基于改进Laplace小波和改进卷积神经网络的压裂车动力端轴承故障识别

在强背景噪声工况下,压裂车动力端轴承振动信号故障特征较微弱,导致轴承故障诊断的准确率较低。针对这一问题,提出了一种基于改进Laplace小波(ELW)和改进卷积神经网络(ECNN)的压裂车动力端轴承故障识别方法。首先,采用了一种Laplace小波振荡频率参数选取策略,使Laplace小波搜寻到了最佳频率参数;然后,采用改进Laplace小波,对采集到的压裂车动力端轴承故障振动信号进行了降噪处理,并在卷积神经网络(CNN)的基础上引入了自注意力机制和编码器、解码器结构,设计出了改进卷积神经网络(ECNN)模型;最后,将压裂车动力端轴承降噪后的信号输入改进卷积神经网络,进行了自动特征提取和故障识别;为了验证该方法的有效性和先进性,将其与其他方法(模型)进行了对比分析。研究结果表明：采用基于改进Laplace小波与和改进卷积神经网络的方法(模型),对压裂车动力端轴承故障进行识别的准确率可高达99.67%,单个样本的测试时间仅为0.14 s;在识别准确率、召回率、F1得分和统计检验等方面,与其他方法(模型)相比,基于改进Laplace小波与改进卷积神经网络的组合模型具有更为优秀的故障识别性能。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法

传统卷积神经网络模型采用单一类型卷积核，面对复杂工况下的实际数据时存在特征提取不充分，故障识别率低等问题，因此提出了一种基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法(MCK-CNN)。首先，将轴承一维振动信号经过小波变换转换为二维时频图，将时频图经过一个共同的特征提取网络初步进行特征提取后并行经过一个常规的Convolution和Involution卷积网络；然后，经过2个由不同卷积核构成的网络进行不同方式的特征提取并通过CBAM注意力模块将两类特征自适应地融合；最后，将融合特征输入全连接层并通过Softmax函数输出分类结果。CWRU和实验室轴承数据集的试验结果表明，MCK-CNN模型的训练效率和故障识别率均较高。     

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。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

基于注意力机制的滚动轴承故障诊断方法

针对传统故障诊断方法无法自适应选择特征以及难以应对负载变动、噪声干扰的问题，提出一种基于注意力机制的端对端故障诊断方法，通过卷积神经网络(CNN)对原始振动信号进行空间特征提取，基于双向长短时记忆网络(BiLSTM)提取时序特征，利用注意力机制判断BiLSTM各时刻隐藏层状态的重要性并赋予相应的权重，对所有时刻的隐藏层状态进行加权求和，并以Softmax层作为分类器进行故障诊断。利用VALENIAN-PT500实验台采集的数据和公开数据进行实验验证，结果表明，所提方法诊断精度高、泛化性强，在变负载和噪声干扰条件下能保持良好的故障诊断性能。     

基于卷积神经网络的采煤机截割部减速器故障诊断研究

在对采煤机截割部的减速器进行故障诊断过程中,存在故障特征提取困难及诊断模型泛化能力弱的问题,针对这一问题,提出了一种基于卷积神经网络的减速器故障诊断方法。首先,通过快速Kurtogram算法提取了变工况下减速器齿轮的健康、疲劳点蚀、轻度磨损、重度磨损、齿面裂痕、断齿几种振动谱峭度;然后,对谱峭度作像素归一化后进行了灰度处理,将结果输入到构建好的结构层数为2层卷积-池化层的卷积神经网络,采用自适应学习对模型进行了训练,并将最后全连接层的输出结果作为故障特征;最后,结合某减速器的结构原理搭建了故障诊断实验台,采用Tensor Flow平台对所提模型进行了编程,对模型的识别率和特征可视化结果进行了评估。研究结果表明:该方法对减速器的故障识别率在99%以上,解决了传统方法中特征提取繁琐和不同故障特征间的耦合问题,为采煤机截割部减速箱的故障智能诊断提供了新的思路。     

多工况直升机附件齿轮箱振动故障诊断

针对直升机附件齿轮箱在有限多工况条件下故障特征提取难度大、识别准确率低等问题,提出一种结合变分模态分解（variationalmodedecomposition,简称VMD）与多尺度卷积神经网络（multi-scaleconvolutionalneural netwo,简称MCNN）的故障诊断方法。首先,对直升机附件齿轮箱进行地面实验和信号采集,对原始信号进行滤波、降噪等预处理;其次,利用VMD将信号分解为若干个固有模态（intrinsic mode functions,简称IMF）,依据齿轮副频率特性对分解模态进行重构与归一化,增强微弱的高频故障特征;最后,将重构信号的每个分量视作不同尺度,经多尺度卷积神经网络进行多尺度特征提取并融合,由指数归一化分类器给出识别的故障类别。实验结果表明,所提方法能够有效增强信号故障特征,挖掘多工况条件下信号的差异性与同一性,在直升机附件齿轮箱振动故障诊断中平均准确率为97.25%。     

基于小波时频图和卷积神经网络的行星齿轮箱故障诊断方法

针对行星齿轮箱故障诊断中故障类型难以区分的问题,提出了一种基于小波时频图和卷积神经网络相结合的行星齿轮箱故障诊断方法。首先,对原始信号进行连续小波变换,获取小波时频图;然后,对小波时频图进行统一处理和压缩,将处理好的小波时频图输入到卷积神经网络中进行分类识别,通过调整小波基函数和卷积神经网络参数,最终得到一个较为理想的诊断模型。试验证明,在训练集数据和测试集数据转速不同的情况下,该方法与BP神经网络相比,在诊断准确率和鲁棒性方面都有提升。该方法的研究为行星齿轮箱的故障诊断提供了参考。     

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。     

CNN和D-S证据理论相结合的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断问题,将深度卷积模型(CNN)和D-S证据理论相结合,对多传感器信息进行融合。首先,利用深度卷积模型对多个传感器信息进行自适应特征提取,经softmax进行初步分类。其次,将深度卷积模型的输出结果作为D-S证据理论的输入,计算出基本概率分配,根据Dempster合成法则进行决策融合。为验证此方法对齿轮箱复合故障诊断的有效性,使用BP神经网络与D-S证据理论模型作为对比,并对自适应提取的特征与人工特征进行了主成分分析(PCA)。实验结果表明,利用该方法对齿轮箱复合故障进行实验诊断,准确率达到84.58%。相比单一传感器,正确率提高了7.91%;相比BP神经网络与D-S证据理论模型,正确率提高了6.18%,验证了此方法的有效性。     

基于自适应最大相关峭度解卷积和频率切片小波变换的齿轮故障特征提取

针对最大相关峭度解卷积(MCKD)降噪效果受滤波器阶数影响的问题,提出了自适应MCKD方法。针对频率切片小波变换(FSWT)在强背景噪声中提取冲击故障特征的不足,提出了自适应MCKD和FSWT相结合的齿轮故障特征提取方法。首先用自适应MCKD对噪声齿轮信号进行降噪处理,然后对降噪后的信号进行频率切片小波变换和故障特征提取。齿轮故障诊断实例的分析结果验证了该方法的有效性。     

改进抗干扰CNN的变负载滚动轴承损伤程度识别

针对强噪声、变负载工况下滚动轴承损伤程度难以识别的问题,提出了一种基于改进抗干扰卷积神经网络(anti-interference convolutional neural network,简称ACNN)的变负载工况下轴承损伤程度识别新方法。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;其次,将注意力机制引入到卷积神经网络的各个特征提取层中以建立特征提取通道之间的联系,得到基于改进ACNN的变负载工况下轴承损伤程度识别模型;然后,将训练集数据输入到改进ACNN中进行学习,将得到的识别模型应用于测试集,输出损伤程度识别结果,在训练过程中,为了提高模型的抗干扰能力,将Dropout算法引入到卷积层,为抑制过拟合,对原始训练样本进行加噪处理;最后,通过滚动轴承损伤程度模拟试验,在变工况下进行测试。结果表明,在噪声环境中所提方法能更准确地实现变负载工况下的轴承损伤程度识别。     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

基于改进卷积神经网络的行星齿轮箱故障诊断研究

行星齿轮箱作为机械设备的重要传动部件,其运行的好坏直接影响到整个设备的运行状况。通过引入批量归一化层和丢弃层对卷积神经网络模型进行改进,提出了基于改进卷积神经网络的齿轮箱故障诊断模型。搭建齿轮箱实验平台,使用该模型对齿轮箱的振动信号进行故障识别。实验结果表明:该模型能够有效地对齿轮箱不同的故障类型进行识别分类,分类准确率达到了99.2%。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于自适应小波降噪和Inception网络的齿轮箱故障诊断

齿轮箱是传动系统中的重要部件,其故障率发生较高且难以直接识别故障情况。针对齿轮箱故障振动信号常含有大量噪声以及难以提取出准确、全面的故障特征的问题,提出一种基于自适应小波降噪和Inception网络的齿轮箱故障诊断方法。首先对采集的振动信号进行自适应小波降噪,然后将降噪后的信号输入Inception网络进行故障特征提取与分类。Inception模块具有多尺度抽象特征提取性能,能够从信号中提取全面的故障特征信息,包括齿轮箱微弱故障信号。研究表明该方法在信噪比SNR为-4 dB的环境下故障识别准确率仍达到92.65%,并且在-4 dB的环境下经过降噪处理的信号再输入Inception网络进行故障识别比直接将信号输入Inception网络进行故障识别准确率高6%。因此利用本研究提出的方法,对齿轮箱进行实时监测,及时发现安全隐患,对保证齿轮箱稳定运行防止财产损失具有重大意义。     

基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。     

小波-神经网络在齿轮故障诊断中的应用

基于齿轮箱故障齿轮的特征提取,提出了将小波包分析与神经网络结合的齿轮故障诊断方法.对齿轮信号进行3层小波包分解,构造小波包特征向量作为故障样本.用训练好的BP神经网络进行故障诊断,实验结果表明该方法能够有效地诊断出齿轮的故障类型.