基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

基于多源域异构模型迁移的滚动轴承故障诊断方法

针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大,多个相似数据集资源利用不充分,导致诊断模型准确率不高的问题,提出一种基于多源域异构模型迁移的滚动轴承故障诊断方法。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图;选择多种不同规格和工况下已知标签数据作为多源域,其他规格和工况下少量已知标签数据作为目标域;使用多个源域数据训练多个ResNet-34深度网络,并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略,使其能够自适应决定迁移到目标域的知识层级及内容;提出将源域知识迁移到VGG-16深度网络得到多个目标域模型后,将其提取的特征首尾相接输入同一个极限学习机中实现特征融合和分类,最终建立滚动轴承故障诊断模型。经试验验证,所提方法可实现不同规格和工况下滚动轴承间的迁移诊断问题,并具有较高的准确率。     

基于变分模态分解与深度卷积神经网络的滚动轴承故障诊断

针对滚动轴承振动信号非平稳、非线性特点以及特征提取困难问题,提出一种基于变分模态分解(VMD)与深度卷积神经网络相结合的特征提取方法并应用于滚动轴承故障诊断。利用VMD将原始振动信号分解得到若干不同频率的限带本征模态分量,通过卷积网络中的多组卷积核自动学习各模态数据的不同特征,保证了特征提取的自适应性、全面性和多样性。在特征提取的基础上,使用全连接神经网络进行故障分类与诊断。将所提方法应用于滚动轴承故障诊断,结果表明,该方法在变工况情况下能够实现滚动轴承故障类别以及损伤程度的精确判定。     

基于IMF特征提取的滚动轴承故障诊断

滚动轴承故障诊断的关键是敏感故障特征的提取。模糊熵(Fuzzy Entropy,FE)是一种检测时间序列复杂程度的方法,已广泛应用于故障诊断。由于机械系统的复杂性,振动信号的随机性表现在不同尺度上,因此需要对振动信号进行多尺度的模糊熵分析。在此基础上,提出了基于经验模态分解(Empirical Mode Decompose,EMD)和模糊熵的滚动轴承故障诊断方法。首先,采用EMD方法对振动信号进行分解,得到不同尺度的内禀模态函数(Intrinsic Mode Function,IMF)并计算包含主要故障信息的IMF分量的模糊熵;其次,对IMF分量的模糊熵值进行基于样本分位数的特征提取;最后,将分位数值作为特征向量,输入基于优化算法的支持向量机。将该方法应用于滚动轴承实验数据,分析结果表明,此方法可有效实现滚动轴承的故障诊断。     

基于多传感器的神经网络和D-S证据理论在故障诊断中的应用

为提高滚动轴承故障诊断的准确性,本文提出了一种基于多传感器神经网络和D-S证据理论的故障诊断方法,并通过包含3个传感器的监测数据融合对模型进行了验证.首先,利用两个加速度传感器和一个声传感器采集滚动轴承的振动信号和噪声信号.其次,分别对两个加速度传感器的振动信号进行总体经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)得到各固有模态函数(Intrinsic Mode Function,IMF)分量,并提取各IMF分量的能量特征作为子网络1和子网络2的输入参数;同时,对声传感器的噪声信号进行小波包分解提取各频段能量特征作为子网络3的输入参数;3个子网络的局部诊断结果归一化处理得到各自独立的证据体,对冲突证据加权修正并运用D-S证据理论进行决策级的信息融合得出最终的故障诊断结果.实验结果表明:该方法可有效提高滚动轴承故障诊断的准确率,降低故障诊断的不确定性.     

基于EEMD能量熵及LS-SVM滚动轴承故障诊断

针对滚动轴承振动信号的非平稳特性和现实中难以获得大量典型故障样本的实际情况,提出基于集合经验模态分解（EEMD）能量熵和最小二乘支持向量机（LS-SVM）的滚动轴承故障诊断方法。首先通过EEMD分解将非平稳的原始振动信号分解成若干个平稳的固有模态函数（IMF）;滚动轴承同一部位发生不同严重程度的故障时,在不同频带内的信号能量值会发生改变,因此可通过计算振动信号的EEMD能量熵判断发生故障的严重程度;从包含主要故障信息的IMF分量中提取的能量特征作为输入来建立支持向量机,判断滚动轴承的技术状态和故障严重程度,并选用不同核函数对诊断效果进行分析比较。实验结果表明,该方法能有效地应用于滚动轴承的故障诊断。     

基于多源域深度迁移学习的机械故障诊断EI北大核心CSCD

针对不同工况下的机械故障诊断问题,迁移学习方法相比于深度学习具有明显的成效,单源域迁移故障诊断仍会出现负迁移和模型泛化能力差的问题。因此,本文提出一种基于多源域深度迁移学习的机械故障诊断方法。首先,进行锚适配器的构建,获得多源域-目标域适配器数据对。其次,建立基于深度域适应的迁移学习网络模型获得每个数据对的分类器与预测结果。最后,采用加权集成的方式进行分类器集成,用于最终的故障诊断识别。所提方法充分集成多源域故障特征信息,提取域不变特征,避免负迁移的问题,提高模型的泛化能力。通过一个滚动轴承数据来验证提出方法的性能,结果表明,多工况迁移故障诊断分类精度明显高于其中任意单一工况迁移,最高可提高8.78%,与其他方法相比,所提方法具有较好的精度和泛化能力。     

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network, MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference, LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。     

基于MTF-CNN的滚动轴承故障诊断方法EI北大核心CSCD

针对传统故障诊断方法在滚动轴承实际工况复杂多变、数据集较小时对轴承故障诊断识别准确率较低的问题,提出了MTF-CNN滚动轴承故障诊断模型。首先采用马尔科夫转移场(MTF)编码方式将原始一维振动信号转化为具有时间相关性的二维特征图像,然后将特征图作为卷积神经网络(CNN)的输入进行自动特征提取和故障诊断,最后实现对不同故障类型的分类。为了验证所提方法的有效性和优越性,选用凯斯西储大学滚动轴承数据进行试验验证,并在负载改变时和不同数据集规模下对所提出方法的泛化性能进行测试,同时与传统智能算法进行对比分析。结果表明,相较于其他常用的故障诊断方法,所提出模型在数据集较小、负载改变的环境下对滚动轴承故障诊断具有更好的泛化性能和识别效果。     

基于量子遗传算法优化RVM的滚动轴承智能故障诊断

提出了基于量子遗传算法(QGA)优化相关向量机(RVM)核函数参数的方法,通过仿真比较了量子遗传算法与其它方法在核函数参数优化方面的性能,结果表明基于量子遗传算法优化出的算法性能优于其它方法的优化性能。将基于量子遗传算法优化的相关向量机(QGA-RVM)应用于滚动轴承的故障诊断;采用总体平均经验模态分解(EEMD)将滚动轴承故障信号自适应地分解成多个内禀模态函数(IMF),将IMF能量作为故障特征输入到QGA-RVM进行最终的故障诊断。结果表明,该方法能够快速准确地诊断出滚动轴承故障,验证了该方法的有效性和稳定性;此外,通过与支持向量机(SVM)的对比分析,显示了RVM在智能故障诊断应用中的优越性。     

基于EMD和SSAE的滚动轴承故障诊断方法

深度学习以其强大的特征提取能力展现了它在故障诊断领域的绝对优势。为此,提出了一种基于EMD和SSAE的滚动轴承故障诊断方法。首先采用EMD方法分析滚动轴承振动信号,并用得到的IMF构造Hankel矩阵,获得能反映信号特征的奇异值;其次将奇异值划分为训练集与测试集样本,建立基于SSAE方法的故障诊断模型;最后训练与测试搭建的深度神经网络,得到诊断准确率。所提方法不需要大量的故障诊断先验知识,无需对信号去噪处理,简化了滚动轴承故障诊断的特征提取过程,具有较高的故障诊断准确率。     

基于广义回归神经网络-柔性最大值分类模型的轴承故障诊断方法EI北大核心CSCD

针对复杂工况下的滚动轴承振动信号,提出一种基于广义回归神经网络-柔性最大值分类模型的故障诊断分类方法,实现故障模式的识别。对滚动轴承振动信号进行变分模态分解,特征提取等预处理得到特征数据集,并将其划分为训练集,验证集和测试集;使用训练集和验证集训练广义回归神经网络-柔性最大值分类模型,同时引入灰狼优化算法优选该模型的关键参数平滑因子得到理想的分类模型;将训练好的模型应用测试集,输出故障识别结果;通过模拟试验采集不同工况下的轴承故障数据,进行方法有效性验证。结果表明该方法能在小样本训练集下实现对不同工况下的轴承故障的有效诊断,是一种适用于实际工况的故障诊断方法。     

基于EEMD的滚动轴承故障诊断方法

提出一种基于集合经验模态分解的滚动轴承故障诊断方法。首先目标信号中加入一定分量的白噪声信号;然后再进行经验模态分解;并且多次重复以上两步,但每次加入不同的白噪声信号;取多次所得的对应内禀模态函数的平均值作为最终的内禀模态函数。最后对内禀模态函数进行Hilbert变换,得到Hilbert谱和Hilbert边际谱,通过谱分析识别滚动轴承的运行状态和故障类型。实验结果显示所提方法的有效性。     

基于变分模态分解和排列熵的滚动轴承故障诊断EI北大核心CSCD

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断

针对噪声和不同转速的复杂工况下滚动轴承故障诊断问题,提出一种基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断方法。在深度残差收缩网络中加入领域适配层构建出具备降噪与适配能力的深度残差收缩迁移网络,从而减小噪声带来的干扰及转速变化导致的分布差异。首先,利用注意力机制学习经卷积层后各特征通道的重要性自动设定一组阈值,借助软阈值化将阈值范围内的特征置为零,减少噪声带来的干扰;然后,通过边缘分布适配对齐两域特征分布,减小转速变化带来的分布差异;最后,在Softmax分类层下实现端到端的复杂工况下滚动轴承故障诊断。复杂工况下滚动轴承故障诊断试验验证了所提方法的可行性和有效性。     

基于噪声辅助多元经验模态分解和多尺度形态学的滚动轴承故障诊断方法

为了从强噪背景中提取滚动轴承微弱故障特征,提出一种基于噪声辅助多元经验模态分解 (Noise Assisted Multivariate Empirical Mode Decomposition,NAMEMD)和数学形态学的滚动轴承故障诊断方法。NAMEMD是新提出的一种基于噪声辅助数据分析方法,其克服了集成经验模态分解的模态混淆和运算量大等问题。本文将NAMEMD与多尺度形态学相结合应用于滚动轴承故障诊断。该方法首先利用NAMEMD将多分量调频调幅故障信号自适应分解为一系列IMF分量;其次,选取能量高的IMF分量求和重构;最后利用多尺度形态学差值滤波器提取信号的故障特征频率。为了验证理论的正确性,进行了仿真试验和轴承故障试验,并与EEMD和包络解调进行了比较,结果表明本文方法在进一步降低模态混叠效应的同时,明显提高了运算速度,对滚动轴承外圈、内圈和滚子故障的检测精度更高,能够清晰地提取出故障信号的故障特征频率。     

不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法

针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。     

基于变分模态分解和排列熵的滚动轴承故障诊断

滚动轴承早期故障信号特征微弱且难以提取,为了从轴承振动信号中提取特征参数用于轴承故障诊断和识别,提出基于变分模态分解(Variational Mode Decomposition,VMD)和排列熵(Permutation Entropy,PE)的信号特征提取方法,并采用支持向量机(Support Vector Machine,SVM)进行故障识别。对轴承振动信号进行变分模态分解,得到不同尺度的本征模态函数;计算各本征模态函数的排列熵,组成多尺度的复杂性度量特征向量;将高维特征向量输入基于支持向量基建立的分类器进行故障识别分类。通过滚动轴承实验数据分析了算法中参数选取问题,将该方法应用于滚动轴承实验数据,并与集合经验模态分解和小波包分解进行对比,分析结果表明,基于变分模态分解和排列熵的诊断方法有更高的诊断准确率,能够有效实现滚动轴承的故障诊断。     

基于EMD的奇异值分解技术在滚动轴承故障诊断中的应用

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition,简称EMD)和奇异值分解技术的滚动轴承故障诊断方法。该方法首先采用EMD方法将滚动轴承振动信号分解为多个平稳的内禀分量(IntrinsicModefunction,简称IMF)之和,并形成初始特征向量矩阵。然后对初始特征向量矩阵进行奇异值分解得到矩阵的奇异值,将其作为滚动轴承振动信号的故障特征向量,并输入神经网络来识别滚动轴承的工作状态和故障类型。实验分析结果表明,本文方法能有效地应用于滚动轴承故障诊断。     

基于FVMD的滚动轴承故障特征提取方法EI北大核心CSCD

针对变分模态分解(variational mode decomposition,VMD)中模态数K和惩罚因子α无法自适应确定的问题,提出了基于快速变分模态分解(fast VMD,FVMD)的滚动轴承故障特征提取方法。首先,利用频谱趋势分割方法对滚动轴承振动信号进行分析,确定频谱趋势分割边界,进而自适应确定VMD的分解模态数K和惩罚因子α、模态初始中心频率ω;其次,根据参数K、α、ω,完成原始振动信号的自适应分解,并基于有效权重峭度准则提取有效本征模态函数(intrinsic mode function,IMF)分量;最后,利用希尔伯特包络解调计算有效IMF分量重构信号的包络频谱图,完成滚动轴承故障特征的提取。使用仿真信号、美国凯斯西储大学(Case Western Reserve University,CWRU)和美国航空航天局(National Aeronautics and Space Administration,NASA)的滚动轴承数据完成所提方法与传统VMD方法的对比试验。结果表明,所提方法能够自适应确定VMD的分解模态数K和惩罚因子α,提高VMD的计算效率,同时有效提取到滚动轴承的故障特征频率,证明了所提方法的有效性和可行性。