基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深...     

基于改进卷积神经网络及LightGBM的滚动轴承故障诊断

针对大多基于深度学习的故障诊断模型存在泛化能力不强、训练时间长等问题,提出了一种基于改进卷积神经网络(GCNN)和LightGBM的轴承故障诊断方法,首先,利用卷积层对随机失活后的原始信号进行特征提取;然后,使用全局平均池化层取代全连接层以提高模型的泛化能力;最后,将提取到的特征输入到LightGBM中进行分类.试验结...     

基于GADF与卷积神经网络的滚动轴承故障诊断研究

为充分发挥深度学习识别二维图像在滚动轴承故障检测方面的优势,提出了一种格拉姆角差场(GADF)结合改进卷积神经网络(CNN)的智能故障诊断模型.首先,将一维时序振动信号通过格拉姆角差场转化为二维图像,提取了图像特征,并输入了改进后的CNN模型;其次,改进的CNN模型采用全局池化层替代了传统的全连接层,有效地解决了传统C...     

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。     

基于改进谱峭度与一维卷积神经网络的轴承故障诊断

由于轴承所处工况的复杂性,其振动信号中包含了各种噪声和干扰,导致传统信号处理方法效果不理想.因此,很多研究将信号处理方法与神经网络相结合对故障进行诊断,卷积神经网络(CNN)因其对图像具有独特的特征提取能力而被引入故障诊断领域.而通过信号处理构造的图像可能存在信息冗余问题,将信息冗余图像直接作为网络输入会增加其复杂度....     

基于多尺度卷积神经网络的滚动轴承智能诊断算法

近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法（MSCNN）。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;（1）模型使用具有一定重复率的样本数据,大幅扩充了样本数量;（2）引入多尺度卷积核进行特征提取;（3）模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。     

基于蚁群神经网络的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确性,将蚁群算法与神经网络相结合,根据轴承故障产生的机理,建立其BP神经网络的诊断模型,以网络的误差为目标函数,通过蚁群算法进行BP网络的权值优化,并用优化好的BP网络进行故障诊断。仿真结果表明,该方法具有较高的故障诊断准确度,具有较强的实用性。     

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,利用小波分析对其建立频域特征向量,准确地提取了故障的特征信息,结合RBF神经网络训练速度快的优点,将RBF神经网络应用于轴承故障特征的选择,并利用所确定的特征及RBF分类器进行故障诊断。实验结果表明,该方法可实现滚动轴承故障的可靠诊断。     

Welch功率谱与卷积神经网络结合的滚动轴承故障诊断

针对滚动轴承故障诊断在小训练样本下和强噪声下无法取得高精度识别的问题,提出一种基于Welch功率谱结合卷积神经网络进行诊断的方法。该方法以原始时域振动信号作为输入,用Welch功率谱转换数据形态同时对高强度噪声进行抑制,再用得到的功率谱训练卷积神经网络,最后将训练好的模型用于轴承的故障诊断。与WDCNN[1]等方法进行对比,实验发现在混合负载下,该方法平均识别率正确达到99%,其它方法达到这个精度至少需要20倍以上的训练样本量,明显优于WDCNN等方法。抗噪实验结果表明噪声对信号的干扰越强烈,该方法的抗噪表现越好,其抗噪性能要显著优于WDCNN等方法。     

基于卷积神经网络的异步电机故障诊断

由于电机内部结构的复杂性,使得其故障特征与故障类型之间存在较强的非线性关系;目前用于异步电机故障诊断的方法都是人工手动提取特征,这需要大量的先验知识、丰富的信号处理理论和实际经验作为支撑,诊断效率不高;同时用于模式识别时的样本量过少,会导致网络过拟合等问题。针对以上问题,提出了基于短时傅里叶变换(short-time fourier transform,简称STFT)和卷积神经网络(convolutional neural networks,简称CNN)的电机故障诊断方法。该方法以单一振动信号为监测信号,使用STFT将故障信号转换成时频谱图,构建大量不同故障样本,以确保样本多样性,提高网络鲁棒性。将预处理后的样本作为CNN的输入,有监督地调整网络参数,以实现准确的电机故障诊断。将所提出的STFT+CNN算法分别与传统的电机故障诊断方法及堆叠降噪自编码进行比较分析。试验结果表明,该方法能够更有效地进行电机故障诊断。     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于多层降噪技术及改进卷积神经网络的滚动轴承故障诊断方法

针对滚动轴承微弱故障在强噪声下难以实现有效诊断的问题,提出了一种基于多层降噪技术及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承故障诊断新方法.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;然后采用奇异值分解(Singul...     

卷积神经网络与混沌理论在滚动轴承故障诊断中的应用

为解决传统方法在判断轴承所处故障类型中因信号非线性强导致误判与错判,基于混沌理论,采用相空间重构法(Phase Space Reconstruction,PSR)还原系统动力学特性,通过卷积神经网络(Convolution Neural Network,CNN)学习并提取混沌序列中有效非线性信息,提出PSR-CNN智能...     

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。     

基于知识增殖神经网络的滚动轴承故障诊断

对滚动轴承故障模式识别进行了研究,阐述了小波包神经网络诊断方法的工作原理和实现过程.针对在处理大规模或者较复杂问题时,人工神经网络存在网络学习失败或推广能力不好的问题,从网络推广能力的角度分析了具有知识增殖能力的小波包神经网络诊断系统的结构设计.试验结果表明,所提出的故障诊断方法能够较精确实现滚动轴承多部位的单一、复合故障的定位和模式识别,效果明显好于单一网络.     

基于模糊RBF神经网络的滚动轴承故障诊断

针对现有滚动轴承故障诊断方法存在人为因素影响、表达模糊信息能力弱等问题。结合模糊评价和RBF神经网络的优点,选取3层小波包分解方法以获取评价因子,并使用正态分布型隶属度函数,构建了模糊RBF神经网络滚动轴承故障诊断模型。网络测试结果表明,该模型客观准确,诊断结果与实际情况一致。     

基于改进概率神经网络的滚动轴承故障诊断

探讨了经典概率神经网络(PNN)作为模式分类器时的相关原理,针对传统PNN采用相同平滑因子而导致识别率低的问题,提出了一种改进概率神经网络(IPNN),其平滑因子根据模式类别的不同而自适应变化,从而使隐含层的神经元具有更高的适应性,更好地表征了特征向量与模式状态的关联性,反映了输入特征向量对于正确分类结果的实际作用,并将该IPNN应用于滚动轴承的故障诊断中。实验结果表明:IPNN能够有效提高滚动轴承故障分类的准确性,比经典PNN和常用的误差反向传播神经网络(BPNN)具有更高的识别率。     

基于遗传算法的BP神经网络滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于遗传算法的BP神经网络滚动轴承故障诊断方法。以BP神经网络的误差为目标函数,利用遗传算法进行BP神经网络的权值和阈值优化,并用优化后的BP神经网络进行故障诊断。通过MATLAB仿真,结果表明遗传算法优化的BP神经网络相比传统的BP神经网络具有更好的诊断效率和准确度。