BP神经网络在滚动轴承故障诊断中的应用研究

滚动轴承表面振动信号中包含着丰富的工作状态信息和故障特征信息,从其表面振动信号中提取时域特征参数,可以有效地识别轴承工作状态。通过试验采集振动信号作为识别故障的原始数据,建立基于振动信号的轴承故障诊断神经网络,并对网络进行训练得出标准故障模式,从而最终实现轴承的故障诊断。     

小波变换在液压油缸泄漏故障诊断中的应用

针对液压油缸泄漏故障诊断中压力信号特征提取的难题,提出了通过监测压力信号,基于小波变换能量特征和BP网络的故障诊断方法。该诊断方法将压力信号进行小波分解后得到的各频带信号能量作为特征向量,输入到BP网络分类器中进行故障识别和分类。实验结果表明,该诊断方法能有效识别无泄漏、轻微泄漏、严重泄漏的三种状态,是液压油缸泄漏故障诊断行之有效的方法。     

基于Kohonen神经网络的滚动轴承故障诊断

提出了一种新的列车滚动轴承故障诊断方法。首先利用小波包分解对滚动轴承的 动态信号进行分析、提取特征，然后采用Kohonen神经网络进行滚动轴承故障诊断。对7类 列 车滚动轴承进行了实验，结果表明该方法具有很好的故障诊断效果。     

基于LCD和改进SVM的轴承故障诊断方法

针对滚动轴承极易损伤,振动信号表现出非线性、非平稳性等特点,提出一种基于局部特征尺度分解(LCD)和改进支持向量机(SVM)的滚动轴承故障诊断算法。首先对采集到的轴承振动信号进行LCD,分解得到一系列内禀尺度分量(ISC),通过与经验模态分解(EMD)对比研究,证明了LCD方法的优越性;然后计算所有分量的能量熵值,提取出轴承信号的敏感特征集,输入到经过遗传算法(GA)进行参数优选后的SVM识别模型进行轴承状态的诊断识别。实验研究表明,基于LCD和改进SVM的轴承诊断算法能较好地提取出轴承故障特征信息,对4种轴承状态的识别率高达90%,是一种较为有效的轴承故障诊断方法。     

基于Gibbs抽样的轴承故障诊断方法

针对现有轴承故障诊断方法的不足,即诊断片面性问题,提出了一种基于Gibbs抽样的轴承故障诊断方法。首先对轴承振动信号进行局部特征尺度分解（LCD）得到内禀尺度分量（ISC）;然后对轴承振动信号和ISC分别提取时域特征,按照特征敏感度高低对时域特征排名,选择排名靠前的特征组成特征集;其次使用特征集训练产生基于Gibbs抽样的多维高斯分布模型;最后通过后验分析得到概率,实现轴承故障诊断。实验结果表明诊断正确率达到100%,与基于SVM的轴承诊断方法相比,在特征数为43个时诊断正确率提升了11.1个百分点。所提方法能够有效地对滚动轴承故障状态进行诊断,对高维复杂的轴承故障数据也有很好的诊断效果。     

局部特征尺度方法(LCD)及其在齿轮故障诊断中的应用研究

局部特征尺度分解(Local characteristic scale decomposition,LCD)是一种新的自适应时频分析方法,该算法可以自适应地将一个复杂信号分解为若干个ISC(Intrinsic scale component,ISC)分量之和;将LCD算法同EMD(Empirical mode decomposition),LMD(Local mean decomposition,LMD)算法进行对比分析,仿真信号的分解结果表明:三种方法都可以有效地对信号进行分解,但LCD算法在计算效率和抑制端点效应等方面要优于EMD,LMD算法;将LCD算法和zoom-FFT分析应用于齿轮故障诊断中,分析结果表明了这种相结合的方法,可以较好地提取故障特征,显示了该方法的有效性。     

改进BP网络在汽轮发电机组故障诊断中的应用

关于汽轮发电机系统一定要保证可靠安全.研究汽轮机发电机组的故障快速诊断问题上,针对汽轮发电机故障具有多样性和不确定性,传统BP神经网络不能很好的识别这种特性,存在训练时间长、误差收敛速度慢的缺陷,故障诊断正确率低.为了提高汽轮发电机组的故障诊断准确率,提出一种附加动量法和自适应速率相结合的BP神经网络故障诊断模型.采用附加动量调整了BP神经网络的权值,加快了网络的收敛速度,用自适应速率动态地调整了学习速度,减少了迭代次数,最后利用得到的BP神经网络对故障进行了诊断.在matlab上采用实测汽轮发电机故障数据对故障诊断模型进行测试,相对于传统的BP算法,该算法不仅迭代次数少、学习速度加快,而且故障诊断准确率高.结果表明,有效地克服了传统的梯度下降的BP算法的缺陷,诊断结果可为保证汽轮发电机安全运行提供保障.     

改进的人工蜂群算法在神经网络中的应用

人工蜂群算法是模拟蜜蜂采蜜行为而提出的一种新的启发式仿生算法,属于典型的群体智能算法。提出了一种改进的人工蜂群算法,并利用改进后的人工蜂群算法来优化传统BP算法（神经网络算法中的误差方向传播算法）中网络参数的权值。实验结果证明该优化算法提高了BP神经网络收敛解的精度,加快了BP神经网络收敛速度。     

EMD分解中端点数据的延长方法问题研究

目前的EMD分解中,延长左右两端数据主要是通过各种数学拟合的方式（镜像延拓、多项式拟合、神经网络延拓等）来实现。在实际中,通过延长信号的采样时间,同样能够使端点数据延长,从而抑制EMD分解时的端点效应。以周期谐波函数为例,通过数值实验,将用数学拟合延长两端数据的方法（以极值点的镜像延拓为例）与直接截取两端数据的方法进行比较。同时,为了比较两种数据延长方法的效果,分别将延长后的数据进行EMD分解,将实际的EMD分解结果作为矩阵,计算与理想分解结果之间的相关系数。得出以下结论：若左右各截取半个信号周期长度的数据信号,则得到的分解结果优于通过端点延拓方法得到的EMD分解结果,且截取的点数越多,得到的结果越接近理想的分解结果。     

改进的萤火虫算法在神经网络中的应用

基本萤火虫算法存在容易陷入局部最优及收敛速度低的问题,提出了一种改进进化机制的萤火虫算法（IEMFA）。在群体进化过程中赋予萤火虫改进的位置移动策略,并利用改进后的萤火虫算法来优化传统BP神经网络的网络参数。测试结果表明,基于改进萤火虫算法的BP神经网络具有更好的收敛速度和精度。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

A spiking neural network-based approach to bearing fault diagnosis

Fault diagnosis, with the aim of accurately identifying the presence of various faults as early as possible so at to provide effective information for maintenance planning, has been extensively concerned in advanced manufacturing systems. With the increase of the amount of condition monitoring data, fault diagnosis methods have gradually shifted from the model-based paradigm to data-driven paradigm. Intelligent fault diagnosis approaches which can automatically mine useful information from a huge amount of raw data are becoming promising ways to identify faults of manufacturing systems in the context of massive data. In this paper, the Spiking Neural Network (SNN), as the third generation neural network, is tailored as an intelligent fault diagnosis tool for bearings in rotating machinery. Compared to the perceptron and the back propagation neural network (BPNN) which are respectively the first and second generations of neural networks. SNN, which introduces the concept of time into its operating model can more closely mimic natural neural networks and possesses high bionic characteristics. In the proposed SNN-based approach to bearing fault diagnosis, features extracted from raw vibration signals through the local mean decomposition (LMD) are encoded into spikes to train an SNN with the improved tempotron learning rule. The performance of the proposed method is examined by the CWRU and MFPT datasets, and the experimental results show that the method can achieve a promising accuracy in bearing fault diagnosis.     

基于EMD小波包和ANFIS的滚动轴承故障诊断

为了有效识别出滚动轴承的内圈故障、外圈故障、滚动体故障三种故障类型,提出一种基于经验模态分解EMD的小波包去噪和自适应神经模糊推理系统ANFIS的诊断方法。对故障信号进行去噪预处理,对已处理的信号利用ANFIS进行故障识别。结果表明,采用基于EMD的小波包去噪方法能有效地提高信噪比,在去噪的基础上,采用ANFIS进行故障诊断,诊断结果的误差低,能很好地识别出上述三种故障类型。     

一种采煤机截割部滚动轴承故障诊断方法

针对采煤机截割部滚筒轴承结构复杂极易损坏,且单凭借人为经验难以对故障进行定位判别的问题,提出了一种基于入人工蚁群-模拟退火算法的自适应时变滤波经验模态分解方法,去掉了原始振动信号中的低频干扰,画信号快速峭度图以峭度最大处对应的中心频率和带宽来设定带通滤波器参数,以进一步突出信号的高频特征,对经过处理后的信号平方包络后画包络谱图,将计算所得理论故障频率和包络谱图最大幅值处所对应的频率对比,从而对故障类型进行判别;通过采煤机试验表明所提方法能够适用于采煤机实际工程应用,可以有效消除信号中低频干扰部分,提高振动信号的峭度特征,并在不同转速和不同故障尺寸的条件下下分别达到100%和88.9%的故障判别率。     

基于MRSVD和VPMCD的轴承故障智能诊断方法研究

针对轴承早期微弱故障特征信息易被噪声掩盖和现实中难以获得大量典型故障样本的实际情况,提出了基于多分辨奇异值分解（Multi-Resolution Singular Value Decomposition,MRSVD）和变量预测模型模式识别（Variable Predictive Model based Class Discriminate,VPMCD）的轴承故障智能诊断方法。利用MRSVD对轴承加速度振动信号进行多层分解,提取包含故障特征的细节信息,建立对数正态分布模型,凸显细节信息中的非高斯特性,计算对数均值和对数标准差构造特征向量,并采用VPMCD方法进行故障识别。将该方法应用于实际轴承外圈、内圈、滚动体局部微弱故障状态下的故障诊断,结果显示：故障识别精度达到98.75%,证明了该方法的可行性和有效性。     

数据失衡下基于WGAN和GAPCNN的轴承故障诊断研究

针对轴承故障数据严重失衡导致所训练的模型诊断能力和泛化能力较差等问题,提出基于Wasserstein距离的生成对抗网络来平衡数据集的方法。该方法首先将少量故障样本进行对抗训练,待网络达到纳什均衡时,再将生成的故障样本添加到原始少量故障样本中起到平衡数据集的作用;提出基于全局平均池化卷积神经网络的诊断模型,将平衡后的数据集输入到诊断模型中进行训练,通过模型自适应地逐层提取特征,实现故障的精确分类诊断。实验结果表明,所提诊断方法优于其他算法和模型,同时拥有较强的泛化能力和鲁棒性。     

Intelligent fault diagnosis of rolling bearing using hierarchical convolutional network based health state classification

Rolling bearing tips are often the most susceptible to electro-mechanical system failure due to high-speed and complex working conditions, and recent studies on diagnosing bearing health using vibration data have developed an assortment of feature extraction and fault classification methods. Due to the strong non-linear and non-stationary characteristics, an effective and reliable deep learning method based on a convolutional neural network (CNN) is investigated in this paper making use of cognitive computing theory, which introduces the advantages of image recognition and visual perception to bearing fault diagnosis by simulating the cognition process of the cerebral cortex. The novel feature representation method for bearing data is first discussed using supervised deep learning with the goal of identifying more robust and salient feature representations to reduce information loss. Next, the deep hierarchical structure is trained in a robust manner that is established using a transmitting rule of greedy training layer by layer. Convolution computation, rectified linear units, and sub-sampling are applied for weight replication and reducing the number of parameters that need to be learned to improve the general feed-forward back propagation training. The CNN model could thus reduce learning computation requirements in the temporal dimension, and an invariance level of working condition fluctuation and ambient noise is provided by identifying the elementary features of bearings. A top classifier followed by a back propagation process is used for fault classification. Contrast experiments and analyses have been undertaken to delineate the effectiveness of the CNN model for fault classification of rolling bearings.     

基于岭回归的RVPMCD滚动轴承故障诊断方法

针对多变量预测模型模式识别方法中的最小二乘拟合可能出现病态的问题,提出了基于岭回归的多变量预测模型（Ridge regression-Variable Predictive Model based Class Discriminate,RVPMCD）分类方法,该方法通过引入岭参数,降低其均方拟合误差,减小自变量间复共线性关系对参数估计的影响,改善了原方法中最小二乘回归拟合参数失真的现象,从而有望建立更加准确的预测模型。对滚动轴承的振动信号提取特征值,组成特征向量,采用RVPMCD方法对训练样本建立预测模型,利用RVPMCD所建立的预测模型进行模式识别。实验分析结果表明,基于岭回归的多变量预测模型分类方法可以更有效地对滚动轴承的工作状态和故障类型进行识别。