基于DCNN-SVM的滚动轴承故障诊断方法研究

针对传统深度学习方法在滚动轴承故障诊断中分类准确度相对较低的问题,提出了一种基于深度卷积模型(DCNN)和支持向量机(SVM)相结合的诊断模型。利用深度卷积模型对滚动轴承故障信号进行自适应特征提取,再将提取的特征输入到支持向量机中进行模式识别。使用经典深度卷积、BP神经网络和支持向量机三种模型进行了5组对比实验,并对自适应提取的特征与人工特征进行了PCA主成分分析。结果表明,利用该方法对滚动轴承内圈点蚀、滚珠点蚀和外圈点蚀等10类故障进行实验诊断,准确率达到99.25%,提高了故障诊断准确率。     

基于LSTM-SVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱的故障诊断中特征提取过分依赖人为经验和准确率不高的问题,提出一种基于长短时记忆网络(LSTM)与支持向量机(SVM)相结合的方法。对原始时域振动信号作傅里叶变换,利用LSTM神经网络自适应智能提取特征的优势,结合SVM的分类功能,实现对风电机组齿轮箱更加准确的故障诊断。仿真结果显示,该网络模型在经过16轮训练后准确率可以达到100%,使用测试集数据准确率也可以达到99.1%。     

基于多模态集成卷积神经网络的数控机床齿轮箱故障诊断

针对数控机床齿轮箱在实际工作环境中负载多变且噪声干扰大、传统神经网络难以充分提取信号中的故障特征等问题,提出一种多模态集成卷积神经网络（MECNN）用于数控机床齿轮箱故障诊断。该方法将多模态融合技术与多个卷积神经网络结合,利用快速傅里叶变换方法将时域信号转换成频域信号;利用时域信号和频域信号对2个卷积神经网络进行训练,使模型能够分别从时域和频域2个角度提取特征,再将浅层特征融合;最后,将融合后的特征输入到卷积神经网络中进行故障特征的深度挖掘,并进行故障诊断。使用东南大学的齿轮箱数据集进行验证,设计了2种特征融合的方法并进行了对比。实验结果表明：在噪声下,MECNN模型用于故障诊断的准确性和鲁棒性均优于单一的时域CNN和频域CNN。     

基于空时模型的航空管路卡箍故障诊断研究

针对航空液压管路卡箍振动信号受强噪声干扰,导致航空卡箍故障难以精准识别的问题,提出一种空时模型的航空卡箍故障诊断新方法。建立空间特征提取模型,对航空卡箍的故障特征进行局部融合。在空间模型中引入GRU模块,提取航空卡箍故障信号中的全局特征。结果表明：设计的空时故障诊断模型可实现航空卡箍故障的精准识别。与目前所用的深度卷积神经网络模型、门控循环单元神经网络模型、循环神经网络模型、支持向量机和误差反向传播神经网络模型等5种先进的故障诊断方法进行对比分析,所提方法对航空卡箍故障识别具有优越性。     

噪声干扰下基于二维特征图和深度残差收缩网络的齿轮箱故障诊断北大核心

针对噪声环境下一维卷积神经网络单一卷积拓扑结构难以准确诊断齿轮箱故障的难题,提出一种基于二维特征图和深度残差收缩网络(TM-DRSN)的故障诊断方法。根据采集到的齿轮箱振动信号,基于重叠采样方法获取故障数据样本,并分为训练集和测试集;基于横向插样法将一维数据样本构建成便于DRSN输入的二维特征图,在DRSN输入层构建宽卷积核层作为第一特征提取层;将残差收缩模块加入深度卷积神经网络中替换由传统卷积和池化组成的特征提取层;叠加多个残差收缩模块得到深度残差收缩网络模型;将构建的DRSN用于噪声环境下的轴承故障诊断试验。结果表明:TM-DRSN方法的故障诊断精度优于其他对比方法。     

基于云模型与LSTM算法的旋转机械故障诊断研究

针对旋转机械故障率偏高,而人工参与故障诊断工作量大、效率偏低等问题,提出一种基于云模型与LSTM算法的旋转机械故障诊断方法。采用实验台采集振动故障原始数据,统一进行EEMD数据预处理,利用云模型进行故障特征数据提取,输入LSTM神经网络模型进行故障诊断。通过云模型和能量法进行特征提取,分别输入支持向量机和LSTM神经网络模型进行诊断结果对比。结果表明：云模型与LSTM算法的故障诊断准确率最高,达到98.75%,证明该方法能够有效应用在旋转机械故障诊断中。     

基于KPCA和优化ELM的齿轮箱故障诊断

针对齿轮箱的故障表征不明显且传统分类方法精度低等问题,提出一种基于核主成分分析(KPCA)特征提取和蚁群算法优化极限学习机神经网络(ACA-ELM)分类识别相结合的齿轮箱故障诊断方法。首先,从齿轮箱的原始信号中提取时域与频域特征构成特征矩阵,利用KPCA方法降低维度,剔除冗余信息,提取有效的特征指标;其次,利用蚁群算法(Ant Colony Algorithm, ACA)对极限学习机(Extreme Learning Machine, ELM)的网络初始权值与偏置进行优化,得到最优权值与偏置组合;最后,利用ACA-ELM进行齿轮箱故障诊断实验,同时与ELM、BP、ACA-BP、GA-ELM模型对比。实验结果表明,该方法进行故障诊断的准确率可以达到98.3%,能够有效地进行齿轮箱故障诊断。     

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%。     

基于特征差异性学习卷积神经网络的齿轮箱故障诊断方法

针对齿轮箱故障诊断需要大量专家经验知识、人工提取特征困难的问题，提出基于特征差异性学习卷积神经网络(FDLCNN)的故障诊断方法。构建不同深度的多尺度网络，并引入残差模块，以提升网络的特征提取能力；提取一维时序信号中不同尺度不同深度的故障特征，再通过自适应平均池化层处理后进行特征融合，以丰富智能诊断决策信息；最后在全连接层实现特征降维，使用Softmax分类器输出诊断结果。利用10种齿轮箱故障状态实验数据与现有3种方法进行对比分析，结果表明：FDLCNN故障识别精度更高，鲁棒性更强，收敛速度更快。     

基于多类SVM与改进EMD的故障诊断

鉴于传统方法在智能故障诊断中存在着一些不足,提出了一种基于多类支持向量机(SVM)和改进的经验模式分解(EMD)的故障检测与诊断办法。首先通过采用窗口平均法的EMD将原始信号自适应分解到分布在不同频带的基本模式分量(IMF),再用特征归一化处理进行特征提取,然后输入多类SVM分类器进行分类,从而对设备的当前状况作出判断。经过实验证明,本方法可以有效地对轴承设备进行故障诊断。     

基于HGWO-MSVM的齿轮箱故障诊断研究

针对齿轮箱多类故障信号非线性、不确定性难以进行有效识别的问题,提出了一种混合灰狼优化算法(Hybrid Grey Wolf Optimizer,HGWO)优化多分类支持向量机(Multi-class Support Vector Machine,MSVM)的齿轮箱故障诊断方法。首先利用小波包对齿轮箱故障信号进行降噪处理,并通过信号中各频带的能量,提取能量特征值,再将获取的特征值输入优化后的MSVM模型进行故障模式的识别。实验结果表明,相对于传统的诊断模型,基于HGWO-MSVM的齿轮箱故障诊断模型能够更有效地诊断齿轮箱的实际运行状态,提高识别效率和精度。     

基于SVD-LMD与DHMM在滚动轴承故障诊断中的应用

针对滚动轴承早期故障信号微弱难以提取和故障类型不易判别的缺点,提出了基于奇异值分解(SVD)-局部均值分解(LMD)与离散隐马尔可夫模型(DHMM)的滚动轴承故障类型识别方法。首先,对经过相空间Hankel矩阵重构的原始声学信号进行SVD降噪得到特征信号,再运用LMD对特征信号分解而产生一系列的乘积函数(PF),为去除LMD分解过程中产生的虚假分量,选择与特征信号相关系数值较大的PF并构建特征向量T以完成信号特征提取。最后,将T进行量化后作为特征观测值输入已训练收敛的DHMM模型进行故障状态识别。并与支持向量机(SVM)进行比较研究。实验结果表明,基于SVD-LMD与DHMM的滚动轴承故障诊断模型在声学信号下对早期滚动轴承的故障具有较高的识别率。     

基于VMD与发育网络的滚动轴承故障检测

针对传统的轴承故障诊断过于依赖专家经验和故障特征提取困难的现状,同时为了适应故障诊断的大数据处理及实时监测的需求,提出了一种基于变分模态分解(variational mode decomposition, VMD)与发育神经网络(developmental neural network, DNN)相结合的故障诊断方法。先将原始信号分组处理,再对分组后的信号进行VMD分解,得到若干个模态分量(IMF),根据相关系数对信号进行重构,随后提取重构信号的各个模态分量(IMF)的能量占比组成特征向量组,输入发育神经网络中进行训练和测试,进而对故障类型进行识别与分类,并与支持向量机(SVM)进行了对比。实验表明该方法的识别准确率可高达98.3%。     

基于MFCC与PCA的滚动轴承故障诊断

针对振动传感器不易安装、传统分类算法训练时间较长等问题,提出了基于美尔倒谱系数(MFCC)与主成分分析(PCA)的滚动轴承故障诊断方法。首先利用声音传感器采集滚动轴承声音信号,而后提取声音信号的MFCC特征,最后将MFCC特征作为PCA分类器的输入进行故障分类,并与反向传播神经网络(BPNN)、支持向量机(SVM)进行比较研究。实验结果表明:MFCC系数可以有效反应轴承不同工作状态下的信号特征;基于MFCC与PCA的轴承故障诊断方法能够准确、有效地识别轴承故障类型。     

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。     

基于多传感器信号分析的故障诊断

为解决复杂环境中难以诊断的机械故障,以振动信号和温度、压力等测量信号为基础,建立一种基于多种传感器信号分析的故障诊断模型。针对振动信号,采用小波包对原始振动信号进行分解,提取特征值组成原始特征向量,然后采用粗糙集方法对原始特征向量进行特征约简,将约简后的分类规则作为对向神经网络的训练集。针对温度、压力等测量信号,将各个传感器测量的数据融合形成特征向量,利用遗传算法优化的BP神经网络对其进行训练和模式识别。最后对这两类信号的诊断结果进行融合,构成了一种复合故障诊断模型。实验证明,该诊断模型有较高诊断精度和准确度。     

基于多尺度1DCNN的滚动轴承故障诊断

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。结果表明：该方法可以避免人工提取特征,获得99.94%的诊断准确率。     

基于PCA-CNN的滚动轴承故障诊断方法研究

滚动轴承工作环境恶劣、复杂,在采集信号的过程中,不可避免地会有噪声夹杂其中。为实现快速特征提取的同时提高识别率,提出一种基于主成分分析(PCA)降噪的卷积神经网络(CNN)故障诊断方法。该方法引入PCA对信号进行降噪预处理,再将处理后的信号转换成二维特征图像,输入CNN模型以提取转换后的图像特征,进行故障模式识别与分类。利用凯斯西储大学滚动轴承数据集进行故障诊断试验,结果表明:所提方法具有可行性与有效性,且满足鲁棒性和实时性的应用要求。     

基于WPD-CNN二维时频图像的滚动轴承故障诊断

滚动轴承故障诊断是现代工业发展中的重要技术。针对滚动轴承信号特征提取与智能诊断问题,提出了一种基于WPD-CNN二维时频图像的滚动轴承故障诊断方法。首先通过小波包分解(WPD)将信号转换为二维时频图像;其次将时频图像输入VGG19卷积神经网络(CNN)模型自动提取有效特征,并输入Softmax分类器进行训练;最后使用训练好的分类器完成滚动轴承故障诊断任务。实验结果表明,10类故障数据的识别准确率均在98.3%左右,高于其他深度学习和传统方法,因此所提出的故障诊断模型能有效地进行滚动轴承复杂信号的特征提取以及分类任务。     

基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断

针对复杂工况下齿轮箱多故障信号诊断准确率低的问题,提出了一种基于混合特征和堆栈稀疏自编码器的齿轮箱故障诊断方法。从微观信号特征角度提取奇异值特征和小波分解后的样本熵特征;从宏观角度提取故障信号时域特征,将3种特征进行融合,并输入到由稀疏自编码和Softmax堆栈得到的深度神经网络中进行特征优化和分类识别。实验结果表明:在2种不同工况下,对6种齿轮箱故障数据进行诊断均表现出较高分类识别精度,且所构建的分类模型综合性能上均高于文中其他对比模型,因此本文作者所提出的方法能有效地进行齿轮箱故障诊断。