空间注意力机制方法,对不同通道数据进行了自适应校准与权重分配;对注意力机制输出的多源信息进行了特征融合;最后,为了验证该多源信息融合方法的有效性,采用由全连接层与分类层组成的分类方法,对实际风电机组轴承数据进行了试验验证。试验及研究结果表明：不同位置和方向传感器对不同故障的敏感性存在差异,MSIF-ACNN通过有效地利用这种差异,实现了多源信息特征互补的目的,风电机组滚动轴承故障诊断准确率达到了96.7%,效果优于其他多源信息诊断模型,促进了信息融合在风电机组轴承故障诊断领域的应用。     

鲸鱼算法优化VMD-CNN在滚动轴承故障诊断中的应用

针对滚动轴承工作环境恶劣且采集到的振动信号具有非线性、非平稳性等特征,为了自适应提取故障特征以及提高轴承故障智能诊断准确率,提出基于鲸鱼算法（Whale Optimization Algorithm,WOA）优化变分模态分解（Variational Mode Decomposition,VMD）与卷积神经网络（Convolution Neural Network,CNN）相结合的故障诊断方法。首先,使用鲸鱼优化算法对VMD超参数进行寻优,找到VMD最优的分解层数与惩罚因子,并利用优化后的VMD对轴承原始信号进行分解。其次,用连续小波变换将分解得到的一维本征模态信号转化为相应的二维时频图。最后,将二维时频图作为二维卷积神经网络的输入,并对其输入的时频图进行深层特征提取与模式识别。实验表明,所提出的方法能高效提取故障特征,准确率高达99.78%。     

基于VMD-GST和AMCNN相结合的滚动轴承故障诊断方法

针对传统滚动轴承故障诊断方法故障特征提取困难、诊断准确率低等问题，提出了一种变分模态分解(VMD)、广义S变换(GST)和注意力卷积神经网络(AMCNN)相结合的智能诊断方法。首先，基于VMD算法分解振动信号，以互信息指标筛选真实分量并进行重构，通过GST将重构信号转化为时频图；然后，以得到的二维特征图像为输入，通过AMCNN自适应学习其时频特征；最后，通过分类器输出滚动轴承的故障诊断结果。以NJ208EM圆柱滚子轴承为例进行试验验证，结果表明：VMD-GST方法能有效提取故障特征，AMCNN模型具有更强的特征提取能力和识别能力，平均故障识别准确率达到99.76%,优于其他方法。     

基于MTF-DenseNet的滚动轴承故障诊断

针对滚动轴承振动信号的特征难以提取的问题,提出一种基于MTF-DenseNet的滚动轴承故障诊断方法。利用马尔可夫变迁场(MTF)将滚动轴承的一维时间序列信号进行编程,生成二维图像,从而很好地保留时间序列信号的时间依赖性和频率结构,之后将其输入到密集连接卷积网络(DenseNet)实现故障特征的提取,进而实现故障诊断。采用凯斯西储大学轴承数据集上数据进行实验,实验结果表明,该方法在数据集上的故障分类准确度达到99.35%,故障诊断效果良好。     

基于改进CNN的起重机械滚动轴承故障诊断

针对起重机械中的滚动轴承在高转速、重载荷和强噪声背景下,早期故障特征难以提取及有效识别的问题,提出一种改进卷积神经网络(CNN)的故障诊断方法。该方法首先应用短时傅里叶变换(STFT)将传感器采集到的一维振动信号转换为二维时频图,并将其作为改进卷积神经网络的输入,然后利用卷积神经网络强大的特征提取能力自适应地提取故障特征。最后,通过CNN模型最后一层的Softmax层对提取到的特征进行分类从而实现故障诊断的目的。     

基于拉普拉斯小波滤波和SA-DS-CNN的滚动轴承故障诊断

针对基于深度学习模型的滚动轴承故障诊断方法易受环境噪声干扰的问题,提出了一种基于拉普拉斯小波滤波(LWF)和自注意力机制-动态选择-卷积神经网络(SA-DS-CNN)的滚动轴承故障诊断模型。首先,提出一种拉普拉斯小波阻尼参数自适应选取策略,使用拉普拉斯小波对采集的滚动轴承振动信号进行相关滤波并进行功率谱变换;其次,基于卷积神经网络框架,引入自注意力机制和动态选择机制,构造SA-DS-CNN;最后,利用SA-DS-CNN提取功率谱特征,根据轴承的不同故障状态定位相关特征信息,实现故障特征的提取和诊断。对N205EM圆柱滚子轴承的故障诊断试验表明：LWF降噪效果较好,能为SA-DS-CNN模型提供优秀的训练样本;SA-DS-CNN模型能抑制无用通道信息,增强网络特征学习能力;LWF和SA-DS-CNN组合模型的故障诊断准确率达到99.65%,优于其他组合模型。     

S变换用于滚动轴承故障信号冲击特征提取

为从低信噪比的滚动轴承故障信号中提取出冲击特征,以便于进行轴承故障诊断,引入S变换的信号处理方法。以短时傅里叶变换（short time Fourier transform,简称STFT）以及连续小波变换（continuous wavelet transform,简称CWT）为理论基础,分别推导得出了连续S变换的定义式,并利用快速傅里叶变换（fast Fourier transform,简称FFT）实现S变换离散化计算。S变换克服了STFT时频分辨率固定的缺点,弥补了CWT缺乏相位信息的不足。仿真信号研究表明,S变换在信号整个频带上具有良好的时频分辨率和时频聚集性,能够提取低信噪比信号中的冲击特征,且性能优于STFT和CWT。最后对一组实际的滚动球轴承故障振动信号进行S变换处理,结果表明,S变换能够方便有效地从中提取出周期性的冲击特征,从而指导滚动轴承相关故障的诊断。     

基于小波时频图和CNN的滚动轴承智能故障诊断方法

提出一种基于小波时频图和卷积神经网络(CNN)的滚动轴承智能故障诊断方法。对滚动轴承的振动信号进行连续小波变换(CWT),得到时频图,并以灰度图的形式显示,再将时频图压缩至适当的大小;将压缩后的时频图作为特征图输入,建立CNN分类器模型,以实现滚动轴承的智能故障诊断。基于人工轴承故障数据集进行了实验研究,同时从结构参数和训练参数两方面对网络的性能进行了优化改进。结果表明,该方法能有效识别滚动轴承的故障类型,改进的CNN具有较强的泛化能力、特征提取和识别能力。     

基于Elman神经网络的滚动轴承故障诊断方法

介绍了Elman神经网络的模型及原理,阐述了滚动轴承故障诊断的技术路线;通过轴承故障试验台采集滚动轴承振动信号并提取信号特征数据,利用构建的Elman神经网络,实现了轴承的智能诊断。与传统BP神经网络诊断相比,Elman神经网络综合诊断性能更优。     

基于SPWVD时频图纹理特征的滚动轴承故障诊断

针对如何提高滚动轴承故障诊断准确率的问题,提出一种基于平滑伪维格纳-威利分布(smooth and pseudo Wigner-Ville distribution,简称SPWVD)时频图纹理特征的故障诊断方法,对滚动轴承不同故障类型及故障程度进行识别。首先,采用SPWVD时频分析方法处理轴承故障振动信号,并获取时频图,从中提取选择表征能力优秀的特征参量作为故障特征;其次,将故障特征作为输入,结合支持向量机(support vectors machine,简称SVM)建立滚动轴承故障诊断模型;最后,采用轴承故障数据,比较SPWVD时频图纹理特征、维格纳-威利分布(Wigner-Ville distribution,简称WVD)时频图纹理特征和小波尺度谱图纹理特征3种故障特征的模式识别能力及准确率。分析结果表明,SPWVD时频图纹理故障特征分类效果最佳,敏感性最强,具有较高的故障诊断精度。     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

基于S变换与奇异值中值分解的滚动轴承故障诊断

为了有效地提取出滚动轴承故障信号的冲击特征,提出了一种基于S变换时频谱和奇异值中值分解(SVMD)算法的滚动轴承故障诊断方法。首先,利用S变换对滚动轴承原始振动信号进行了时频变换,得到了其时频系数矩阵,通过SVMD对时频系数矩阵进行了计算,筛选出合适的奇异值用以降噪;然后,通过仿真的方式,对结果进行了S逆变换,以获得信号的时域冲击特征;最后,以滚动轴承(型号N205)外圈、滚动体故障为例,进行了故障信号冲击特征提取实验,通过对轴承的外圈和滚动体故障数据分析处理,对基于ST-SVMD算法的有效性进行了验证。研究结果表明：通过采用基于ST-SVMD算法,得到了滚动轴承外圈的故障频率,该频率与该型号轴承特征频率基本一致;基于ST-SVMD算法,得到了滚动轴承滚动体的故障频率,该频率与该型号轴承特征频率基本一致;该结果证明,基于ST-SVMD算法在滚动轴承故障信号冲击特征的提取方面是有效的。     

基于小波变换和BP神经网络的滚动轴承故障信号诊断

旋转机械中,轴承作为必不可少重要零部件之一,在发生故障时,振动信号比较复杂,相对其它振动信号太弱,传统谱分析技术对滚动轴承的故障的分析不太理想。提出采用小波变换的方法来处理滚动轴承的故障振动信号,通过三层小波分析并提取了轴承故障信号的特征,然后利用提取的特征作为识别模型的输入,利用建立的BP神经网络对轴承故障信号进行诊断检测。实验结果表明该方法实现了对该轴承故障信号的有效分析。     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

滚动轴承故障信号提取方法的研究

滚动轴承的检测与故障诊断中主要应用的是振动分析法。采集轴承的振动信号,利用信号处理方法提取不同工作状态下信号的特征,通过这些特征,采用模式识别方法识别轴承状态,其中信号特征提取和状态识别是关键。本文研究了滚动轴承振动信号特征提取的主要方法。     

S能量分布特征和SVM在齿轮故障诊断中的应用

准确提取振动信号特征,是齿轮故障诊断的关键问题。为此,提出了一种基于S变换能量分布特征和SVM的故障诊断方法。首先对齿轮故障信号进行S变换得到时频矩阵,然后利用该矩阵构建能量分布特征。最后建立SVM齿轮故障识别模型,将对应的特征样本输入到模型中进行训练和识别,以达到对齿轮故障的准确分类。将所提出的方法应用于齿轮故障检测和诊断。通过实际故障实验数据对所提方法进行了验证。结果表明,该方法能够有效地降低噪声的影响,能够准确地识别齿轮故障,具有较高的准确率和使用价值。     

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.     

基于MODWPT和MCKD的滚动轴承早期故障诊断

针对齿轮啮合强振动干扰下滚动轴承微弱故障特征提取难的问题，提出一种最大重叠离散小波包变换(MODWPT)和最大相关峭度解卷积(MCKD)相结合的滚动轴承早期故障诊断方法。首先采用MODWPT方法将复杂的轴承故障振动信号分解为若干分量，然后依据峭度准则，选取峭度较大的分量进行MCKD滤波，最后对滤波后所得信号做Hilbert包络分析，将包络谱呈现的频率特征与理论故障特征频率相比较，识别故障特征，实现故障诊断。通过轴承故障的仿真及实验研究，并对比单一MCKD方法和EMD-MED方法的提取效果，说明该方法可以在一定程度上抑制齿轮啮合强振动及噪声的干扰，增强并有效提取出滚动轴承早期低频微弱故障特征。     

基于S变换和XGBoost算法的进给系统轴承故障诊断方法

为解决生产加工过程中进给系统滚动轴承故障特征难提取、传统分类算法故障识别效率和精度较低的问题,本文提出一种基于S变换-奇异值分解和极端梯度提升(XGBoost)算法的进给系统轴承故障诊断方法。首先对采集的振动信号进行S变换和奇异值分解提取特征;然后利用获取的特征矩阵,建立XGBoost故障识别模型。实验结果表明S变换-奇异值分解方法能够有效捕获滚动轴承故障特征,XGBoost较其他算法在故障识别中具有更高的准确性和辨识效率。