基于子领域自适应的变工况下滚动轴承故障诊断

针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题,提出了一种子领域自适应的深度迁移学习故障诊断方法.首先,为充分利用卷积神经网络图像特征提取能力,将滚动轴承振动信号采用连续小波变换生成图像数据集;其次,源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构,子领域自...     

结合卷积神经网络和迁移学习的电机轴承故障诊断方法

针对轴承故障在变工况下有效数据样本不足时故障诊断效果不佳的问题，提出了一种基于卷积神经网络和迁移学习的电机轴承故障诊断方法。首先，将采集到的原始振动信号进行小波变换，得到有利于卷积神经网络训练的彩色二维时频图；其次，构建卷积神经网络，通过训练确定结构和参数，利用数据增强和Dropout机制抑制过拟合；最后，引进迁移学习，冻结训练好后的网络底层结构，用不同工况的小样本数据对网络的顶层结构进行微调。实例分析证明，小波变换和卷积神经网络结合的方式能实现特征自动提取并高度有效地利用样本，迁移学习的引入能实现其他工况下小样本的准确分类，解决实际工程应用中样本不足时故障诊断效果不佳的问题。     

基于最大相关峭度解卷积的滚动轴承早期故障诊断

滚动轴承早期故障振动信号微弱,并且受环境噪声影响严重,特征信号提取困难。针对这一问题,提出了最大相关峭度解卷积方法来提取轴承故障的特征信号。通过计算信号的最大相关峭度值,估算出感兴趣的解卷积周期T,选择合适的时延步数M,对故障信号做最大相关峭度解卷积,并对最大相关峭度解卷积滤波后的信号进行包络解调,提取出滚动轴承的故障特征,实现了滚动轴承的早期故障诊断。仿真和实验验证了该方法在滚动轴承故障诊断中的有效性。     

基于CEEMDAN-Hilbert-CNN的滚动轴承故障诊断

在故障诊断方面,针对希尔伯特黄变换信号分解存在模态混叠和人工神经网络面对高维数据收敛性差、特征分类误差大等问题,提出一种改进的希尔伯特黄变换与卷积神经网络相结合的滚动轴承故障诊断的新方法:将希尔伯特黄变换的经验模态分解替换为自适应白噪声的完整经验模态分解,并与卷积神经网络相结合.提出的滚动轴承故障诊断新方法进行故障诊断...     

动车组齿轮箱滚动轴承变转速故障诊断方法

动车组齿轮箱滚动轴承在运行过程中处于高温重载的变转速工况,容易产生裂纹、点蚀等故障,且不易被检测出来。为及时诊断出动车组齿轮箱滚动轴承的故障,保证动车组的安全行驶,提出了一种变转速工况下的滚动轴承故障诊断方法。首先,结合短时傅里叶变换(STFT)无干扰项与魏格纳-威尔分布(WVD)高时频分辨率的特点,提出了一种融合时频分析算法,该算法能够提高变转速信号分析时的时频矩阵精度;然后,针对动态路径规划方法无法处理归一化时频矩阵的局限性,对其进行了改进,并提取出融合时频矩阵中的转速曲线;此外,进一步提出了一种插值重采样的阶次分析方法,根据转速对采集到的原始信号进行插值重采样,在角域对信号进行重构,并得到对应的阶次谱,实现滚动轴承的故障诊断;最后,通过试验台对提出的变转速动车组故障滚动轴承诊断方法进行了验证。结果表明：本文所提出的方法在动车组转速变化的情况下,能够有效提取出滚动轴承的变转速曲线,并且准确识别出齿轮箱中滚动轴承发生的故障类型。     

基于PSO-VMD与贝叶斯网络的滚动轴承故障诊断

为解决电机在变负载运行条件下滚动轴承振动信号故障的特征提取困难、故障诊断准确率低的问题,提出一种基于变步长粒子群的变分模态分解与贝叶斯网络相结合的滚动轴承故障诊断模型。通过变步长粒子群算法优化的变分模态分解与Hilbert变换,提取故障信息并离散化处理,构建贝叶斯网络故障诊断模型,对滚动轴承故障发生概率推理,并利用完备、不完备数据集以及噪声试验验证该方法的准确性。仿真结果表明,该方法能高效提取特征信息,实现对不确定信息的推理估计,提高滚动轴承故障诊断的准确率,在滚动轴承的故障诊断预测中具有较好的理论与应用前景。     

基于小波包-GABP的滚动轴承故障诊断分析

为提高诊断滚动轴承故障的效率和准确率,本文将小波包变换、BP神经网络和遗传算法三者相结合,提出了一种基于小波包和GABP神经网络的故障诊断模型。由小波包的分解与重构在滚动轴承故障原始信号中提取有效的故障特征向量,并利用遗传算法优化BP神经网络,然后训练和诊断滚动轴承信号的故障类型。同时,运用Matlab软件把采集的数据进行仿真分析。仿真结果表明,相对于传统BP神经网络,利用遗传算法优化的神经网络对故障的诊断正确率更高,并且收敛速度较快,说明由遗传算法优化的BP神经网络在故障诊断方面具有较好的效果,而且遗传算法的引入使轴承故障诊断的适应度和准确率更高。该研究为滚动轴承的故障诊断提供了理论基础。     

基于EMD模态能量分析的滚动轴承故障特征提取

针对滚动轴承振动信号具有非平稳性的特点,提出一种提取相同工况条件下正常信号与故障信号各固有模态函数能量比构建特征向量的特征提取方法。由于EMD分解后各模态分量存在模态混叠现象,导致分解结果具有不确定性,因此传统的能量特征提取方法在滚动轴承故障诊断中的故障识别率较低。通过引入相同工况条件下的正常信号,将各模态分量的能量特点转化为相对于正常信号的能量特征。仿真实验表明,本文所提方法能够有效地提取滚动轴承的故障特征,进而实现其故障诊断。     

声振信号联合1D-CNN的大型电机故障诊断方法

针对复杂运行环境下大功率电动机故障诊断准确率不高、算法泛化能力差的问题,提出一种声振信号联合一维卷积神经网络（1D-CNN）故障诊断方法. 首先对采集到的声信号采用背景噪声库联合稀疏表示去除噪声,然后将声音信号进行带通滤波（7~20 kHz）,叠加低频振动信号（7 kHz内）形成频带更完整的电动机状态表征信息. 再对经过滤波提纯处理后的信息进行重叠式数据扩容,获取1D-CNN训练所需大量数据. 最后将数据样本输入1D-CNN进行学习训练,采用局部均值归一化（local response normalization,LRN）和核函数去相关性改进1D-CNN模型结构,降低抽油机正负半周工况波动对电动机诊断准确性的影响. 诊断结果表明:声振信号联合分析的卷积神经网络故障诊断总体诊断准确率达到了97.75%,泛化能力好,与传统的电动机故障诊断方法相比优势明显.     

深度神经网络在滚动轴承故障诊断中的应用

为了对滚动轴承发生的故障类型进行诊断,从而提升设备的安全性,提出了一种基于深度残差神经网络的智能故障诊断方法,并使用多传感器融合技术对深度残差神经网络进行了改进,使得诊断模型的识别精度和鲁棒性得到进一步提高.首先,通过多传感器技术来获取丰富的设备运行状态信息,然后利用时频分析方法短时傅里叶变换提取原始振动信号的初级特征信息,最后利用深度残差网络的强大学习能力,进一步提取初级特征信息中的高级特征信息,并识别设备的故障类型,从而实现滚动轴承的故障诊断.为了验证所提出方法的有效性,使用滚动轴承实验数据对方法进行了测试,同时与基于深度卷积神经网络和单传感器故障诊断模型进行对比,研究结果表明,提出的智能方法不仅能对故障进行准确识别,而且具有相当良好的泛化能力和抗噪能力,其故障精度达到了100%,在单传感器或多传感器受到强噪声干扰时,分别实现诊断精度至少为93.78%和82.54%.     

改进胶囊网络的滚动轴承故障诊断方法

针对滚动轴承工作环境噪声复杂,振动信号信噪比低且呈现非平稳和非线性的特点,以及传统诊断方法在噪声环境下分类诊断准确率低等问题,提出一种基于改进胶囊网络特征提取结构和反向传播损失值计算方法的滚动轴承故障诊断模型.应用多尺度卷积核Inception结构和空间注意力机制,替代传统胶囊网络单一卷积层进行特征提取,得到不同尺度下...     

EEMD-PE与M-RVM相结合的轴承故障诊断方法

滚动轴承振动信号中包含了大量轴承运行状态信息,但是由于振动信号具有非线性和非平稳性的特点,难以充分提取振动信号中的故障特征,导致现有基于模式识别的轴承故障诊断方法的故障识别准确率较低.为了提高滚动轴承故障识别的准确率,提出了一种基于集合经验模态分解-排列熵(EEMD-PE)特征提取与多分类相关向量机(M-RVM)相结合的轴承故障诊断方法.首先,该方法利用EEMD对非线性和非平稳信号的自适应分解能力,将轴承故障信号分解为一组包含故障特征的本征模态函数(IMFs).然后,利用排列熵提取由EEMD分解得到的IMFs中的故障特征,并组成特征向量.最后,采用EEMD-PE对不同故障状态下的训练样本集进行特征提取,组成特征向量集对M-RVM分类器进行建模,以概率输出的形式实现对滚动轴承的故障诊断.实验结果表明:EEMD-PE特征提取方法能够对滚动轴承振动信号的故障特征进行有效提取,M-RVM能够对故障滚动轴承振动信号包含的故障特征进行识别.与现有轴承故障诊断方法相比较,所提出的方法能够提高故障识别准确率,达到99.58%.     

基于小波变换和优化CNN的风电齿轮箱故障诊断

针对传统故障诊断方法过于依赖人为经验的缺陷,提出小波变换和二维密集连接扩张卷积神经网络(WT-ICNN)的风电齿轮箱智能故障诊断方法. 所提方法将一维振动信号通过连续小波变换(WT)转换成二维故障图像;再将二维故障图像输入ICNN中进行训练和测试. 通过齿轮箱开源数据和风场实测数据验证结果表明,与传统故障诊断方法相比,所提方法采用密集连接的结构自适应特征提取时频图,有效加强了故障特征的利用效率;在对风电齿轮箱的故障诊断中,所提方法具有更好的特征复用能力和更高的诊断精度.     

基于EEMD的ICNN故障诊断方法

针对轴承微弱故障特征提取困难和故障诊断准确率低等问题,提出一种基于集合经验模态分解的改进卷积神经网络的故障诊断方法。首先,利用集合经验模态分解(EEMD)对信号进行降噪等预处理,并将预处理后的信号转换为二维信号;其次,为了解决数据特征不确定性和卷积神经网络(CNN)内部参数爆炸的问题,在CNN的卷积层和池化层之间增加批量归一化层进行标准化处理,得到改进的卷积神经网络(ICNN);最后,以风电机组轴承微弱故障数据集为例,验证了所提方法相较于其他诊断方法更具有优越性,能够有效提取故障特征,具有较高的准确率和诊断效率。     

基于小波包分析的滚动轴承故障诊断

应用小波包分析方法构造滚动轴承故障信号的能量特征向量,再以此作为神经网络的输入,对滚动轴承故障进行分类,实践表明,能量特征向量较显著的表达了故障,有较好的诊断效果.     

滚动轴承故障诊断中的多参数综合判别方法

分析了轴承故障诊断中特征参量提取的不确定性，在综合考虑轴承发生故障时发生二次效应中的多个特征参量的基础上，首次提出了综合利用宫的隶属度函数和灰色系统理论中的关联度计算的一种多参数判别方法。     

基于神经网络和证据理论的滚动轴承故障预测方法

传统的故障预测方法难以对不同工况下的滚动轴承故障进行有效预测,为此,提出了一种基于BP神经网络和DS证据理论的滚动轴承故障预测方法。首先采用擅长于处理非平稳信号的小波包分解对多个传感器采集的原始振动数据进行特征分析,然后对BP神经网络的结构和参数进行优化设置并使用多个BP神经网络分别进行故障预测模型训练,最后利用DS证据理论将多个神经网络得到的预测结果进行融合并输出最终预测结果。实验结果表明,该方法能对不同工况下的滚动轴承故障进行有效预测,故障预测平均准确率达96.37%;且与相关文献提出的方法相比,所提出的方法得到的滚动轴承故障预测准确率有所提升。     

基于DRSN-CW和LSTM的轴承故障诊断

利用深度残差网络中逐通道不同阈值的残差收缩模块(DRSN-CW)的降噪能力和特征提取能力,结合长短时记忆网络(LSTM)和注意力机制,设计了一个端到端的基于振动信号的轴承故障诊断模型DRSNCW-LSTM。其中,LSTM模块很好地利用了信号的时序特点,充分提取振动信号的内部时域特征。同时,注意力机制的引入可以使得模型自动提取出重要的时域特征用于后续的故障类型识别。在凯斯西储大学(CWRU)数据集上对提出的模型进行了测试,实验表明提出的方法在无降噪处理的情况下,相比于最新的MCNN-LSTM模型能更准确地诊断轴承故障。在训练数据不足的情况下,提出的方法依旧能较好地实现轴承故障诊断,平均准确率能达到98.16%,比MCNN-LSTM平均提升了2.62%。