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。     

多尺度加权CEEMD-1DCNN旋转机械故障诊断

旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解（CEEMD）克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络（1DCNN）故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数（IMFs）,然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障诊断准确率和鲁棒性。     

基于深度卷积神经网络的滚动轴承迁移故障诊断北大核心

针对滚动轴承故障诊断中故障样本不足、诊断精度与诊断效率不高的问题,提出一种基于深度卷积神经网络的滚动轴承迁移故障诊断方法。首先,通过VMD对原始振动信号进行分解,利用中心频率法确定分解个数k;其次,按照最大峭度准则筛选出最佳固有模态函数(intrinsic mode function, IMF),并对其进行连续小波变换(continuous wavelet transform, CWT)生成时频图;最后,将预处理过的时频图输入到在ImageNet数据集预训练过的深度残差网络(residual network, ResNet)模型中微调,实现故障分类识别。在某大学公开轴承数据集和题课组数据集上验证,测试精度分别达到99.60%和100%,可有效实现滚动轴承故障诊断。     

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。     

包络—小波分析法用于滚动轴承故障诊断的研究

根据现有的小波理论和滚动轴承的振动特征，提出用傅里叶分析与小波分析相结合的包络－小波分析法，研究了其基本原理和在滚动轴承故障诊断中的实际应用，并给出了诊断实例。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于小波神经网络的滚动轴承故障诊断

根据滚动轴承振动信号的频域变化特征,采用小波包分析对其建立频域能量特征向量,利用径向基函数神经网络完成滚动轴承故障状态的识别.理论和试验证明了该方法的有效性和实用性.     

基于深度卷积神经网络的轴承多故障诊断研究

针对现有研究轴承单一故障较多而研究复杂多故障较少的不足,结合卷积神经网络自动提取特征的特性,文章提出较为先进的无需人工提取故障特征的端到端深度卷积神经网络方法进行轴承多故障诊断。与基于人工提取故障特征的神经网络故障诊断方法相比较,该方法提高了轴承多故障诊断的精度,并有效区分故障发生位置,可为工业应用提供可靠的理论实验依据。     

基于Blending多卷积神经网络模型融合的滚动轴承声学故障诊断方法

针对滚动轴承故障诊断中单一网络模型的不确定问题,并考虑到声信号非接触式测量的优势,提出一种多卷积神经网络(CNN)模型融合的滚动轴承声学故障诊断方法,采用多通道传声器信号对每一个CNN进行训练,然后采用Blending模型融合方法将多CNN模型进行融合,实现更精确、更可靠的故障诊断.通过半消声室内滚动轴承实验台的传声器...     

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。     

基于堆栈稀疏自编码器的滚动轴承故障诊断

针对提取有效滚动轴承特征和消除特征之间的冗余,提出一种基于堆栈稀疏自编码器和Softmax层构建的深度神经网络(DNN)用于轴承故障诊断。首先从振动信号提取12个统计特征和6个时频域特征,然后将获得的特征用于构建18维特征向量;高维特征向量通过堆栈稀疏自编码器逐层贪婪学习获得无冗余的高级特征;最后将高级特征输入Softmax分类层进行轴承故障诊断。实验结果表明:相比于传统BP和SVM分类器,DNN能更准确地识别滚动轴承故障类型。     

基于深度学习与电子听诊器的轴承故障诊断

针对滚动轴承故障诊断,受启发于传统人工听诊的做法,以及利用传统机器学习方法提取故障特征过度依赖人工、诊断正确率低等问题,提出一种基于深度学习与电子听诊器相结合的滚动轴承故障诊断方法。该方法利用电子听诊器获取轴承不同健康状态下运行的声音信号,以轴承转动周期为数据样本长度,采用重采样数据集增强方法提高模型的泛化性。搭建基于TensorFlow的一维卷积神经网络深度学习模型进行实验验证,并利用t-SNE对分类过程进行可视化,诊断正确率达到99%。     

基于风驱动优化BP神经网络的滚动轴承故障诊断

提出一种基于风驱动优化BP神经网络的滚动轴承故障诊断方法。把BP神经网络权值和阈值作为优化参数,利用风驱动算法对其进行优化,提高了神经网络的训练效率和准确率。对滚动轴承的振动信号进行处理,提取其时域特征、频域特征、FFT谱特征、功率谱特征、小波包络谱特征作为轴承的故障特征。经测试,优化算法的诊断结果正确,减小了BP网络的训练误差和测试误差,验证了风驱动优化BP神经网络用于滚动轴承故障诊断的有效性和实用性。     

基于广义S变换的滚动轴承故障诊断方法研究

鉴于广义S变换继承了短时Fourier变换、小波变换和标准S变换的所有优点,同时也弥补了它们存在的不足,具有良好的自适应的独特特性,提出了一种基于广义S变换的滚动轴承故障诊断方法,并与传统的短时Fourier变换、Wgner-Ville分布、小波变换、标准S变换等时频分析方法进行了对比分析。仿真研究表明,广义S变换具有明显的优势,能灵活地通过调节参数来自适应地调节窗函数的宽度,以便达到最佳的时频分辨率。最后,滚动轴承故障实验研究进一步验证了提出的方法的有效性。提出的方法能有效地反映不同轴承故障的特征频率,为滚动轴承故障诊断提供了一种有效的方法。     

基于EEMD-FSK的滚动轴承故障诊断

为了解决轴承故障特征提取中经验模态分解(EMD)出现的模态混叠现象,提出一种集合经验模态分解(EEMD)、快速谱峭度选频和共振解调技术相结合的滚动轴承故障诊断方法。对原始振动信号进行EEMD处理,分解为多个本征模态函数(IMF);将符合峭度准则的IMF分量筛选出来,对其进行信号重构,对重构信号进行快速谱峭度计算得出快速谱峭度图,从图中选出最优频带中心和带宽,确定FIR带通滤波器设计参数;最后通过共振解调技术对滤波信号进行包络分析,得出包络谱确定滚动轴承故障特征信息。通过滚动轴承实验分析,验证了此方法的可行性。     

基于马尔可夫模型的滚动轴承声发射故障诊断研究

滚动轴承是转动机械的主要零部件,容易发生各种故障,这些故障会带来一系列安全隐患,并造成一定的经济损失。因此工业生产中滚动轴承故障诊断研究非常重要,具有巨大的用途。以滚动轴承为研究对象,建立滚动轴承声发射实验平台,采集不同缺陷、不同转速滚动轴承声发射信号,根据HMM理论和算法对声发射信号进行数据处理。首先应用MATLAB软件提取数据,进行分帧处理,进而提取特征向量,得出似然概率。将不同缺陷滚动轴承似然概率进行数据拟合,得到似然概率和转速拟合公式。对二种转速不同、已知缺陷滚动轴承声发射信号进行测试,并对某种缺陷滚动轴承声发射信号进行诊断。结果表明,HMM可以有效地对滚动轴承故障进行诊断。     

基于BP神经网络和D-S证据理论的滚动轴承故障诊断方法研究

针对单一传感器对滚动轴承故障信息的识别具有不确定性的缺陷,提出了基于BP神经网络与D?S证据理论的多传感器信息融合的方法。将BP神经网络的输出结果进行归一化处理作为各焦元的基本概率分配,轴承的5种故障类型作为系统的识别框架,根据Dempster合成法则进行决策级融合。试验结果表明,利用该方法对轴承的内圈磨损、外圈磨损、滚珠磨损等故障进行试验诊断,提高了故障诊断的准确率,验证了该方法的可行性。     

基于小波变换的信号奇异性检测在滚动轴承故障诊断中的应用研究

在论述了基于小波变换模极大值的信号奇异性检测原理和方法的基础上，将其用于滚动轴承的故障诊断，准确定位故障信号的发生位置，并建立起表征信号奇异性的Lipschitz指数与轴承故障严重程度之间的关系。该诊断方法有着很高的工程应用价值。     

基于改进ACCUGRAM的滚动轴承故障诊断方法

滚动轴承故障信号的特征容易被强噪声淹没,难以提取信号中的冲击成分。针对这一问题,提出多点最优调整的最小熵解卷积（MOMEDA）优化的ACCUGRAM算法,并应用于滚动轴承故障诊断。首先利用MED算法对原始信号进行滤波预处理,突显信号中的有效循环冲击成分,提高MOMEDA优化ACCUGRAM算法中频带选择的分类精度,选择最佳的带宽和中心频率,最后对获得包含信息量最大的频带进行故障特征频率的提取和轴承的故障诊断。仿真和试验数据分析结果表明：该方法能够有效提取信号中的周期性冲击特征,具有一定的实用性。