基于降噪多分支CNN和注意力机制的滚动轴承故障诊断方法北大核心

针对传统滚动轴承诊断方法在强噪声干扰下正确率低、特征选取依赖经验、模型泛化能力差的局限性,提出一种基于降噪多分支卷积神经网络(convolution neural network, CNN)和注意力机制的滚动轴承故障端到端诊断方法。通过设计多分支CNN特征提取网络,实现了包含原始信号及其频谱、时域滤波信号在内的多域特征提取;进一步引入注意力机制对各分支的输出进行权重自适应分配,在增强各域有效特征的同时抑制其无效特征对诊断结果的影响,提升模型的鲁棒性和泛化能力;最后再利用基于全局平均池化层构造的分类CNN实现滚动轴承故障的端到端诊断。对比试验证明,所设计的模型能在强噪声干扰下实现更准确的轴承故障诊断。     

基于DWT-DSCNN-SVM的轴承故障诊断

在故障诊断过程中,为了更好地提取特征以及提高故障识别率,提出了一种基于离散小波变换和深度可分离神经网络算法以及SVM分类器的滚动轴承故障诊断方法。首先,模型利用离散小波变换对原始振动信号提取特征,形成多通道样本;然后对样本进行深度可分离卷积神经网络训练,最后在全连接层后接SVM分类器实现对故障信号的分类。实验所用数据来自CTU-2实验平台,故障标签共有10类。实验结果表明,相比较单一使用小波变换提取特征或者CNN卷积神经网络分类的方法,该模型的诊断效果更加优秀。     

基于ALIF和ISOMAP的机械设备故障识别方法研究

滚动轴承作为机械设备的重要部件,对机械设备的稳定运行起着重要的作用。滚动轴承的故障信号往往是多种信号的叠加,有必要对采集到的振动信号进行模式分解,进而基于模式识别方法实现对滚动轴承不同故障模式的分类识别。提出一种基于自适应局部迭代滤波(ALIF)和等距特征映射(ISOMAP)的机械设备故障分类识别方法。利用ALIF对滚动轴承的故障信号进行模式分解;对选定的模式分量提取多个统计学特征;最后利用ISOMAP对高维特征信号进行降维处理,实现对滚动轴承不同故障模式的分类识别。研究结果表明：所提方法在滚动轴承故障识别上具有良好的效果。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于GRA-PLS的滚动轴承故障诊断北大核心

针对仅用时域和频域指标无法准确诊断滚动轴承故障的问题,提出一种基于灰色关联度(GRA)与偏最小二乘(PLS)的故障诊断算法。首先,对原始振动信号进行灰色关联度分析,提取关联度较高的振动信号作为样本信号;其次,通过时域分析和频域分析获得故障特征集,利用基于遗传算法(GA)和Elman神经网络的组合算法(GA-ENN)对故障特征进行提取;最后,利用PLS算法对滚动轴承的故障类别进行识别。实验结果表明,所提方法能有效剔除原始振动信号中无信息变量,并且实现时、频域指标下滚动轴承故障的准确诊断。     

基于1-DCNN-LSTM的滚动轴承自适应故障诊断方法研究（英文）

针对滚动轴承故障振动信号的非线性和非平稳特征,提出了一种自适应的一维卷积神经网络(1-Dimensional Convolutional Neutral Networks,1-DCNN)和长短期记忆网络(Long Short-Term Memory,LSTM)融合的轴承故障诊断方法。首先,将原始一维振动信号通过有重叠取样的方式分别输入1-DCNN和LSTM两个通道,然后通过Concatenate层进行空间和时间维度上特征信息的融合,最后,通过Softmax分类器进行故障类别的分类输出。该方法可以直接从原始振动信号中自适应提取特征,实现了"端到端"的故障诊断。采用CTU-2实验平台故障数据,通过对滚动轴承的不同故障类型、不同传感器采集方位、不同故障直径进行实验分析,结果表明:该方法在识别轴承故障类别上与其他方法相比具有更高的识别精度,并具有良好的有效性和稳定性。     

基于VMD与时间序列分析的滚动轴承故障特征提取方法

为了在非线性、非平稳的滚动轴承故障振动信号中有效提取出敏感的故障特征,提出了基于变分模态分解(VMD)与时间序列分析相结合的特征提取方法。首先通过VMD将原始信号分解为不同预设尺度的本征模态分量(IMF),对各个IMF分量建立时间序列预测模型,通过叠加重构得到最终的预测模型,比较评价指标确定最优参数的选取。最后,通过仿真信号与滚动轴承实际故障数据分析,并与经验模式分解(EMD)进行对比,结果表明该方法能够有效的提取到故障特征频率。     

基于1D CNN-XGBoost的滚动轴承故障诊断

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提模型的有效性,使用凯斯西储大学轴承数据中心提供的数据对1D CNN模型、XGBoost模型和1D CNN-XGBoost模型进行实验对比;为验证1D CNN-XGBoost的泛化性,使用一组新的滚动轴承数据集进行实验。结果表明：1D CNN-XGBoost模型的分类准确率更高,是一种有效的轴承故障分类模型,具有很好地分类性能和泛化性。     

基于VMD与分层极限学习机的滚动轴承故障诊断方法研究

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的问题,为实现滚动轴承故障的智能诊断,提出基于VMD排列熵与分层极限学习机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),利用排列熵进一步提取各模态特征组成高维特征向量集;其次利用自动编码器(Automatic Encoder,AE)对极限学习机的隐含层进行分层,且使隐含层节点的输入权值和阈值满足正交条件;最后将构建的特征向量作为H-ELM算法的输入,通过训练建立H-ELM滚动轴承故障分类模型。实验结果表明:H-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CEEMDAN样本熵与SVM的滚动轴承故障诊断

提出一种基于自适应噪声的完备经验模态分解(CEEMDAN)与IMF样本熵结合的滚动轴承故障特征提取方法。利用CEEMDAN算法对振动信号进行了自适应分解,将非稳定的振动信号分解成了若干个固有模态函数(IMF)分量。计算了包含主要故障特征信息的IMF分量样本熵,实现了故障特征量化。在此基础上利用SVM在少量数据样本的情况下具有较强的学习和分类能力,通过样本数据学习与待测样本的模式识别实现滚动轴承智能诊断。通过仿真与实验数据分析,证明该方法能够改善信号特征提取的效果,对故障类型的判断表现出较高的识别率。     

基于改进VMD形态谱和FCM的滚动轴承故障诊断方法

针对滚动轴承故障信号的非线性特性及不同故障类型信号具有不同形态特征的特点,提出一种基于改进变分模态分解（VMD）形态谱和模糊C均值聚类（FCM）算法相结合的故障诊断方法。采用VMD方法对滚动轴承振动信号进行分解,针对分解过程中关键参数的选取,提出相关参数选择方法,并计算各固有模态函数(IMF)的能量波动系数,以获得对信号特征信息敏感的模态分量进行重构。计算重构信号的形态谱以反映信号的形态特征。通过FCM算法实现滚动轴承工作状态和故障类型的诊断。运用该方法对实测滚动轴承振动信号进行分析,并将所提方法同基于原始振动信号、经验模态分解、总体经验模态分解形态谱的故障特征提取方法进行对比。结果表明：所提方法能够更加有效提取滚动轴承信号的故障特征,实现故障类型的准确诊断。     

基于多层降噪处理的轴承故障特征提取方法

针对滚动轴承振动信号的故障信息难以准确获取问题,提出一种新的基于多层降噪处理的轴承故障特征提取方法。所提方法首先依据小波包变换原理处理原始轴承信号,消除噪声干扰;变换后的振动信号用经验模态分解方法处理可得若干个IMF分量,计算所得分量与变换所得信号间的互相关系数,并依据相关系数准则筛选有用分量完成振动信号的重构;再通过自相关方法剔除重构信号中的混叠干扰信号,实现振动信号的多层降噪;最后对去噪后的重构信号解调处理,获取信号包络谱图并分析,得到所需故障特征。试验结果表明该方法能够有效地消除原始信号中的干扰和噪声,分离出清晰的故障振动信号并获取有用的故障特征。     

基于1DCNN-BiLSTM的端到端滚动轴承故障诊断方法

针对滚动轴承早期故障诊断时时频域特征选取主观性强、时序特征信息利用不足等问题,提出一种基于卷积神经网络和双向长短时记忆神经网络的滚动轴承早期故障诊断方法。采用卷积神经网络提取原始振动信号特征,并在卷积层后引入批正则化层,以消除数据的不规则性对权重优化的影响,并通过扩展首层卷积层和调整步长以提高特征提取效率。引入双向长短时记忆神经网络提升卷积神经网络对时序特征的提取能力,通过批正则化层和Dropout层增强模型的鲁棒性和减少神经元与神经元之间的依赖关系。最后,通过滚动轴承试验数据对文中方法进行验证。结果表明：与传统方法相比,文中方法不仅训练速度更快,而且故障诊断准确率也大幅提高。     

基于WTD-AR谱和MEA-BPNN的轴承故障诊断方法

针对滚动轴承故障诊断模型在噪声干扰下鲁棒性能差的问题,提出一种基于小波阈值去噪（WTD）、AR谱和思维进化算法（MEA）优化反向传播神经网络（BPNN）的轴承故障诊断方法。以原始振动信号为输入,采用小波方法分解重构原始信号滤除高频噪声,然后采用Burg算法估计AR模型参数提取降噪信号功率谱特征,最后将特征向量与对应标签分别作为MEA-BPNN神经网络的输入、输出进行训练,最终实现诊断。将该方法与一些先进的人工神经网络诊断方法作比较,测试该诊断模型的性能。研究结果表明：WTD-AR谱-MEA-BPNN诊断模型能够有效降低轴承振动信号的噪声干扰,实现特征增强,分辨率更高;相较于传统神经网络训练速度更快,在更短时间内甄别故障类型且识别率高。     

基于SPWVD-CNN的滚动轴承故障诊断

针对传统的滚动轴承故障诊断方法难以提取轴承振动数据有效特征的缺陷,提出一种基于平滑伪Wigner-Vill分布(smooth and pseudo Wigner-Ville distribution,SPWVD)和卷积神经网络(convolutional neural network,CNN)的网络模型SPWVD-CNN。对振动数据进行平滑伪Wigner-Vill分布变换,将获得的时频图进行压缩,作为CNN的输入,利用迁移学习的思想进行网络训练,使得模型对于不同负载的数据具有良好的诊断性能,提高了网络的泛化能力。实验结果表明:SPWVD-CNN对轴承故障数据的平均分类准确率提升至99.27%,总体性能优于使用单一的CNN和其他传统的故障诊断方法。     

基于变分非线性调频模态分解的滚动轴承多故障诊断方法研究

基于变分非线性调频模态分解,提出一种滚动轴承多故障诊断方法。对滚动轴承多故障振动信号分量的瞬时频率和瞬时幅值进行估计;在此基础上,通过最小化信号的带宽实现滚动轴承故障信号的重构。对比所提方法与变分模态分解法,通过实验案例对所提方法进行验证。结果表明：所提方法明显优于变分模态分解方法,即使在强噪声背景下,仍能有效地实现滚动轴承多故障信号的分解与重构,可以有效地诊断滚动轴承多故障。     

基于VMD混合域特征和SSA-SVM的滚动轴承故障诊断

滚动轴承早期故障信号易受噪声干扰,故障冲击成分难以提取,故障识别困难。为从多角度提取故障轴承振动信号特征参数,利用变分模态分解(VMD)将振动信号分解为若干本征模态分量(IMFs),基于包络熵、相关系数、峭度筛选IMF分量。提取所选IMF的时域和频域特征、信号VMD能量熵及各IMF能量比组成特征向量,从时域、频域和能量角度反映故障信息。使用麻雀搜索算法(SSA)优化SVM参数,确定最优参数,克服参数选择难题。将样本特征向量输入SSA-SVM中进行故障分类,轴承故障实验数据表明：该方法故障识别平均准确率在98.71%以上;与单一域特征相比,该方法对故障类型和损伤程度识别效果更佳。