多通道一维残差卷积神经网络在风力发电机组轴承故障智能诊断中的应用

为提高卷积神经网络在风力发电机组轴承故障诊断上的准确率，本文对某2MW风力发电机组轴承故障数据，进行单通道及多通道、多种诊断网络模型、不同优化算法的故障诊断分析对比，提出将多个振动传感器的数据整合为多通道一维数据集，再使用一维残差卷积神经网络进行故障诊断。得出基于Adam优化算法的多通道一维残差卷积神经网络诊断准确率最高。因此，多通道一维残差卷积神经网络在风力发电机组轴承故障诊断中应用效果良好，能够准确的识别各类故障模式，为机组的安全、稳定运行提供了保障。     

基于谱相关密度和卷积神经网络的轴承故障诊断

针对短时傅里叶变换、小波变换等传统信号预处理方法易受噪声影响的问题,提出了一种基于谱相关密度和卷积神经网络的滚动轴承故障诊断方法(SCD-CNN)。首先,利用谱相关密度能有效抑制高斯噪声的优点,将一维振动信号转变为二维谱相关密度图,用于提高卷积神经网络输入信号的信噪比;然后,将谱相关密度图作为卷积神经网络的输入,通过二维卷积神经网络实现轴承故障特征提取和分类;最后,利用凯斯西储大学标准轴承数据集的试验结果表明,相对于STFT-CNN和CWT-CNN模型,SCD-CNN模型具有更高的故障识别准确率(98.97%)。另外,对SCD-CNN模型的诊断结果,不同阶段的特征图以及分类过程进行了可视化分析,探讨了SCD-CNN模型故障识别准确率提高的深层次原因。     

基于一维卷积神经网络的滚动轴承故障程度诊断

针对滚动轴承性能退化状态的识别问题,提出了基于一维卷积神经网络的故障诊断方法.以轴承原始振动信号为输入,利用一维卷积神经网络自适应学习特征和分类的能力,实现由数据到识别结果的"端到端"诊断,避免了人为因素的干扰.通过凯斯西储大学不同故障尺寸的滚动轴承故障数据(模拟不同故障程度)加以验证,所建立python-Keras深...     

基于特征快速构造与卷积神经网络的机泵故障识别研究

将卷积神经网络(CNN)应用于振动信号分析时,往往会出现由于一维信号转化为二维特征导致的计算量巨大的问题,针对这一问题,对卷积神经网络输入构造及不同构造方式对神经网络性能的影响进行了研究。基于机泵振动信号分析特点,提出了一种新的将一维振动信号转换为二维的特征快速构造方法;基于特征快速构造方法和卷积神经网络,构建了机泵故障智能识别模型;利用某石化现场轴承故障和不平衡故障数据对故障模型进行了测试,并与其他信号转化方法及故障识别模型进行了对比。研究结果表明:不同故障类型模型均可以快速收敛,故障识别准确率均达95%以上;在故障识别准确率和训练效率方面,该模型较其他模型有着较显著的优势。     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于连续小波变换和卷积神经网络的无刷直流电机故障诊断

提出一种能够精确诊断无刷直流电机不同种类轴承故障、转子不平衡、霍尔元件故障和定子绕组三相不平衡故障的方法。将数据采集系统采集到的一维的机械振动信号进行连续小波变换,即可将一维的时域信号转变为二维的时频图像。对不同故障的时频图像利用基于卷积神经网络的深度学习算法进行训练,得到无刷直流电机故障网络模型。利用训练好的模型对验证数据进行推理,即可实现电机故障检测和分类。实验表明,电机8种健康/故障模式的分类精度接近100%。     

基于分支卷积神经网络的托辊轴承故障分级诊断研究

在对矿山机械装备中使用的轴承进行故障诊断时,易受噪声干扰及多变工况的影响,同时也难以适应不同诊断任务,针对这一系列问题,提出了一种基于分支卷积神经网络(B-CNN)的托辊轴承故障分级诊断方法。首先,根据具体的诊断任务故障的层级结构进行了划分,采用多层标签表示健康状态、故障类型和损伤程度;通过交替卷积和池化层,构建了一维卷积神经网络(1DCNN)特征提取块;然后,将层级结构和特征提取块融合,设计出了一种基于分支一维卷积神经网络(B-1DCNN)的轴承故障分级诊断模型;最后,使用美国凯斯西储大学轴承数据和自建的带式输送机托辊故障模拟实验台数据,对托辊轴承故障进行了模拟实验,对该方法在噪声干扰和多变工况下的诊断性能进行了验证。研究结果表明：该方法成功实现了对托辊轴承故障从粗到精的分级诊断,对噪声干扰和变工况具有较好的鲁棒性,且与支持向量机(SVM)和反向传播神经网络(BPNN)模型相比,该方法的故障诊断性能更好。     

基于一维密集连接卷积网络的配电网故障定位研究

分布式电源大量接入配电网,加大了网络的复杂程度,需要采集的数据量变大,对现在的配电网故障诊断技术带来了挑战,以数据驱动方法作为配电网故障定位方法成为了一种新的趋势。为此提出了一种基于一维密集连接卷积网络的配电网故障定位方法。通过三个测量点将零序电流采集出来作为网络的输入信号,然后将输入信号输入到改进卷积神经网络的一维密集连接卷积网络中进行特征提取,提取出故障特诊信息后输入到Softmax分类器中进行故障区段确定,最后通过配电网模型验证所提方法能够针对不同故障类型、不同过渡电阻具有快速准确的故障定位能力,并且和传统的一维卷积神经网络相比,具有更大的优越性。     

基于CBAM-CNN的滚动轴承故障诊断方法

针对传统轴承故障诊断需要依靠先验知识和专业技术的问题,提出一种端到端的流程架构和基于卷积神经注意力模块-卷积神经网络(Convolutional Block Attention Module-Convolution Neural Network, CBAM-CNN)的滚动轴承故障诊断模型,该方法能够自适应提取故障特征,摆脱了对人工处理复杂信号的依赖。首先,将一维故障振动信号转换为二维图像,并用伪彩色将其变为RGB三通道图像;其次,通过注意力机制CBAM模型,注重其重要的特征信息,调整权重参数,之后将其输入卷积神经网络,并添加Dropout层来增强模型的鲁棒性,添加L2正则化来防止过拟合且提升模型的泛化能力;最后,对不同类型的滚动轴承故障进行分类,完成滚动轴承故障诊断。为了验证CBAM-CNN模型的性能,使用了美国凯斯西储大学轴承实验台数据集进行验证,并将该网络模型应用于轴承实验台。结果表明,与其他诊断方法相比,该方法不仅结构简单,而且诊断高效,故障诊断效果良好。     

基于融合CNN与PSO-SVM的滚动轴承故障诊断

针对滚动轴承故障识别过程中,难以提取细微故障特征的问题,提出一种基于融合卷积神经网络与基于粒子群优化算法的支持向量机相结合的滚动轴承故障诊断方法.该方法将轴承振动信号同时作为一维卷积神经网络和二维卷积神经网络的输入信号,并在汇聚层中将提取到的故障信息融合,最后通过优化后的分类器提高故障识别准确率.为了验证该方法的诊断性能,将与融合卷积神经网络同规格的一维卷积神经网络和二维卷积神经网络进行对比.试验结果表明,该方法不仅可以提高故障识别准确率,还可以在信号受到噪声污染时保持良好的诊断性能.     

基于1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1D-CAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1D-DCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1D-CAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学(CWRU)以及西安交通大学(XJTU)轴承数据集进行了实验。实验结果表明：基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明：即使在样本数量较少的场景下,基于1D-...     

基于深度可分离卷积神经网络轴承剩余寿命预测

为进行轴承剩余寿命(Remaining Useful Life, RUL)预测,采用小波-谱峭度分析方法,首先对轴承振动序列信号进行小波包分解,并以谱峭度作为指标,确定故障特征频带并进行信号重构,然后,根据其频谱特征判断轴承是否发生故障,最终确定轴承振动序列信号的初始故障点(Incipient Fault Point, IFP)。在此基础上,将引入注意力(Attention)机制的一维深度可分离卷积神经网络用于轴承初始故障点之后振动信号特征的提取,相比传统卷积神经网络,深度可分离卷积层可减少网络训练参数个数,加快网络训练速度。实验结果表明,注意力机制的引入使网络能够聚焦信号中关键的特征,为重要特征赋予较大权重,避免人工处理特征的不足,利于有效特征提取,最终预测结果好于SVR、CNN、RNN等常用数据驱动方法。     

轴承故障的多源异构数据特征级融合诊断方法

为了实现轴承多源异构故障数据的特征融合,达到提高故障诊断精度的目的 ,提出了基于深度神经网络的多源故障特征融合方法.介绍了堆叠自编码器和卷积神经网络原理;使用堆叠自编码器提取了一维振动数据的故障特征,使用卷积神经网络提取了二维图像数据的故障特征;为了充分发挥多源异构故障数据的关联性和互补性,使用深度神经网络将一维数据特征和二维数据特征进行交替优化和融合,提取更加能够反映故障特性的隐藏融合特征.以凯斯西储大学轴承故障数据为基础设计了三组实验,由实验结果可以看出,基于融合特征的故障诊断精度比单独使用一维数据特征或二维数据特征的诊断精度高10％以上,充分证明了基于多源异构特征融合故障诊断方法的有效性.     

基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法

传统卷积神经网络模型采用单一类型卷积核，面对复杂工况下的实际数据时存在特征提取不充分，故障识别率低等问题，因此提出了一种基于多种卷积核特征提取自适应融合的滚动轴承故障诊断方法(MCK-CNN)。首先，将轴承一维振动信号经过小波变换转换为二维时频图，将时频图经过一个共同的特征提取网络初步进行特征提取后并行经过一个常规的Convolution和Involution卷积网络；然后，经过2个由不同卷积核构成的网络进行不同方式的特征提取并通过CBAM注意力模块将两类特征自适应地融合；最后，将融合特征输入全连接层并通过Softmax函数输出分类结果。CWRU和实验室轴承数据集的试验结果表明，MCK-CNN模型的训练效率和故障识别率均较高。     

基于深度一维残差卷积自编码网络的齿轮箱故障诊断

一维振动信号常常被用于齿轮箱的监测与故障诊断中,使得能及时地对齿轮箱维护以减少损失。因此,从一维振动信号中提取出关键故障特征决定了故障诊断模型的准确性与可靠性。典型的深度神经网络(deep neural network, DNN),如卷积神经网络已经在故障诊断中表现出良好的性能并得到了广泛的应用,但其监督式训练方式往往需要大量的标签数据而限制了其可应用性。因此,提出一种新的深度神经网络模型,一维残差卷积自编码器(1-dimension residual convolutional auto-encoder,1DRCAE),成功应用于振动信号的无监督学习及故障特征提取,显著提高了齿轮箱的故障诊断率。首先,提出了一维卷积层与自编码器的有效集成方法,形成了深度一维卷积自编码器;其次,引入残差学习机制训练一维卷积自编码器,实现对一维振动信号有效地特征提取;最后,基于编码器提取的特征,使用少量标签数据进行分类微调实现齿轮箱故障模式识别。通过齿轮箱试验台采集的传感器数据进行实验验证表明,这种无监督学习方法具有良好的去噪能力和故障特征提取能力,其特征提取效果好于典型的深度神经网络,如深度置信网络(Deepbeliefnetwork,DBN)和堆叠自编码网络(Stackedauto-encoders,SAE),同时故障诊断效果也优于一维卷积神经网络(1-dimension convolutional neural network, 1DCNN)。     

基于EMD-AR谱和GA-BP的滚动轴承故障诊断研究

为了提高滚动轴承振动信号的故障特征提取能力,快速有效地诊断出轴承的故障类型,提出了一种基于EMD-AR谱和GA-BP神经网络的滚动轴承故障诊断模型,以美国凯斯西储大学轴承数据中心的轴承振动加速度数据为例,对滚动轴承各种状态进行了理论分析和实验测试研究。首先,通过经验模态分解,将采集到的轴承振动信号进行了分解,获得了不同阶次的固有模态函数分量;然后,通过自回归模型对这些分量进行了故障特征提取,并由AR模型的参数和残差的方差组成了故障特征向量矩阵;最后,将故障特征作为遗传算法优化BP神经网络的输入数据和输出数据,分别对该故障诊断模型进行了训练和测试。研究结果表明:基于EMD-AR谱和GA-BP的滚动轴承故障诊断方法可以有效识别不同类型的故障特征;相较于传统的基于BP神经网络、GA-BP神经网络诊断方法,其诊断的效率更高,并且诊断准确率可达到95%。     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型：首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。     

基于深度学习的航空发动机齿轮故障诊断

传统的机械故障诊断方法需要将采集的故障波信号进行信号处理,再结合神经网络进行特征提取与分类,不仅流程复杂、耗费时间,而且识别准确率不高。针对此问题,采用一维卷积神经网络（one dimensional convolutional neural network,简称1D?CNN）对试验获取的某航空发动机的齿轮故障振动数据进行特征提取与分类,建立齿轮故障一维卷积神经网络模型,对航空发动机轴承进行故障诊断。试验与分析结果表明：采用该神经网络模型对齿轮进行分类,其准确率可达80%,相较于采用传统的前馈神经网络63.9%的识别准确率,提高了15.07%;与采用支持向量机（support vector machine ,简称SVM）对故障进行分类识别相比,该方法准确率提高了15.89%。本方法能够直接将波形振动信号作为输入,通过卷积、池化等一系列操作,输出最后的分类结果,简化了传统方法先进行信号处理再通过机器学习诊断的步骤,为航空发动机故障诊断提供一种可行方法。     

基于STL-1 DDCAE的轴承故障诊断研究

由于轴承原始振动数据标签信息不足,难以对其进行建模分析,针对这一问题,以美国辛辛那提大学IMS数据集为研究对象,提出了一种基于时序分解与一维深度卷积自编码网络(STL-1DDCAE)的无监督轴承故障诊断方法。首先,通过一维深度卷积自编码网络对轴承正常运行数据的非线性特征进行了挖掘,得到了健康样本的重构误差;然后,采用概率分布的方式拟合了健康样本重构误差信号,并计算了其正太分布参数;最后,利用时间序列分解(STL)方法分析了轴承的重构误差曲线,利用趋势项分量确定了轴承故障的发生时间。研究结果表明：该方法能够充分提取轴承故障特征,自适应地确定样本临界阈值,避免轴承异常状态的高误判率,准确识别3个轴承异常信号发生的时间戳为760、1 780、1 700,并能够根据异常检测时间点分别给轴承数据添加健康状态、内圈故障、外圈故障及滚动体故障的标签,实现数据标签化处理。     

基于神经网络的去噪模型在轴承故障诊断中的应用

针对轴承微弱故障稀疏振动信号的特征提取,提出了基于模型数据协同链接框架的端到端深度网络稀疏去噪(DNSD)策略。建立了全局可微稀疏模型,引入深度神经网络学习超参数,基于轴承内圈故障机理建立了多模式数据集模拟故障信号,通过DNSD对数据集以去噪自编码器的形式进行训练,重建损失并更新网络和稀疏理论的参数,通过轴承内圈故障的仿真和试验验证了DNSD模型在轴承微弱故障特征提取方面的优越性和鲁棒性。