基于软竞争Yu范数自适应共振理论的轴承故障诊断方法

传统自适应共振理论网络模型利用硬竞争机制对故障类边界处的样本进行分类时易造成误分类,为此,提出了基于软竞争Yu范数自适应共振理论的轴承故障诊断方法。将基于模糊竞争学习的软竞争方法引入Yu范数自适应共振理论模型中,根据模式节点与输入样本间隶属度的大小,对竞争层多个节点进行训练和学习。通过对轴承故障试验数据的诊断分析可知,该方法不但能有效识别不同类型的故障,而且能识别不同严重程度故障,且诊断精度优于自适应共振理论模型和模糊C均值聚类模型。     

基于小波包特征提取的ART1网络故障诊断研究

系统阐述了小波包分解及ART1神经网络的基本理论和特点,在对故障诊断进行理论分析的基础上,结合ART1神经网络对输入矢量的要求,提出了一种差值门限方法,将小波包特征提取与ART1神经网络相结合进行动态系统的故障诊断。用MATLAB仿真了系统及其故障,对上述故障诊断方法进行了测试实验。实验结果表明,基于小波包特征提取的ART1神经网络故障诊断方法是可行的,能够应用于多个领域,其发展前景广阔。     

多准则融合敏感特征选择和自适应邻域的流形学习故障诊断

针对流形学习故障诊断中非敏感特征干扰和邻域大小难以确定的问题,提出了基于 DSmT 多准则融合特征选择和局部集聚系数自适应邻域的流形学习故障诊断方法。利用多种特征评价准则对原始高维特征进行排序,通过 DSmT证据理论对各评价序列进行融合,再根据融合序列选择敏感特征构成优化高维特征集;采用基于局部集聚系数的自适应正交邻域保持嵌入流形学习进行维数约简,得到低维特征集;最后输入到K最近邻分类器进行故障识别。轴承振动故障实验表明了本文所提方法的有效性。     

基于自适应特征选择k子凸包的滚动轴承故障诊断

滚动轴承故障诊断中往往将特征选择和分类器的设计分别进行研究,从而难以获得满意的分类精度。将特征选择和分类器寻优结合起来,提出了一种自适应特征选择k子凸包(Adaptive Feature Selection K-sub Convex Hull, AFSKCH)的分类模型,从而实现了故障特征自适应选择和分类的一体化。首先,利用凸包距离函数保持数据流形上的局部邻域结构,通过交替构造k子凸包得到特征权值矩阵;其次,采用线性规划接近度方法求解k子凸包距离,利用乘子交替方向法得到自适应特征空间;最后,根据测试点到k子凸包的最小重构距离进行分类。滚动轴承故障振动信号分析结果表明,该方法特征选择性能优于其他特征选择方法,且具有较高的分类精度。     

基于改进KFDA独立特征选择的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,对核Fishier判别分析(KFDA)进行改进,提出基于改进KFDA独立特征选择的故障诊断方法。该方法首先从多个角度提取故障振动信号的故障特征,构建原始高维多域混合故障特征集。然后,采用改进的核Fisher特征选择方法为每两类故障状态独立选择敏感特征集。最后,采用"一对一"的方法训练多个二分类相关向量机(RVM),将得到的敏感特征集输入多分类故障诊断模型进行识别。齿轮故障诊断实例表明,所提方法具备较高的诊断准确率。     

基于特征选择的支持向量机在故障诊断中的应用

机械设备因为其本身结构的复杂性,故障很难简单地进行诊断,所以智能诊断成为一个热点的研究方向。以前的工作中多是通过神经网络甚至支持向量机等方法进行诊断,本文提出了基于支持向量机集成的特征选择算法,通过该算法可以有效去除故障数据集中所提取的不相关特征,并在新的更少特征的数据集上进行建模。在实际某柴油机故障数据上的计算表明:在通过特征选择后的数据集上利用支持向量机集成的方法建模可以得到比不进行选择更好的结果,也得到了比单个支持向量机建模更好的结果。     

基于集成软竞争ART的滚动轴承性能退化趋势预测

为了提高滚动轴承性能预测的准确性和稳定性,提出了以软竞争ART-RBF的集成预测模型和置信度CV值相结合的预测方法。将软竞争ART引入RBF神经网络,建立软竞争ART-RBF神经网络预测模型。结合加权平均技术,建立集成软竞争ART-RBF神经网络预测模型。并通过自组织映射(SOM)网络,获取具有丰富故障信息的置信度(CV)值,作为表征滚动轴承性能退化的综合指标。最后,利用滚动轴承加速疲劳试验获取的加速度信号对上述方法进行验证。结果表明,该方法可有效提高滚动轴承退化趋势预测的准确性和稳定性。     

基于模拟退火与LSSVM的轴承故障诊断

运用模拟退火与最小二乘支持向量机(least square support vector machine,简称LSSVM)轴承的故障诊断法,是在得到较优的λ和σ参数的同时进行特征选择获取显著特征子集.为验证所提方法的有效性,将4种运行状态、5种转速、2类载荷条件下测得的轴承振动信号作为研究样本,提取信号的52个特征.试验结果表明,该法对轴承故障分类的准确率较高,可有效用于旋转机械的状态监控.     

基于独立特征选择和局部保持投影的故障诊断

为了有效利用故障特征集中对故障敏感的特征进行故障诊断,提出基于独立特征选择(IFS)与局部保持投影(LPP)的故障诊断方法。该方法主要有三个步骤,一是从通过不同的特征提取方法,以此构建能够表征故障的混合特征集;二是对核线性判别分析(KLDA)进行改进,得到一种为每两类故障构建独立特征集的特征选择方法,在此基础上采用LPP对独立特征集进行进一步的融合;三是支持向量机(SVM)对构建的融合特征集进行识别,得到诊断结果。电机轴承故障诊断实例表明,所提方法具备较高的诊断准确率。     

一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用

提出了一种基于残差注意力卷积神经网络(CSRA-CNN)的迁移学习算法,用于提高滚动轴承的故障诊断精度。在卷积神经网络模型中加入残差注意力机制,使模型在训练过程中更加注重故障特征的提取,从而有效提高迁移准确率。为了测评基于残差注意力卷积神经网络的性能,将其与传统卷积神经网络在不同迁移学习策略下的结果进行对比。用动力传动故障诊断综合实验台和高速列车综合实验台对所提算法进行了验证,该方法可以完成变转速以及变转速变载荷下轴承不同健康状态的迁移学习,且迁移效果均优于传统的卷积神经网络。     

一种萤火虫神经网络及在轴承故障诊断中的应用

萤火虫算法作为一种群体智能算法,具有良好的全局寻优特性,可用于解决神经网络在反向传播(Back propagation,BP)算法下易陷入局部极值点、收敛速度慢的问题。但在应用于神经网络时其参数选取缺乏有效依据或经验公式,参数取值不当时,萤火虫神经网络的训练误差无法有效收敛、种群个体之间协同寻优功能易失效。因此,提出一种双层萤火虫改进算法对其参数进行选取。用UCI数据及轴承故障试验对算法进行验证,结果表明,应用所提方法后萤火虫神经网络的训练误差收敛值显著减小,并且在训练效率、故障识别率方面均优于BP神经网络、遗传神经网络、粒子群神经网络。     

快速固有成分滤波特征融合的轴承故障诊断方法

稀疏滤波故障特征增强方法依托故障信息固有的稀疏性可以有效实现轴承微弱故障诊断,但其存在两类弊端：经验地设置其输入、输出维度,引起特征提取效果的不确定性;需要利用先验知识从优化的权重矩阵中严格地筛选出特定成分,造成故障特征信息损失。针对上述问题,提出快速固有成分滤波特征融合方法。首先,引入复杂性测度设计自适应的稀疏滤波维度参数选取准则,并采用稀疏滤波优化目标指数遴选出一簇故障信息丰富的融合源;其次,建立故障特征融合源流形学习融合策略,包括改进流形学习方法融合遴选出的融合源,构造融合分量异常幅值检测策略和给出了最大化故障信息的融合分量加权表示。提出方法可解决稀疏滤波维度参数选择、特征筛选造成信息损失和固有流形幅值异常引起包络谱奇异等问题。仿真和试验结果验证所提出方法相较于现有流形学习和稀疏滤波等方法具有更强的轴承微弱故障特征提取能力。     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

Dynamic Distribution Adaptation Based Transfer Network for Cross Domain Bearing Fault Diagnosis

In machinery fault diagnosis,labeled data are always difficult or even impossible to obtain.Transfer learning can lever-age related fault diagnosis knowledge from fully labeled source domain to enhance the fault diagnosis performance in sparsely labeled or unlabeled target domain,which has been widely used for cross domain fault diagnosis.How-ever,existing methods focus on either marginal distribution adaptation(MDA)or conditional distribution adaptation(CDA).In practice,marginal and conditional distributions discrepancies both have significant but different influences on the domain divergence.In this paper,a dynamic distribution adaptation based transfer network(DDATN)is pro-posed for cross domain bearing fault diagnosis.DDATN utilizes the proposed instance-weighted dynamic maximum mean discrepancy(IDMMD)for dynamic distribution adaptation(DDA),which can dynamically estimate the influ-ences of marginal and conditional distribution and adapt target domain with source domain.The experimental evalu-ation on cross domain bearing fault diagnosis demonstrates that DDATN can outperformance the state-of-the-art cross domain fault diagnosis methods.     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

贝叶斯网络理论及其在设备故障诊断中的应用

在分析机电设备故障诊断技术中广泛存在的不确定性和复杂关联关系的基础上，指出目前的故障诊断方法在处理不确定性和关联性问题时存在的局限性，提出了应用基于概率理论和图论的贝叶斯网络作为设备故障诊断模型具有很好前景的观点。阐述了贝叶斯网络的提出与发展、模型数学描述及研究现状，讨论了贝叶斯网络在故障诊断领域应用的可能方式及其应用情况。指出贝叶斯网络技术在故障诊断领域中的应用将进一步得到推广，提出了将贝叶斯网络广泛应用到故障诊断领域中需要解决的关键技术。     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。