基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

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。     

基于多通道一维卷积双向门控循环网络轴承故障诊断

针对于一维卷积神经网络使用单卷积核可能出现特征丢失,特征提取不充分,无法利用时间序列信息,以及Softmax无法进一步提升诊断准确率等问题。提出一种多通道一维卷积双向门控循环网络的深度学习算法。首先,设计一个3通道的一维卷积神经网络进行不同尺寸的故障特征提取;其次,引入双向门控循环单元挖掘特征信号中的动态时间序列关系;最后,采用支持向量机替换传统卷积神经网络中常用的Softmax进行故障分类,进一步提升诊断的准确率。实验证明,该方法将故障诊断的准确率提升至99.8%。通过与其他方法的对比,证明了该方法有着更高的准确率和更好的鲁棒性。     

基于特征提取的航空发动机滚动轴承故障诊断

航空发动机振动信号复杂,数据量大,其机械系统滚动轴承故障诊断困难重重。在振动信号处理及故障检测领域,利用机器学习强大的自主学习能力在旋转机械故障的诊断方面得到了越来越多的应用。本文提出一种基于特征提取的滚动轴承故障诊断方法,通过特征提取获得更全面数据信息,再将深度信念网络模型用于信号识别,全方位反映航空发动机滚动轴承的运行状态。经实验验证,DBN模型在噪声环境下的平均准确率可达99%以上,具有较强的抗噪能力。     

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.     

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%。     

基于原始振动信号的往复压缩机卷积神经网络故障诊断

往复压缩机振动信号特性复杂,传统特征提取方法难以有效提取故障特征,从而影响故障诊断效果。提出了基于原始振动信号卷积神经网络(RVCNN)的方法,将采集的一维原始振动信号作为输入,充分利用卷积神经网络(CNN)自动提取信号特征的特性,对往复压缩机故障进行特征提取及诊断。使用从试验台获得的压缩机气阀故障数据样本进行测试,结果表明,与传统方法相比,RVCNN方法具有更高的故障识别率和更好的抗噪性能。     

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。     

改进一维卷积神经网络与双向门控循环单元的轴承故障诊断研究

针对传统智能故障诊断依赖于人工经验进行特征提取和传统卷积神经网络(Convolutional neural networks, CNN)参数过多、训练量过大且无法充分利用时间序列信息的缺点,提出一种基于改进一维卷积神经网络与双向门控循环单元的深度学习新算法。首先,该方法利用一维卷积神经网络自提取能力进行特征提取,同时设计了一个全局均值池化层替换传统卷积神经网络的全连接层,减少参数数量;其次,引入双向门控循环单元学习特征信号中的时间序列关系;最后,通过支持向量机替换传统CNN中的Softmax层进行故障分类,进一步提高诊断的准确率。实验表明,该方法将诊断的准确率提升至99.8%,并且加快了诊断的速度。通过与其他方法的对比,证明了该方法有着更高的准确率,更快的诊断速度,更好的鲁棒性。     

多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。