轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

基于动态加权密集连接卷积网络的变转速行星齿轮箱故障诊断

针对变转速工况下基于深度学习的行星齿轮箱故障诊断问题,提出动态加权密集连接卷积网络的故障诊断方法。将行星齿轮箱振动信号的小波包系数二维矩阵输入到密集连接卷积网络作为网络的初始特征图;在密集连接卷积网络的跨层连接中加入动态加权层,形成动态加权密集连接卷积网络,加强网络的深层信息传递;通过动态加权网络层自适应提取不同频带内的故障特征信息进行行星齿轮箱故障诊断。试验表明了所提的动态加权密集连接卷积网络能有效诊断变转速行星齿轮箱故障。     

CDBN‑IKELM的轴承变工况故障诊断方法

针对现有方法在轴承变工况方面存在的诊断精度低、人工提取特征不充分等问题，提出了基于卷积深度置信网络（convolutional deep belief network，简称CDBN）与改进核极限学习机 （improved Kernel?based extreme learning machine，简称IKELM）的滚动轴承故障智能识别方法。首先，由卷积深度置信网络对原始信号内的故障特征进行深层自适应提取；其次，利用等距特征映射对提取的多维特征进行降维，去除冗余特征信息；然后，采用改进的核极限学习机对特征进行分类，使用粒子群（particle swarm optimization， 简称PSO）对模型重要参数进行优化，实现滚动轴承变工况下的故障识别；最后，将所提方法应用于不同工况下多种轴承故障的诊断。实验结果表明，该方法能够智能有效地识别变工况的轴承故障，诊断结果优于已有的智能故障诊断方法。     

基于多尺度残差网络的域适应轴承故障识别方法

不同工况下的故障轴承原始振动信号存在分布差异较大的问题，在进行故障诊断时也会存在特征提取不充分，从而导致故障诊断模型诊断精度较低的问题，为此，提出了一种基于多尺度残差网络的对数相关对齐(logCORAL-MsRN)的域适应轴承故障识别方法(模型)。首先，对轴承原始振动信号进行了预处理，将其转换为二维灰度图像；然后，使用多尺度残差块和空洞卷积对残差神经网络ResNet50的网络结构进行了改进，设计了一种多尺度残差网络(MsRN),以充分提取轴承的故障特征，避免深层网络结构的梯度消失问题；提出了一种对数相关对齐(logCORAL)域适应方法，更好地进行了域间分布对齐；最后，采用交叉熵损失和logCORAL损失作为目标优化函数，对上述模型(方法)进行了训练，在美国凯斯西储大学(CWRU)公开数据集上进行了变工况下的对比实验和消融实验。研究结果表明：logCORAL-MsRN方法在变工况条件下的轴承故障诊断的平均准确率高达96.53%,并且优于其他对比方法，即特征提取网络MsRN可以提取出不同尺度的、更加丰富的轴承故障信息，域适应方法logCORAL可以有效地对齐源域和目标域之间的特征分布，验...     

基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

基于特征可视化和深度自适应网络的轴承故障诊断

针对轴承故障诊断中,特征提取环节严重依赖人工经验及专家知识的问题,提出了一种基于格拉姆角场（Gramian angle field,GAF）变换和自适应深度网络的轴承故障诊断方法。首先,通过经验模态分解方法对采集信号进行分析,通过马氏距离度量方法有效地确定本征模函数（Intrinsic mode functions,IMFs）,将染噪信号与原始信号的相似模态分量进行挑选,以提高染噪信号信噪比,剔除不同类别信号的相似模态分量,突出信号特征;然后,利用选定的IMFs将信号重构,并基于GAF变换将重构信号可视化;最后,利用深度自适应网络进行特征学习和状态识别。结果表明,所提方法的准确率达到94.97%,优于常见的振动信号故障诊断方法;且所提方法对于噪声也能很好地抑制,具有较好的鲁棒性,为轴承的智能化和精确化诊断提供了合理思路。     

基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

基于FDEO与改进ACYCBD的风电机组轴承故障特征提取

针对由于实际工况中风电机组轴承发生故障所采得的信号会受到变速变载的影响,造成故障特征难以提取的问题,提出了基于频域能量算子(Frequency domain energy operator,FDEO)与自适应最大2阶循环平稳盲解卷积(Adaptive maximum second order cyclostationarity blind deconvolution,ACYCBD)的风电机组轴承故障特征提取方法。首先,通过SCADA数据提供的高速轴转速平均速度对CMS(Condition monitoring system)系统采集的振动信号进行感兴趣的振动成分选择,并通过窄带滤波和FDEO对振动信号进行瞬时频率估计和阶次跟踪;其次,针对风电机组振源多、振动信号复杂的特点,对通过阶次跟踪后的角度域振动信号应用改进ACYCBD完成故障特征提取。工程应用分析结果表明,该方法能够准确有效地实现风电机组轴承特征的提取而不受到其他振源的影响。     

基于FFT-SDAE的地铁牵引电机轴承故障智能诊断

针对地铁牵引电机轴承故障诊断中因工况复杂影响人工提取特征效果的问题,提出了一种基于快速傅里叶变换(Fast Fourier Transform,FFT)和堆叠降噪自编码器(Stacked Denoising Auto Encoder,SDAE) (FFT-SDAE)的地铁牵引电机轴承故障智能诊断方法.首先,使用大量无标签数据预训练深度自编码器的特征提取能力,自适应提取轴承故障特征;然后,通过小样本有标签数据微调网络学习分类性能,搭建地铁牵引电机轴承的FFT-SDAE网络模型;最后,通过试验研究FFT-SDAE网络结构对轴承故障诊断准确率的影响,选取最佳网络参数.试验结果表明,在变转速和变载荷的情况下,所提方法可以很好地提取故障的深层特征,在使用工况较复杂的数据集时,所提方法的诊断准确率优于传统的故障诊断方法.     

基于深度特征提取与迁移学习的滚动轴承故障诊断

机械设备的安全运行是工业制造过程中的基本要求,而滚动轴承作为机械设备的重要部件,由于在复杂条件下长时间运行,容易发生不可预见的故障。故障的发生,无论大小都会造成经济损失。因此,对滚动轴承进行可靠的诊断至关重要。针对强噪声背景下卷积神经网络特征辨识度不足的问题,提出一种多尺度卷积神经网络（multiscale convolutional neural network,MSCNN）与双向门控循环单元（bidirectional gated recurrent unit,Bi GRU）相融合的深度特征提取网络,利用MSCNN和Bi GRU对带噪声的振动信号分别提取多尺度特征和时序特征,并通过注意力机制模块对融合特征赋予不同权重,实现重要特征选择。进一步,为解决变工况下源域与目标域特征分布不同的问题,在所提深度特征提取网络中引入迁移学习,通过多级距离公式度量源域与目标域特征分布差异,并将度量结果添加到损失函数中,利用损失的反向传播,实现源域与目标域特征分布对齐。最后,模型以softmax函数作为分类器进行滚动轴承故障诊断。实验对比和分析表明,所提模型具备较好的迁移能力,取得了更高的故障识别准确...     

[设备健康管理]深度置信网络在齿轮故障诊断中的应用

针对齿轮传动系统中齿轮等零部件易出现故障或失效等问题,提出了一种基于深度学习理论的齿轮传动系统故障诊断方法。首先利用深度置信网络强大的特征自提取能力,对齿轮传动系统的振动信号进行特征提取,然后通过DBNs的复杂映射表征能力对故障信号进行故障判别。诊断实例表明,若不对齿轮振动的原始时域信号进行特征提取,直接利用DBNs对其进行诊断时,故障识别正确率只能达到 60%左右;如果对时域信号进行简单的傅里叶变换后,再利用 DBNs 对处理后的振动信号频谱进行诊断分析,正确率能达到 99.7%,从而证明了所提故障诊断方法的简易性和有效性。     

基于深度卷积变分自编码网络的故障诊断方法

机械传动部件的健康状况影响设备的正常运行,针对齿轮、轴承等传动部件的故障诊断,传统的诊断方法是依靠人工经验提取和选择故障特征,然而,特征选择的优劣直接影响诊断效果。结合深度学习在特征提取和处理高维数据方面的优势,提出一种基于深度卷积变分自编码网络(DCVAEN)的故障诊断方法。该方法利用频谱数据训练深度神经网络,能减少特征提取对人工经验的依赖和信息的损失,在网络中加入了变化的噪声和调整学习率,使得网络隐层提取判别性的故障特征,能满足多故障和变工况的诊断。利用自吸式离心泵数据和西储大学轴承数据进行分析验证,实验结果表明,所提方法能更准确、更稳定地识别传动部件的各种故障,具有较强的泛化能力。     

小波包能量与CNN相结合的滚动轴承故障诊断方法

针对滚动轴承故障种类繁多,故障信号特征不明显的问题,提出了一种小波包能量与卷积神经网络相结合的滚动轴承故障判别方法.首先对原始振动信号进行小波包分解,其次求取分解后各个子带信号的能量,归一化后得到一组特征向量,最后将该特征向量作为卷积神经网络的输入,进而判断输入信号所对应的故障类型.为验证所提方法的有效性和优越性,采用美国凯斯西储大学轴承数据集,将所提出的方法与另外两种故障诊断算法进行对比.在不同工况情况下的对比试验结果表明,小波包能量特征提取方法,能够有效提取出原始信号故障特征.相较于常见的卷积神经网络的故障诊断方法,所提方法能够有效提高故障识别准确率,且速度快、稳定性好.     

一种变转速下滚动轴承振动信号盲源分离方法

确定性随机分离(DRS)是一种有效的滚动轴承振动信号盲源分离方法,但其只能处理稳速工况下的信号,无法实现变转速信号的盲源分离,为此结合角域重采样技术解决上述问题。首先通过角域重采样将时域变转速信号转化为角域稳态信号,减少转速变化的影响,再应用DRS对角域稳态信号进行分离,提取信号中的确定性成分,最后将角域确定性信号反向转换回到时域,实现变速信号的盲源分离。通过轴承故障模拟试验证明所提方法能够实现变转速下滚动轴承振动信号盲源分离,并从随机成分中可有效提取轴承故障特征。     

注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法

针对不同工况下旋转机械数据分布存在差异导致故障特征无法精确表征问题,提出注意力深度迁移联合适配的不同工况下旋转机械故障诊断方法。首先,将频域特征以单边谱形式输入深度卷积神经网络,保留原始信号特征的同时减小网络输入维度,有效提升网络训练效率。然后,挖掘两域样本特征形成对应域分布式特征表达,以小型通道注意力机制关注两域形成的特征通道间的内在联系,聚焦两域故障本质特征。进而,以最小均值差异距离为度量,最小化特征通道分布差异,实现故障特征迁移适配。最后,通过全连接层整合适配后的分类信息,实现不同工况下旋转机械故障诊断。通过不同工况下两组旋转机械故障诊断试验,证明了所提方法具有较高的诊断精度和泛化能力。     

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变，导致故障样本分布不均，给传统机器学习带来巨大的困扰。针对上述问题，提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先，利用小波变换改进卷积神经网络的卷积层，并自适应提取轴承样本特征。其次，利用最大均值差异度量和权重正则化在损失函数处理所生成的特征，改善样本分布差异，获取域适应神经网络模型。最后，利用A-distance距离改进平衡分布自适应，使其具备动态特性，进一步改善样本分布差异，通过KNN分类器实现轴承迁移诊断。经过实验验证，所提方法在同试验台和跨试验台案例验证中，能够较为精确地迁移出轴承故障状态，证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题，具备有效性与鲁棒性。     

基于改进谱峭度与一维卷积神经网络的轴承故障诊断

由于轴承所处工况的复杂性,其振动信号中包含了各种噪声和干扰,导致传统信号处理方法效果不理想.因此,很多研究将信号处理方法与神经网络相结合对故障进行诊断,卷积神经网络(CNN)因其对图像具有独特的特征提取能力而被引入故障诊断领域.而通过信号处理构造的图像可能存在信息冗余问题,将信息冗余图像直接作为网络输入会增加其复杂度....     

预测轴承寿命的gate递归单元特征融合域自适应模型

采用现有的数据驱动模型对不同工况下的轴承剩余使用寿命(RUL)进行预测时,精度会大幅下降。针对这一问题,提出了一种基于门控递归单元特征融合领域自适应(GFFDA)模型的轴承RUL预测方法。首先,采用信号分析方法对轴承振动信号进行了特征提取,并采用特征评价的方法选择出了5个最优特征,在最优特征的基础上,采用粒子群算法优化后的支持向量机的方法对轴承的健康阶段进行了划分;然后,选择目标域和源域退化阶段的最优特征子集作为GFFDA模型的输入,采用源域数据对特征提取器和寿命预测模块进行了预训练;最后,更新了目标特征提取器和寿命预测模块,对目标域的RUL进行了预测;并使用西安交通大学的轴承数据集对该GFFDA模型的有效性进行了验证。研究结果表明：相比于现有的数据驱动模型,GFFDA模型具有更好的跨工况分析能力和更出色的信息提取能力;同时,在对变工况的轴承寿命进行预测时,采用GFFDA模型具有更好的性能。     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

高噪声下改进卷积神经网络轴承故障诊断

针对强噪声背景下滚动轴承振动信号特征不平稳,导致诊断算法的泛化性变差,抗噪能力弱,难以实现有效的故障诊断的问题,提出一种改进卷积神经网络滚动轴承故障诊断方法。该方法在深度卷积神经网络的基础上,引入门控循环单元（GRU）解决神经网络中梯度爆炸问题,引入注意力机制（Attention）提高网络自适应能力,降低超参数选择的难度,采用SVM分类器代替深度卷积神经网络的分类层,提高分类的准确度。为了验证所提方法在强噪声环境下的鲁棒性和泛化性,利用西储大学轴承数据集进行验证。实验结果表明,所提算法的分类准确度的最大高于WDCNN算法24.7%,证明了所提方法在高噪声背景下具有较好的抗噪性和泛化性。