基于Transformer神经网络的滚动轴承故障类型识别

工程应用中的滚动轴承故障类型识别要求同时具有较高的识别准确度和时间效率,基于上述需求提出基于Transformer神经网络的滚动轴承故障类型识别方法。所提方法结合小波包变换时频域能量特征和快速傅里叶变换频域特征生成满足Transformer神经网络的输入样本矩阵,解决Transformer神经网络的输入问题。同时,提出应用于滚动轴承故障类型识别的归一化位置编码方法,解决Transformer神经网络在滚动轴承故障分析领域的位置编码问题。在此基础上,提出Transformer神经网络双向输入样本矩阵处理机制和算法训练过程中错误样本权重增强机制,提升所提方法的鲁棒性。使用KAt数据中心的滚动轴承数据集验证所提方法的识别性能,与现有常用深度学习方法相比,所提方法在时间效率和准确度性能上均有一定的优势,其中,准确度能够提升11%以上,单个样本的平均处理时间小于1 ms。     

基于残差网络的航空发动机滚动轴承故障多任务诊断方法

针对当前基于深度学习的航空发动机滚动轴承故障诊断技术诊断任务单一的问题,提出一种基于多任务残差网络的滚动轴承故障诊断方法,该方法采用残差网络为深层特征提取与共享主框架,建立能够同时进行故障诊断的多任务模型。首先,在数据预处理中,将滚动轴承的振动加速度时域信号转换为频谱图,并直接作为网络的输入;然后,应用标签平滑技术对故障类别标签做了平滑处理以提高网络的测试精度;最后,利用两组实际的滚动轴承故障数据集对所建立的多任务模型进行试验验证,将诊断任务划分为：故障状态识别(正常和异常)、故障部位识别(内圈、外圈和滚动体故障)、以及故障程度识别(损伤尺寸大小预测)。结果表明,所搭建的多任务模型在故障状态识别和部位诊断中的准确率达到97%以上。同时,在故障识别中,损伤大小预测达到了满意的精度,充分表明该方法具有很强的故障多任务诊断能力。     

优化深度残差网络及其在强噪声环境下滚动轴承故障诊断中的应用

针对传统基于深度学习的故障诊断方法存在抗噪性能差、计算复杂度高和泛化性能不足的问题,提出了一种基于深度可分离残差网络（Depthwise Separable Residual Network,DS-ResNet）的滚动轴承故障诊断方法。采用快速傅里叶变换（Fast Fourier Transform,FFT）将滚动轴承一维振动转换到频域进行表示;利用深度可分离卷积（Depthwise Separable Convolution,DSC）计算复杂度低和逐点卷积（Pointwise Convolution,PWC）能增强网络非线性表达的优点,分别代替传统深度残差网络中的两个标准卷积层,构建出优化后的DS-ResNet模型。将各类故障状态下的频域信号作为DS-ResNet模型的输入进行识别分类,结果表明,在信噪比为-4 dB的强噪声环境中,识别准确率达到92.71%;在变转速工况下,平均识别准确率可达90.19%,高于其他常用深度学习诊断方法,且模型每轮的训练时间仅需2.16 s,证明了所提方法具有更好的抗噪性能、泛化性能和更高的诊断效率。     

基于多传感器信号和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障信号非平稳非线性且易受背景噪声干扰的特点,结合深度学习的优势,提出了一种基于卷积神经网络(CNN)的滚动轴承故障诊断法。将不同故障下多个传感器测得的1维(1D)振动信号转化为2维(2D)灰度图像作为网络输入,并将其分为训练集和测试集;将训练集输入卷积神经网络进行训练,自动提取其中的特征;测试集被用于验证学习完毕的网络的有效性,实现滚动轴承故障识别。该方法不依赖于人为经验和信号处理技术进行预先的信号特征提取,实验数据分析表明,相比于经典的支持向量机和概率神经网络方法,提出的方法识别准确率更高且更稳定。     

一种基于改进的LeNet-5模型滚动轴承故障诊断方法研究

针对滚动轴承故障样本不完备问题,提出一种基于改进的LeNet-5模型的卷积神经网络故障诊断方法。该方法将包含多种转速的滚动轴承振动原始时域信号以二维灰度图形式作为模型输入,根据信号特点确定输入尺寸,通过卷积操作自适应提取特征,引入批归一化操作提高模型泛化能力,再用softmax分类器实现故障分类识别,最后采用t-分布邻域嵌入算法(t-SNE)直观的展示该方法的特征提取效果。开展滚动轴承多故障实验,分析模型优化的合理性和有效性。实验结果表明,通过对四种转速下的滚动轴承故障数据进行训练和识别,该方法能在有限转速的轴承故障样本中学习其共性特征,可以实现滚动轴承故障的准确分类,并且对其他转速的故障数据同样具有有效性,拓宽了轴承故障诊断的转速泛化能力。将该方法与BP神经网络(BP neural network, BPNN)和支持向量机(support vector machine, SVM)算法进行对比,结果验证了该方法有较好的鲁棒性和泛化能力。研究成果可为保障滚动轴承的可靠性以及设备的安全运行提供参考和借鉴。     

基于改进MP的稀疏表示快速算法及其滚动轴承故障特征提取应用

在恒定转速情况下,旋转机械中滚动轴承的局部故障往往导致周期性冲击,从而产生周期性瞬态振动信号。对局部故障的瞬态特征提取一直是故障检测的关键问题。基于匹配追踪(Matching Pursuit,MP)算法的稀疏分解是一种信号自适应分解算法,是强噪声背景下微弱特征提取的有效方法之一。针对滚动轴承故障振动信号稀疏表示过完备字典的选择与构造问题,基于相关滤波法优选与冲击波形匹配的Laplace小波原子构造稀疏表示中的过完备字典;针对基本匹配追踪算法计算量大、效率低的问题,结合FFT快速运算特性,通过互相关运算替换基本匹配追踪算法中的内积运算,研究基于改进MP的稀疏表示快速算法,进而提高计算效率。仿真与滚动轴承故障实验分析结果表明该算法能准确的提取滚动轴承故障特征且计算效率高。     

含碰摩故障的新型转子-滚动轴承-机匣耦合动力学模型

针对航空发动机整机振动,建立了一种新型转子-滚动轴承-机匣耦合动力学模型.该模型具有如下特点:1)考虑转子、滚动轴承及机匣之间的耦合作用;2)考虑了实际航空发动机的弹性支承及挤压油膜阻尼效应;3)将转子考虑为等截面自由欧拉梁模型,运用模态截断法进行分析;4)考虑了滚动轴承间隙、非线性赫兹接触力以及变柔性VC(Varying Compliance)振动;5)考虑了转子与机匣之间的碰摩故障.运用数值积分方法获取了系统响应,研究了航空发动机的整机振动规律.     

VMD能量熵与核极限学习机在滚动轴承故障诊断中的应用

针对滚动轴承信号的不规则特性,致使信号故障特征难提取及难以辨识,为实现滚动轴承故障的智能诊断,提出基于VMD能量熵与核极限学习机(kernel extreme learning machine,K-ELM)的滚动轴承故障诊断方法。首先将测得振动信号进行变分模态分解(variational mode decomposition,VMD),利用能量熵进一步提取各模态特征组成高维特征向量集;然后将构建的特征向量作为K-ELM算法的输入,通过训练建立K-ELM滚动轴承故障分类模型。实验结果表明:VMD能够很好地分解轴承振动信号,且K-ELM滚动轴承故障分类模型比SVM、ELM故障分类模型具有更高的精度、更强的稳定性。     

基于BiLSTM的滚动轴承故障诊断研究

针对滚动轴承的故障诊断,设计并实现了一种基于双向长短期记忆网络(BiLSTM)的诊断模型.将原始振动信号直接作为模型输入,自动提取滚动轴承故障特征,可以对内圈、滚动体、外圈不同故障类型及不同损伤程度的滚动轴承进行故障识别.该模型通过BiLSTM神经网络自动提取轴承振动信号的深层信息,弥补了传统故障诊断方法需要人工提取特...     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

基于EEMD和堆叠稀疏自编码的滚动轴承故障诊断方法

针对现有的智能诊断方法训练时间长、识别率不高的问题,提出一种基于总体平均经验模态分解(EEMD)和堆叠稀疏自编码(SSAE)的滚动轴承故障诊断方法。首先,采用EEMD对滚动轴承振动信号进行分解,得到若干个固有模态函数和一个趋势项之和;其次,计算每个固有模态函数分量的峭度,选取峭度值较大的分量作为敏感故障特征分量;第三,提取敏感故障特征分量的时域及频域特征,构建新的数据集,作为诊断网络的输入。最后,将构建的新数据集作为堆叠稀疏自编码网络的输入,进行训练和测试。与现有方法的对比结果表明,所提方法在准确性、计算耗时方面更具优势。     

基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断

针对故障滚动轴承在单一工况数据下训练的深度学习模型无法在复杂工况下无法实现有效的故障诊断,提出一种基于卷积神经网络的领域适配(convolutional neural network-domain adaptation, CNN-DA)模型。卷积网络用于对故障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(channel attention mechanism, CAM),以动态分配特征通道的权重,减小无效信息的干扰。结合领域自适应方法,将特征提取层获取到的高层故障特征进行源、目标域领域适配,领域适配模块整合了全域适配和类别域适配,以使两个领域中相同故障标签的特征的数据分布逐渐趋于重合,最后将深度学习模型应用于多种不同工况迁移的场合进行训练,得到训练结果和测试结果。通过不同来源数据集的试验,在多种工况迁移下测试模型,结果表明提出的模型能够应对复杂工况变化下的滚动轴承故障检测。     

基于贝叶斯优化与改进LeNet-5的滚动轴承故障诊断

考虑到卷积神经网络在滚动轴承故障诊断中存在网络结构难以确定、训练次数过多、时间过长等问题,设计了一种贝叶斯优化改进LeNet-5算法,以及采用该算法构建的轴承故障诊断模型。采用贝叶斯优化训练过程中学习率等超参数,多种故障轴承的振动信号直接作为改进LeNet-5网络的输入,对池化输出采用批归一化处理和改进池化层激活函数防止过拟合,利用全局平均池化层替代全连接层提高改进LeNet-5网络的泛化能力,用Softmax分类器实现滚动轴承故障的分类。通过轴承数据库开展实验,实验表明,该算法构建的轴承故障诊断模型在训练集上准确率为99.94%,验证集上的准确率为99.89%,测试集准确率也达到99.65%,与一维卷积神经网络和二维卷积神经网络对比分析,基于贝叶斯优化改进LeNet-5算法构建的轴承故障诊断模型在滚动轴承的故障诊断模型具有更高的准确率,更少的训练次数和训练时间。     

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断EI北大核心CSCD

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。     

考虑弹流润滑影响的表面局部缺陷中介轴承动力学建模

航空发动机中介轴承位于发动机高、低压转子之间,其内、外环随高、低压转子同向或反向旋转,相对转速高和润滑条件恶劣造成中介轴承故障频发。针对表面局部缺陷中介轴承的振动故障诊断,考虑弹流润滑影响和时变位移激励,提出了一种带局部缺陷的中介轴承动力学建模方法。采用双转子实验台开展中介轴承外圈故障模拟实验,采集振动信号并进行分析。对比动力学模型数值模拟结果和故障轴承实验结果,验证了所建动力学模型的准确性。基于所建立动力学模型对有、无润滑的中介轴承在不同缺陷尺寸条件下的振动响应进行数值模拟。研究结果表明:该模型能够准确模拟中介轴承在不同状态、不同缺陷尺寸下的振动响应变化规律,可用于中介轴承故障机理分析。     

转子-滚动轴承耦合系统的转静碰摩故障分析与智能诊断

针对航空发动机转静碰摩故障诊断问题,建立了含不平衡-碰摩故障的转子滚动轴承耦合系统动力学模型.在模型中,充分考虑了滚动轴承的间隙、非线性赫兹接触以及变柔性VC(Varying compliance)振动.首先运用数值积分获取系统响应,进行碰摩故障分析,并得到了大量的碰摩故障仿真样本;其次利用支持向量机从大量样本中获取碰摩故障知识;然后利用转子实验器获取碰摩故障实验样本;最后利用训练好的支持向量机对碰摩故障实验样本进行智能诊断,最高识别率达到了91%.     

基于MsTCN-Transformer模型的轴承剩余使用寿命预测研究

剩余使用寿命(remaining useful life, RUL)预测是PHM的核心问题之一,复杂的运行工况往往导致设备部件经历不同的故障退化过程,给RUL准确预测带来了巨大挑战。为此,提出了一种多尺度时间卷积网络(multi-scale temporal convolutional network, MsTCN)与Transformer(MsTCN-Transformer)融合模型用于变工况下滚动轴承RUL预测。该方法设计了一种新的多尺度膨胀因果卷积单元(multi-scale dilated causal convolution unit, MsDCCU),能够自适应地挖掘滚动轴承全寿命信号中固有的时序特征信息;然后构建了基于自注意力机制的Transformer网络模型,在克服预测序列记忆力退化的基础上,准确学习时序特征与轴承RUL之间的映射关系。此外,通过对轴承不同故障退化阶段所提取的时序特征可视化分析,验证了所提方法在变工况下所提取的时序特征泛化性较好。多种工况条件下滚动轴承RUL预测试验表明,所提方法能够较为准确地实现变工况下轴承的RUL预测,相比当前多种方法RUL预测结果...     

基于时时能量阶比谱的变转速工况滚动轴承微弱故障诊断研究

变转速工况下的滚动轴承微弱故障诊断同时面临两个难点:一是滚动轴承的故障特征信号容易被环境噪声和干扰信号淹没;二是滚动轴承故障振动信号的时变特征难以被常规频谱方法提取。针对上述问题提出了基于时时能量阶比谱的滚动轴承故障诊断方法。首先对变转速工况下的滚动轴承微弱故障振动信号进行时时(time-time,TT)变换,在双时域上刻画轴承故障振动信号的时变特征;然后利用提出的时时能量定义计算轴承故障振动信号的时时能量,获得轴承故障振动信号的时时能量信号;最后对时时能量信号进行阶比分析得到轴承故障振动信号的时时能量阶比谱,并根据时时能量阶比谱的阶次特征识别出轴承故障类型。分析了变转速工况下的滚动轴承故障仿真信号和实验测试信号,结果表明:时时能量信号能够有效追踪轴承故障振动信号的时变能量分布,增强故障特征信号的冲击特征,时时能量阶比谱较包络阶比谱抗噪能力更强,为变转速工况滚动轴承微弱故障诊断提供一种有效方法。     

基于混合裁剪失衡数据增强与SwinNet网络的滚动轴承故障诊断

针对在滚动轴承故障诊断领域中存在的故障样本较少,健康样本丰富所导致的故障类别失衡问题以及环境中存在噪声与人为噪声标签干扰等问题,提出了一种基于混合裁剪失衡数据增强与SwinNet网络相结合的故障诊断模型(fault diagnosis model combining mixed-cutout imbalance data augmentation and SwinNet, SwinNet-MCIDA)。首先,借鉴图像分类数据增强方法,利用混合裁剪失衡数据增强算法对失衡类别的数据进行裁剪、混合处理生成新的故障样本来增加样本量,构造出增强数据集,然后对增强数据集进行小波变换转换成时频图像,将所得图像输入到卷积神经网络与Swin Transformer编码器相结合的SwinNet网络模型中,进行特征提取和故障分类,从而实现滚动轴承故障的高效诊断。试验结果表明,该文所提出的SwinNet-MCIDA故障诊断方法不仅可以很好地解决滚动轴承故障诊断领域故障类别失衡问题,而且也可以很好地应对故障数据中存在环境噪声问题与人为噪声标签干扰问题。     

基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法

针对具有较强非平稳性和易被强烈背景噪声干扰特点的滚动轴承振动信号,提出了基于短时傅里叶变换和卷积神经网络的故障诊断方法,实现了端到端的故障模式识别。首先,对滚动轴承振动信号进行短时傅里叶变换,得到时频谱样本,分为训练集和测试集;然后将训练集输入卷积神经网络中进行学习,不断更新网络参数;最后,将学习好参数的卷积神经网络模型应用于测试集,输出故障识别结果;通过滚动轴承故障模拟试验,进行可行性和有效性的验证。结果表明提出的方法对不同类型故障有着很高的识别精度,并可以通过增加故障数据种类和数量的方式来提高此方法的鲁棒性,是一种适应于处理"大数据"的故障诊断方法。