基于小波分形和神经网络的滚动轴承故障诊断

提出了利用小波分形和神经网络的对滚动轴承故障进行诊断的方法.滚动轴承振动信号具有非平稳性的特征,因此,利用分析非平稳信号的有效工具--小波分析和分形分别提取滚动轴承振动信号故障特征,结合神经网络技术,对滚动轴承故障进行诊断.结果显示,该方法诊断率高,有比较高的实用价值.     

基于多特征提取与IPSO＿LSSVM的故障诊断

针对滚动轴承运行过程中故障难以识别的问题,提出一种多特征提取与改进粒子群算法(improved particle swarm optimization,简称IPSO)优化最小二乘支持向量机的诊断方法。首先用小波包变换对振动信号消噪、分解,提取频域特征;然后结合时域特征等参数,用核主元分析法对多维特征空间进行优选和降维,获得典型故障的敏感信号;最后用改进的粒子群优化最小二乘支持向量机的核参数和惩罚因子解决在寻优中陷入边缘局部最优、收敛精度差的问题,提升故障诊断的识别率。实验结果表明:该方法有效提取故障特征,提高了故障识别的准确率和实时性,是一种可靠的轴承故障诊断方法。     

滚动轴承故障信号处理方法与诊断试验研究

分析了滚动轴承故障振动信号的非线性、非平稳性特征,基于经验模态分解法（EMD）在处理此类信号中的优势,研究了滚动轴承故障信号的时频分析处理方法。通过EMD法将滚动轴承故障原始振动信号分解为多个平稳的IMF分量之和;选取前8个IMF能量值作为频域特征并结合时域特征构成故障振动信号特征集合,作为BP神经网络的输入;建立了滚动轴承故障诊断的BP神经网络模型,利用BP网络的自学习机制进行网络训练,得到了输入特征与故障模式之间的映射关系;通过对滚动轴承不同类别的故障诊断试验,验证了该方法的可行性。     

基于CNN-LSTM的机床滚动轴承性能退化趋势和寿命预测

滚动轴承作为机床主轴的关键部件,其剩余寿命预测直接决定着整机设备的剩余寿命。若不能及时地预知滚动轴承的健康状态或损伤情况,不仅会影响维修策略的制定,还会造成级联故障,易造成机床灾难性的事故。针对大数据下滚动轴承振动信号的自适应故障特征提取和智能诊断问题,构建卷积神经网络和长短期记忆网络（CNN-LSTM）相结合的寿命预测模型,它可以避免人工参与的影响,实现网络的互补优势。对滚动轴承的退化状态以及剩余寿命进行预测,并与卷积神经网络（CNN）、长短时记忆神经网络（LSTM）进行对比实验。结果表明：所提方法CNN-LSTM有着较高的预测准确度。     

基于优化VMD和MHA-DenseNet的滚动轴承故障诊断北大核心

针对传统特征提取的故障诊断技术不能充分表征振动信号故障特征导致故障识别精度不高的问题,提出一种优化VMD和MHA-DenseNet的滚动轴承故障诊断方法。首先,采用麻雀搜索算法(SSA)对变分模态分解算法(VMD)的相关参数组合进行寻优;其次,采用优化VMD分解滚动轴承故障信号,获得的本征模态函数分量(IMF)作为神经网络输入数据;最后,构建多头注意密集神经网络(MHA-DenseNet)故障诊断模型来有效学习故障数据中的特征信息并完成滚动轴承的准确诊断。实验结果表明,提出的故障诊断方法识别率高达99.03%,相较于对比实验该方法提高了故障诊断的准确率。     

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。     

基于改进的共振稀疏分解的滚动轴承故障诊断

针对滚动轴承早期微弱故障湮没在高强背景噪声中、造成故障特征信息提取困难的特点,提出一种改进的共振稀疏分解方法。首先采用变分模态对信号去噪,根据峭度-相关系数准则选取包含故障特征信息量多的分量进行信号重构;然后对重构后的信号进行粒子群优化的共振稀疏分解;最后对分解得到的低共振分量进行包络分析,提取故障特征频率。实验结果证明了该方法比传统共振稀疏分解更能有效地提取故障特征频率,有效地减少了干扰成分。     

基于VMD与IFWA-SVM的滚动轴承故障诊断研究北大核心

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。     

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。     

基于混合时间序列卷积神经网络的轴承故障诊断

在传统滚动轴承故障诊断中,绝大多数方法采用了从振动信号提取特征的诊断模式,但是这种模式必然会使原始信号降维进而导致故障信息的丢失。卷积神经网络(CNN)通过权重共享和稀疏连接直接对原始信号进行操作,实现自适应特征提取,最大化保留故障信息。受CNN原理启发,开发出了一种基于工业振动信号特征的新型诊断框架,称之为混合时间序列CNN(HTS-CNN)。首先,利用估计总体比例的方法自适应确定模型训练样本数目;其次,通过对时间序列片段进行随机组合的方式,使模型能够提取非相邻信号特征;最后,利用Softmax激活函数在模型输出端执行多分类任务。通过对凯斯西储大学及CUT-2平台轴承数据进行分析,实验结果表明:该方法能够准确、有效的对滚动轴承故障进行分类。     

基于LMD近似熵和改进PSO-ELM的轴承故障诊断

针对滚动轴承故障特征提取与故障识别困难的问题,提出局部均值分解(LMD)近似熵和改进粒子群优化的极限学习机(PSO-ELM)结合的滚动轴承故障诊断方法。将不同工况信号用LMD分解为一系列乘积分量,不同工况的信号在不同频带的近似熵值会发生改变,结合相关性系数选出前3个分量,计算近似熵定值作为输入的特征向量。针对PSO早熟收敛的缺点,引入自适应权重法与DE算法对PSO进行改进,将特征值输入到改进PSO-ELM网络模型中,对滚动轴承不同工况进行故障识别与分类。结果表明,基于LMD近似熵和改进粒子群优化的ELM不仅能够识别滚动轴承的故障类型,并且有更高的分类正确率,验证了该方法的可行性。     

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ANCEEMD样本熵特征提取的行星齿轮箱智能故障诊断

以行星齿轮箱为研究对象,针对经验模态分解（EMD）存在模态混叠、易出现端点效应等缺陷,导致难以很好地解决行星齿轮箱振动信号耦合及非线性特征的提取问题。本文以自适应噪声完备总体经验模态分解（ANCEEMD）为信号处理方法,引入样本熵进行特征提取,应用群智能融合算法优化的神经网络模型对行星齿轮箱故障进行识别和诊断。对于混合蛙跳算法（SFLA）与粒子群优化算法（PSO）,实施“两层优化和内外循环”的融合机制,提出SFLA-PSO融合算法。开展了行星齿轮模拟故障实验,采集了行星齿轮箱的多种故障的振动信号,进行了样本熵特征提取,应用SFLA-PSO融合算法优化了BP神经网络模型,对行星齿轮箱故障进行识别诊断。结果表明：基于ANCEEMD样本熵特征提取的SFLA-PSO-BP诊断模型较PSO-BP和BP在行星齿轮箱故障诊断中的准确率分别提高了5%、15%。     

基于BAS-BP模型的轴承剩余使用寿命预测

为有效评估轴承退化趋势,提高设备健康管理的智能化,提出一种基于BAS-BP模型的轴承剩余使用寿命预测方法。提取轴承全生命周期振动信号的时域和频域特征,构建18维退化特征;为提高神经网络的预测精度,采用天牛须搜索算法对初始权重和阈值进行优化,建立BAS-BP预测模型;通过在公开数据集上验证该模型的有效性。结果表明：所提模型可对轴承剩余寿命进行有效预测且精度较高。     

基于多尺度卷积神经网络的轴承剩余寿命预测

针对滚动轴承剩余寿命难预测的情况,在分析了轴承原始信号特征提取困难的基础上,提出了基于多尺度卷积神经网络的轴承剩余寿命预测方法。该方法将原始振动加速度信号作为输入,依次经过浅层特征提取模块、深层特征提取模块、数据融合模块和输出模块这4部分进行处理,最后输出预测的剩余寿命。同时提出了一种新型的改进均方误差作为网络的损失函数,取得了较好的效果。通过对轴承寿命预测实验的测试数据进行预测分析,该方法能够有效的预测轴承的剩余寿命。     

基于深度神经网络的滚动轴承故障诊断

针对浅层神经网络方法依靠专家经验和信号处理技术进行人工提取大量滚动轴承数据的特征变得越来越困难,而且神经网络浅层结构限制了神经网络学习复杂非线性关系的功能。结合深度学习在特征提取和处理大数据等优势,研究一种基于深度神经网络的滚动轴承故障诊断方法。该方法直接从原始数据中提取出有用特征,所提取的特征作为BP神经网络(BPNN)的输入识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障,外圈故障和滚珠故障四种状态以及各个状态的不同故障严重程度的分析,实验结果表明所研究的的方法不仅仅能够从原始信号中挖掘出有用的故障特征,还可以诊断出故障的严重程度,和BPNN相比具有更高的诊断准确率。     

基于奇异值差分谱降噪与经验模式分解的滚动轴承故障特征提取方法

针对滚动轴承振动信号含有大量噪声且具有非线性、非平稳特性致使故障特征难提取的问题,提出一种基于奇异值差分谱降噪与经验模式分解(EMD)相结合的滚动轴承故障特征提取方法。首先,将滚动轴承振动信号在相空间重构的基础上利用奇异值差分谱完成降噪;其次,将降噪后的信号经EMD筛分为多个含有信号局部特征的本征模式分量(IMF);最后对与原信号相关度最大的IMF进行Hilbert包络解调,进而提取故障特征频率。实验结果表明:该方法不仅有效去除信号噪声,而且准确提取滚动轴承的故障特征。     

堆叠稀疏自编码深度神经网络算法及其在滚动轴承故障诊断中的应用

针对目前机械设备故障数据量大、多样性且主要采用监督式学习提取故障特征的现状,提出一种堆叠稀疏自编码深度神经网络,实现无监督学习提取振动信号内在特征,并用于滚动轴承故障诊断。将频谱包络线作为低层输入逐层训练网络,获取故障特征表达,输入Softmax分类器实现故障分类;通过优化算法对整个深度神经网络进行微调,提高分类精度。滚动轴承故障诊断实验结果表明：所提出的深度神经网络能更准确地实现故障诊断,且在保证准确率的同时将频谱包络线作为低层输入,能够提高计算效率     

基于小波包和IGA-BP神经网络的滚动轴承故障识别方法

为识别数控机床运行过程中滚动轴承的运行状态,提高滚动轴承的故障状态诊断正确率,提出了一种基于小波包分解的改进遗传算法优化BP神经网络的滚动轴承故障识别方法。以滚动轴承的4种故障状态为研究对象,通过小波包分解振动信号,得到敏感特征向量;针对BP神经网络的缺点,运用改进遗传算法优化BP神经网络的阈值和权值,实现最优训练,建立更精确的滚动轴承IGA-BP状态预测模型。结果表明:IGA-BP预测模型收敛速度更快,预测准确率更高,证明了所提方法的有效性。     

基于小波改进阈值去噪与LMD的滚动轴承故障诊断研究

为从含有强烈噪声干扰的滚动轴承振动信号中提取故障特征信息,提出了一种小波改进阈值去噪与局部均值分解(LMD)相结合的故障诊断方法。首先,根据构造小波改进阈值函数需满足的必要条件以及滚动轴承振动信号特征,提出了适应于滚动轴承振动信号的抛物线平滑阈值函数,利用其对振动信号进行去噪预处理;然后,对去噪后的振动信号进行LMD分解得到若干乘积函数分量(PF);最后,根据相关系数筛选出有效PF分量,并对其进行包络解调,提取故障特征频率。仿真分析和应用实例结果表明,该方法能有效提取滚动轴承故障特征信息,实现滚动轴承的故障诊断。