基于AlexNet和迁移学习的滚动轴承故障诊断研究

传统的轴承故障诊断方法需要进行复杂的信号处理,同时依赖专家知识和人工构造算法等技术手段,并且工程实际中可利用的机械设备故障数据量较少,针对这一系列问题,以滚动轴承正常运行时和发生不同故障时收集到的原始振动信号为识别依据,提出了一种基于AlexNet和迁移学习的滚动轴承故障诊断方法.将收集到的滚动轴承原始振动数据转换为振...     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

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。     

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。     

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。     

基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题,提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先,基于重采样扩充故障样本,通过降采样平衡正常样本,以防止样本不平衡带来的过拟合问题;然后,利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进,应对故障样本稀缺问题,缩小不同工况下故障样本分布的差异,提高模型的泛化性;最后,基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明：孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时,孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时,孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言,孪生域对抗迁移学习对滚动轴承的故障...     

时频分析和深度学习相结合的滚动轴承故障诊断

滚动轴承大量使用在旋转机械中,轴承的工况严重影响着机械设备的正常运行。为了提高轴承故障的诊断精度,本文提出了一种时频分析和深度学习相结合的滚动轴承诊断方法。首先,分析了十种不同时频分析方法;其次,建立了深度学习的滚动轴承故障诊断模型,并利用迁移学习克服训练样本数量少的问题,通过对比分析,常数Q变换(Constant Q transform, CQT)的准确率可达100%;最后,利用实验数据对所提方法的有效性和可靠性进行验证,分别评估了在不同负载和噪声情况下的识别精度,并与文献中的方法对比,证明所提方法在不同工作环境条件下都有较好的鲁棒性和较高的识别精度。     

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。     

基于深度迁移学习的齿轮故障诊断方法

针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解（Empirical Mode Decomposition,EMD）得到本征模态函数（Intrinsic Mode Function,IMF）,同时取相关系数最大的IMF做Hilbert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。     

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。     

基于强制特征适配的卷积抗噪模型的滚动轴承故障诊断

针对滚动轴承在噪声背景下的故障诊断研究不足的问题,提出一种基于卷积-注意力机制-强制特征适配(AMCNN-MFA)模型。卷积网络用于对振动信号进行高层特征提取,网络首尾加入通道注意力机制(CAM)用于动态分配特征通道的权重,过滤部分无效信息以减小干扰;强制特征适配(MFA)用于将原始样本和噪声样本中相同故障标签的特征进行领域重合,获取不变特征,实现了模型的适应噪声环境的能力。在不同轴承数据集中添加-10～10 dB噪声的测试集的试验结果表明：AMCNN-MFA模型的平均故障分类准确率高于96%且波动不超过0.4%,优于其他抗噪模型,具备较好的分类性能和鲁棒性,能够应对复杂噪声干扰场景下的滚动轴承故障诊断。     

非理想数据下基于仿真数据辅助迁移学习的滚动轴承故障诊断

旋转机械在实际工程应用中常处于正常状态,因而呈现故障样本稀少甚至部分缺失等非理想数据情况。针对直接采用非理想数据建立深度学习诊断模型时的低准确率问题,提出基于有限元仿真数据辅助迁移学习的故障诊断方法。首先,通过数值仿真计算不同运行工况和故障类型的轴承信号;进而,利用大量低成本高保真的仿真样本对模型预训练,利用真实小样本或者仿真样本增补后的混合样本进行模型微调,以完成高准确率故障诊断,并降低迁移学习对故障轴承实测数据的依赖;最后,利用两个轴承实验台数据进行验证。结果表明在单类故障样本数为1时,采用所提方法建立的模型准确率超过95%;在故障样本稀少且多类缺失时,准确率比仿真数据直接增补方式提升超10%。     

基于Attention-CGDNN模型的滚动轴承故障诊断方法

针对传统轴承故障诊断方法依赖人工进行特征提取时效率低且难以处理大规模数据等问题,将卷积长短时深度神经网络(CLDNN)引入轴承故障诊断并进行改进,提出一种基于注意力机制的卷积门控深度神经网络(Attention-CGDNN)的滚动轴承故障诊断模型,该模型将卷积神经网络、门控循环单元和全连接神经网络有效融合以实现滚动轴承信号特征提取,并加入注意力机制使网络更专注于重要特征,最后通过Softmax分类算法实现滚动轴承故障诊断。采用CWRU和XJTY-SY轴承数据集的验证结果表明,Attention-CGDNN模型具有训练参数少,训练难度小,收敛速度快和识别精度高的特点,特征提取能力更强,故障诊断性能优于传统模型。     

自适应正则化迁移学习的不同工况下滚动轴承故障诊断

针对不同工况下存在两域分布差异复杂的问题,提出自适应正则化迁移学习的不同工况下滚动轴承故障诊断方法。首先,训练基分类器为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新伪标签获得最优系数矩阵完成不同工况下滚动轴承故障诊断。在两组滚动轴承数据集上进行实验验证,实验结果显示所提方法识别准确率分别达到了96.38%,94.18%。证明该方法能够有效应对多种工况导致的复杂分布差异,同时具有较好的有效性和可行性。     

基于LCD与峭度-能量比准则的滚动轴承故障诊断研究

针对局部特征尺度分解在滚动轴承故障诊断中出现未筛选有效分量的问题,通过峭度-能量比准则对LCD分解产生的内禀尺度分量(ISC)进行了筛选,提出了一种基于LCD分解与峭度-能量比准则的方法。首先对采集的滚动轴承振动信号进行了LCD分解,得到了不同能量的ISC分量,运用峭度-能量比准则筛选了有效的ISC分量;再计算了筛选后有效的ISC分量的能量熵和多尺度熵,并将计算的结果融合后构建了特征向量;最后通过支持向量机(SVM)的故障分类器,实现了滚动轴承的故障诊断。实验结果表明:采用峭度-能量比准则提取有效分量减少了冗余分量,滚动轴承内圈故障和外圈故障诊断准确率有了明显提高。     

基于RCMDE与极限学习机的滚动轴承故障诊断

针对滚动轴承故障信号识别率低的情况,提出一种基于精细复合多尺度离散熵（RCMDE）与极限学习机（ELM）的故障诊断方法。首先,从原始振动信号中提取20个尺度的精细复合多尺度离散熵并以此构建故障特征集,然后利用ELM对其进行故障种类识别。通过凯斯西储大学的轴承数据验证提出方法的有效性,最后将提出方法与MPE-ELM进行对比。对比结果说明提出的故障诊断方法具有更高的分类精度。     

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。     

数控机床主轴的多传感器迁移学习故障诊断

针对数控机床主轴故障诊断中标记样本量小的问题,提出了一种基于多传感器的迁移学习的故障诊断方法.首先,采集安装在数控机床主轴上的多个三轴加速度传感器采集的原始振动信号,并将信号转换成图像的变换方法得到输入.其次,比较了TrAdaBoost迁移算法和基于CNN网络迁移模型算法.最后,针对CNN网络迁移模型,用目标类替换输出层,并用最优网络提取较低层次的特征,对更高层次的神经网络进行微调.实验结果表明,该方法能够正确识别机床主轴状态,具有很好的故障检测能力.     

基于精细复合多元多尺度加权排列熵与流形学习的滚动轴承故障诊断

为充分利用多通道振动信息,将表征同步多通道数据多变量复杂度的多元多尺度熵理论引入滚动轴承故障诊断.同时,针对排列熵未考虑时间序列的振幅信息以及多尺度过程中粗粒化方式存在不足等缺陷,提出了精细复合多元多尺度加权排列熵并将其用于提取滚动轴承的故障特征.随后,利用t-SNE对特征进行二次提取,寻找相关性较大的特征组成候选样本...