基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明：DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了...     

基于强制特征适配的卷积抗噪模型的滚动轴承故障诊断

针对滚动轴承在噪声背景下的故障诊断研究不足的问题,提出一种基于卷积-注意力机制-强制特征适配(AMCNN-MFA)模型。卷积网络用于对振动信号进行高层特征提取,网络首尾加入通道注意力机制(CAM)用于动态分配特征通道的权重,过滤部分无效信息以减小干扰;强制特征适配(MFA)用于将原始样本和噪声样本中相同故障标签的特征进行领域重合,获取不变特征,实现了模型的适应噪声环境的能力。在不同轴承数据集中添加-10～10 dB噪声的测试集的试验结果表明：AMCNN-MFA模型的平均故障分类准确率高于96%且波动不超过0.4%,优于其他抗噪模型,具备较好的分类性能和鲁棒性,能够应对复杂噪声干扰场景下的滚动轴承故障诊断。     

基于CNN-BiLSTM的滚动轴承变工况故障诊断方法

针对变工况和噪声背景下滚动轴承故障难以诊断的问题,提出一种将注意力机制、DropConnect和Dropout混合加入到卷积神经网络?双向长短时记忆网络（convolutional neural network?bidirectional long short?term memory,简称CNN-BiLSTM）模型的滚动轴承故障诊断方法。首先,将滚动轴承不同工况下的各类故障状态的原始振动信号进行预处理,构建标签化的训练数据集和测试数据集;其次,把注意力机制引入到BiLSTM中提取更加重要的深层故障特征,同时将DropConnect和Dropout混合使用分别抑制CNN和BiLSTM网络在训练过程中的过拟合问题,从而得到改进的CNN?BiLSTM模型;然后,将处理后的标签化数据集输入改进的模型中训练;最后,利用Softmax分类器进行故障类别诊断。通过选取不同数据集验证,证明该方法均有较好的泛化性和抗噪能力。     

噪声标签下注意力特征混合的旋转机械故障诊断

实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能 降低,故提出注意力特征混合的旋转机械故障诊断方法。 首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随 机分组和特征交互构建正确标签样本组、部分噪声标签样本组和噪声标签样本组;其次,引入注意力机制计算各样本组内样 本相关性对各组样本分配权值,得到能区分部分噪声样本组中噪声标签样本的差异性权值;然后,根据权值对每组样本进行 混合(Mixup) ,通过对噪声标签样本插值并在反向传播中更新注意力层参数降低噪声标签样本所占比例;最后,利用在线标 签平滑(OLS)统计模型预测信息更新软标签,通过降低噪声标签样本对模型损失更新的影响,进一步抑制噪声标签样本组的 负面影响。 在不同程度的噪声标签干扰下的旋转机械故障数据集上进行实验验证,检测精度均达到 95% 以上,证明了所提 方法的有效性。     

基于监督对比学习和混合注意力残差网络的隔膜泵单向阀故障诊断

由于工业生产环境中的强噪声和其他环境激励,隔膜泵单向阀不同故障的特征呈现一定的相似性,导致传统深度学习方法对单向阀的故障状态难以准确识别。为解决这一问题,提出了一种结合监督对比学习和混合注意力残差神经网络(HA-ResNet)的隔膜泵单向阀故障诊断方法。首先,将注意力机制引入了残差神经网络以提升网络的学习能力,自适应调节了重要但微弱特征权重,并以恒等变换减少了有效信息被抑制现象;其次,提出了加权“监督对比损失(SCL)+交叉熵(CE)损失”,调节单向阀不同故障状态数据之间的距离,明确了单向阀不同故障状态的分类边界与降低噪声或环境激励的干扰;最后,通过工程实测数据,对监督对比学习和HA-ResNet融合方法的有效性和稳定性进行了验证。研究结果表明：监督对比学习和HA-ResNet融合方法在隔膜泵单向阀验证集上的平均准确率达到了99.3%;与其他故障诊断方法相比,其在诊断精度和稳定性上都具有一定的优势,验证了该方法在噪声干扰条件下故障诊断的可靠性。     

基于Bi-LSTM和自注意力机制的旋转机械故障诊断方法研究

旋转机械因其特殊的功能要求,通常工作在恶劣的环境中,振动信号易受外界干扰。基于传统信号处理方法的故障诊断技术越来越不能满足故障诊断精度的需要,因此,利用大数据和人工智能技术进行旋转机械故障诊断成为目前的主要研究方向之一。针对以上问题,提出一种基于双向长短时记忆网络（Bi-LSTM）和自注意力机制的旋转机械故障诊断方法。首先,利用转子实验台模拟旋转机械的各种运行状态,采集旋转机械在各种运行状态下的振动信号;然后,将振动信号输入Bi-LSTM网络,自注意力机制将Bi-LSTM各时间步的输出进行加权求和,获得振动信号的深层特征表示;最后,通过全连接层和Softmax层输出旋转机械各种运行状态的预测概率。实验结果表明：本文提出的方法能够有效地实现旋转机械的故障诊断,与其他方法相比,模型的训练稳定性、收敛速度和故障识别准确率均得到提高。     

基于多注意力 Faster RCNN 的噪声干扰下 印刷电路板缺陷检测

针对工业环境中噪声干扰导致的印刷电路板缺陷检测困难的问题,提出基于多注意力 Faster RCNN 的印刷电路板缺陷检 测方法,分别于特征提取以及特征融合部分引入注意力机制以获得具有抗干扰能力的特征表示,提升检测效果。 首先使用分离注 意力网络提取缺陷特征,使网络自动关注到缺陷特征,以降低噪声干扰的影响;其次,使用平衡特征金字塔融合不同分辨率特征, 利用非局部注意力机制对融合特征进行全局感受野内不同区域特征的加权,增强其缺陷表征能力并进一步抑制噪声干扰;最后, 依据所获得的特征表示,利用区域建议网络生成缺陷候选框并利用全连接层对其进行位置以及类别的确定以得到检测结果。 在 不同程度噪声干扰下的印刷电路板缺陷数据集上进行实验验证,平均检测精度达到 92. 4% ,证明了所提方法的有效性和可行性。     

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。     

基于小波卷积与注意力机制的RV减速器齿轮箱故障诊断

在变负载工况下,RV减速器齿轮箱的特征提取存在困难,且其故障模式也难以得到识别。针对这一些问题,提出了一种基于Laplace小波卷积网络(LWNet)和注意力机制(ATT)的变工况下齿轮箱故障诊断方法(模型)。首先,基于Laplace小波变换原理设计了小波卷积层(Laplace Net),代替传统卷积神经网络第一层,对输入信号进行了自适应特征提取,以获得更明显的冲击特征;然后,将注意力机制引入模型卷积网络,以增强故障信息权重,以SoftMax作为分类器进行了故障诊断;为了提高模型的稳定性,每层卷积后接归一化层(batch normalization, BN),对特征进行了归一化处理,使用Dropout(0.5)防止过拟合;最后,使用RV减速器齿轮箱的数据集对基于LWNet和ATT的方法(模型)进行了验证。研究结果表明：基于LWNet和ATT的方法(模型)能够自适应地定位故障信号的冲击信息,在定负载条件下,其平均诊断准确率高达99.92%(相比于经典的深度学习模型与近期的方法,其准确率提高了3.25%～12.26%),该方法具有更高的诊断效率;在变负载条件下,该方法的平均准确率也可以达到...     

基于迁移学习的民航发动机小样本故障诊断

为解决民航发动机故障诊断面临的故障样本不足的问题,提出一种基于深度自动编码器(DAE)迁移学习的小样本故障诊断方法.该方法首先利用大量的正常样本对DAE进行训练,建立发动机状态特征提取模型;然后将该特征提取模型迁移到具有少量数据的发动机故障样本中,并对这些故障样本进行特征提取;最后利用支持向量机(SVM)实现小样本分类.为了使DAE能够学习到更具有代表性的深度特征,利用重构误差评估不同隐藏层神经元节点数下的单个自动编码器(AE)特征提取能力,进而通过单个AE特征提取能力对DAE隐藏层的神经元节点数进行优化.以某航空公司的C FM 56-7B系列发动机的实际飞行历史数据验证了所提故障诊断方法的有效性.     

基于CBLRE模型的轴向柱塞泵空化状态检测研究

空化现象的产生严重制约了轴向柱塞泵向高速高压方向发展，需要对柱塞泵的空化状态检测与智能故障诊断展开研究，因此，结合深度学习网络与非线性分类器的优点，提出了一种基于CBLRE(CNN+BiLSTM+RELM)模型的柱塞泵空化状态识别方法(检测模型)。首先，对不同空化状态下柱塞泵的一维原始振动信号进行了数据增强，并对其进行了标准化处理；然后，利用卷积神经网络(CNN)自动提取信号的特征，并对其进行了特征降维处理；利用双向长短期记忆(Bi-LSTM)网络学习特征序列的时间依赖性，利用正则化极限学习机(RELM)的非线性分类器对特征进行了分类，实现了对柱塞泵的空化状态检测与智能故障诊断；最后，为测试CBLRE模型的性能，搭建了实验平台，在此之上将CBLRE模型与其他模型进行了对比，分析了该模型在不同工况下的性能表现。研究结果表明：该模型的结构稳定、训练时间短，且在不同负载下均可保持良好的泛化性能，空化状态识别率均达到99%以上，该结果验证了柱塞泵空化状态识别方法的有效性；此外，该模型还可有效识别空化现象与柱塞泵的其他故障。     

基于多传感器数据融合和深度残差收缩网络的轴向柱塞泵故障诊断

为了解决单传感器振动信息不能全面表达柱塞泵故障特征信息的问题，提出了一种基于多传感器数据融合深度残差收缩网络学习的轴向柱塞泵故障诊断方法。首先，采用多传感器对振动信号进行采集，完善振动信号的故障特征信息。其次，针对振动信号的非平稳、非线性等特征，提出基于多元多尺度散布熵的多通道融合方法，获取一维故障特征向量，从而达到增强故障冲击特征的目的。然后，将故障特征向量输入到深度残差收缩网络模型，通过注意力机制，利用软阈值函数降低样本噪声及无关特征干扰，实现轴向柱塞泵故障特征识别。最后，通过轴向柱塞泵故障诊断试验验证所提方法的有效性。试验结果表明，该方法可有效提取振动信号的故障特征，识别正确率明显高于典型的深度学习方法。     

基于注意力机制胶囊神经网络的轴承故障诊断

为了解决在滚动轴承故障诊断中故障样本数量少、信噪比低导致的诊断精度低问题,提出一种基于注意力机制胶囊神经网络的轴承故障诊断方法。这一方法采用经验模态分解方法对信号进行分解,得到多个本征模函数。对分解的信号进行通道融合,结合卷积注意力模块,获取敏感特征参数。通过两层卷积层进行特征提取,传入胶囊层,进行诊断分析。为了检验这一轴承故障诊断方法的可行性和准确率,采用凯斯西储大学公开的轴承数据集进行对比试验。结果表明,基于注意力机制胶囊神经网络的轴承故障诊断方法在数据样本数量少、信噪比低的情况下,相比传统方法具有更高的准确率。     

深度支持向量机在齿轮故障诊断中的应用

针对齿轮箱故障诊断中存在的早期非平稳微弱故障信号特征提取困难,易受强背景噪声干扰,故障诊断精度较低等问题,提出了一种基于变分模态分解(Variational Mode Decomposition,VMD)和深度支持向量机(Deep Support Vector Machine,DSVM)的齿轮箱故障诊断方法。首先,利用VMD将原始振动信号分解成若干个频率尺度的本征模态(Intrinsic Mode Function,IMF)分量,并根据峭度最大准则选取IMF分量对信号进行重构;构建多层支持向量机结构,在输入层利用支持向量机对信号进行训练,学习信号的浅层特征,利用"特征提取公式"生成样本新的表示,并作为隐藏层的输入,逐层利用深层SVM对新样本训练并学习信号的深层特征,最终由输出层输出诊断结果。最后,通过齿轮箱故障诊断实验验证了该方法的有效性。     

基于自适应网络的球磨机负荷预测方法

鉴于多工况环境下的数据漂移限制了深度学习方法预测球磨机负荷的效果，提出一种基于自适应网络的球磨机负荷预测方法。首先建立基于深度相关对齐的磨矿分级工况划分模型；然后将相对位置编码引入Transformer,对注意力机制进行解耦来将位置信息直接编码进注意力机制，进而提高预测性能；进一步提出一种自适应网络，将分布匹配正则化项应用于Transformer模型的隐层特征，通过减少不同工况之间的分布差异来学习模型隐藏状态的共同参数，提高模型泛化能力；最后采用基于Boosting的方法学习隐藏状态的重要性。试验结果表明，所提自适应预测网络可以明显提高预测球磨机负荷参数的准确性，而且在面对未知工况时预测性能也领先于对比方法。     

基于小波分析的矿用通风机故障诊断研究

针对矿用通风机故障特征中高频信号带来诊断误差大的问题,提出了一种基于小波分析的矿用通风机故障诊断方法。首先利用小波分析方法对采集到的通风机轴承振动数据进行降噪处理,实现诊断数据中干扰噪声的有效消除;然后对获取的特征数据进行Hilbert变换,能够求解出特征数据中的故障特征频率,克服了传统故障诊断方法中干扰噪声大的缺点。对矿用通风机轴承实测数据分析表明,所提方法能够高效处理故障特征信息,实现轴承故障的精确诊断。     

基于Attention-BLSTM的复杂产品制造质量预测方法

复杂产品制造过程中工艺数据的高维特性以及工艺数据间的复杂关联特性，使得工艺数据中的深层次关键工艺特征难以挖掘，限制了产品质量的准确预测。鉴于此，提出一种基于注意力机制(Attention)与双向长短期记忆网络(BLSTM)的复杂产品质量预测方法。首先，设计数据预处理环节进行工艺数据清洗以及互信息特征筛选。然后，运用BLSTM网络模拟产品制造过程误差的复杂传递特性，挖掘上下游工艺参数的关联关系，输出BLSTM所有时刻提取的关联化工艺特征；同时，设计了Self-Attention网络，自学习各时刻关联化工艺特征对最终产品质量贡献的差异，对不同时刻工艺特征分配不同注意力权值，以强化关键特征。通过以上两阶段特征处理方式，实现深层次关键工艺特征的挖掘。最后，以关键特征作为输入层，通过反向传播神经网络(BPNN)实现复杂产品质量的准确预测。实验表明，相较于BPNN、长短期记忆神经网络(LSTM)、BLSTM以及XGBoost、基于粒子群优化的支持向量(PSO-SVR)、随机森林-贝叶期优化(BO-RF)等主流质量预测方法，所提方法有效提高了预测精度。     

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。     

基于 IDRSN-BiLSTM 的铣削加工表面粗糙度预测方法

针对传统的表面粗糙度预测方法过度依赖人工提取特征以及预测精度较低的问题,提出一种基于 Inception 模块改进 的深度残差收缩网络( IDRSN) 和双向长短时记忆网络(BiLSTM) 的表面粗糙度预测方法。 首先,利用深度残差收缩网络 (DRSN)中软阈值化结构和注意力机制对输入信号进行降噪处理。 其次,引入 Inception 模块构建 IDRSN 以提升网络的多尺度 信息获取能力,实现自适应多尺度特征提取。 然后,引入反向长短期记忆(LSTM)构建 BiLSTM 预测网络,利用正反两个 LSTM 提高网络捕捉历史和未来完整信息的能力。 最后,进行实验验证,分别对比 IDRSN、DRSN、BiLSTM 和人工提取特征 4 种方法的 提取特征效果,以及 BiLSTM、卷积神经网络(CNN)、DRSN 和 CNN-LSTM 4 种表面粗糙度预测模型的预测精度。 结果表明所提 方法具有较高的预测精度,为铣削加工表面粗糙度预测奠定了方法基础。     

基于InMPE和MFO-SVM的变负载滚动轴承故障诊断

由于在变负载工况下,提取滚动轴承故障特征较为困难,且其故障识别准确率也较低,为此,提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFO-SVM)的滚动轴承故障诊断方法。首先,在粗粒化时采用三次样条插值代替传统多尺度排列熵(MPE)中的线性插值,设计了InMPE算法,利用美国凯斯西储大学(CWRU)轴承数据集,分析了不同序列长度、嵌入维数和负载对InMPE的影响;然后,使用飞蛾火焰算法(MFO)优化了支持向量机(SVM),构建了基于InMPE和MFO-SVM的故障诊断模型;最后,搭建了轴承故障诊断试验台,制作了变负载工况下滚动轴承故障特征样本集,对基于InMPE与MFO-SVM的故障诊断方法的有效性和先进性进行了验证。研究结果表明：在变负载工况下,采用基于InMPE与MFO-SVM方法所得的故障识别准确率达到了98.5%,而采用传统MPE方法所得的故障识别准确率为95.9%;在噪声背景下,采用基于InMPE与MFO-SVM方法所得的识别准确率为92.4%,优于后者的80.0%准确率;证明基于InMPE与MFO-SVM的方法能有效识别出滚动轴承的故障信息,且对噪声具...