不同转速下基于深度注意力迁移学习的滚动轴承故障诊断方法

针对不同转速下滚动轴承故障诊断中特征提取困难、数据分布差异巨大影响诊断结果,提出一种不同转速下基于深度注意力迁移学习(deep attention transfer learning, DATL)的滚动轴承故障诊断方法。首先,利用小波变换获取振动信号的时频图以展现时频特征;其次,搭建融合空间和通道的注意力卷积神经网络(attention convolutional neural network, ACNN)提取滚动轴承的关键特征以防止特征丢失;然后,在ACNN中添加领域适配层,完成不同转速下滚动轴承深度特征的迁移适配;最后,通过Softmax分类层对目标数据进行故障状态识别。通过不同转速下不同故障程度的滚动轴承故障诊断试验证明了所提方法的可行性和有效性。     

基于特征参数迁移的滚动轴承故障诊断

针对变工况下的滚动轴承无法获得大量带标签样本数据以及传统深度学习诊断方法识别率低的问题,提出一种基于迁移学习的卷积神经网络模型滚动轴承故障诊断方法.首先,采用短时傅里叶变换处理滚动轴承振动信号获得源域、目标域样本集;其次,利用源域样本预训练卷积神经网络模型;最后,通过目标域样本微调卷积神经网络模型实现滚动轴承故障诊断....     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法.采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集...     

基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断

针对噪声和不同转速的复杂工况下滚动轴承故障诊断问题,提出一种基于深度残差收缩迁移网络的复杂工况下滚动轴承故障诊断方法。在深度残差收缩网络中加入领域适配层构建出具备降噪与适配能力的深度残差收缩迁移网络,从而减小噪声带来的干扰及转速变化导致的分布差异。首先,利用注意力机制学习经卷积层后各特征通道的重要性自动设定一组阈值,借助软阈值化将阈值范围内的特征置为零,减少噪声带来的干扰;然后,通过边缘分布适配对齐两域特征分布,减小转速变化带来的分布差异;最后,在Softmax分类层下实现端到端的复杂工况下滚动轴承故障诊断。复杂工况下滚动轴承故障诊断试验验证了所提方法的可行性和有效性。     

基于多源域异构模型迁移的滚动轴承故障诊断方法

针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大,多个相似数据集资源利用不充分,导致诊断模型准确率不高的问题,提出一种基于多源域异构模型迁移的滚动轴承故障诊断方法。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图;选择多种不同规格和工况下已知标签数据作为多源域,其他规格和工况下少量已知标签数据作为目标域;使用多个源域数据训练多个ResNet-34深度网络,并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略,使其能够自适应决定迁移到目标域的知识层级及内容;提出将源域知识迁移到VGG-16深度网络得到多个目标域模型后,将其提取的特征首尾相接输入同一个极限学习机中实现特征融合和分类,最终建立滚动轴承故障诊断模型。经试验验证,所提方法可实现不同规格和工况下滚动轴承间的迁移诊断问题,并具有较高的准确率。     

基于伪标签深度学习的半监督滚动轴承故障诊断模型

针对实际工程应用中被标记的滚动轴承故障样本收集困难,传统诊断模型精度较低的问题,提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet数据集上预训练的残差网络（Residual Network,ResNet）模型参数迁移至本文模型中作为初始参数,并使用不同学习率微调网络层参数以加快模型收敛速度;随后引入伪标签半监督学习,使用标签数据训练模型并对无标记数据进行预测以生成伪标签;最后使用标签数据以及伪标签数据训练参数迁移后的ResNet模型,并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明,在具有大量未标记样本集下,所提出模型可迁移至不同设备完成诊断,具有较强的鲁棒性,可用于处理复杂工业环境中的故障诊断问题。     

基于GADF-TL-ResNeXt的滚动轴承故障诊断方法

针对传统诊断方法难以有效提取故障特征的问题,提出了一种基于格拉姆角场(GAF)与TL-ResNeXt相结合的故障诊断方法。首先利用GAF对原始振动信号编码为时间序列相关的二维特征图;再将这些特征图输入到层级更深的分组残差网络ResNeXt中进行自动的识别、分类;模型训练的同时,在网络的最后一层结合了迁移学习(TL)模块以加快模型特征提取能力、快速的进行学习。为了验证该方法的有效性,利用凯斯西储大学轴承数据对比了其他方法,结果表明该方法表现最优。且在轧机模拟实验平台上收集的轴承故障数据表明,该方法在改变工况时同样具有好的泛化性与识别能力。     

基于LabVIEW的滚动轴承故障诊断方法

滚动轴承经常工作于多工况、变工况条件下,加之各振源间相互耦合、非线性强等特点,极易诱发系统中轴承零部件的故障.因此,设计滚动轴承故障诊断软件是十分必要的.本文基于LabVIEW设计了滚动轴承的故障诊断界面,主要分为数据采集界面、时域界面、频域界面、智能诊断界面,能够实现对滚动轴承的离线诊断和在线诊断.     

基于相似性度量迁移学习的轴承故障诊断

滚动轴承工况多变,受负荷、转速等因素影响,故障信号的特征分布偏移会显著降低故障诊断模型的泛化能力。针对此问题,提出一种基于相似性度量迁移学习的轴承故障诊断方法。将迁移学习和相似性度量的思想结合,通过相关对齐损失计算变工况故障特征之间的相关性,最小化源域和目标域特征之间的分布差异。同时最大化输入特征与中心特征的相似性,利用目标域预测标签中包含的故障分类信息,提高故障特征聚类的准确性,来增加高相关性特征对模型的贡献度,减小非相关特征的影响。最后利用学习到的特征实现故障分类。在CWRU和自搭建试验平台上进行了对比试验,证明了所述方法能够更加准确地分类故障信号,更好解决不同工况下由特征分布偏移带来的故障诊断难点问题。     

基于EMD和AR模型的滚动轴承故障诊断方法

提出了基于EMD(Empirical Mode Decomposition)和AR模型的滚动轴承故障诊断方法。该方法用EMD将滚动轴承振动信号分解成若干个平稳的IMF(Intrinsic Mode Function)分量，对每一个IMF分量建立AR模型，以模型的自回归参数和残差的方差作为特征向量建立Mahalanobis距离判别函数，进而判断滚动轴承的工作状态和故障类型。实验结果分析表明，该方法能有效地应用于滚动轴承的故障诊断。     

基于改进对抗迁移学习的滚动轴承故障诊断研究

为解决故障诊断中标签不足的问题,该文以滚动轴承作为对象提出一种改进的对抗迁移学习模型。该模型通过一维卷积结构提取时间信号特征,能够直接处理时域振动信号,并通过大尺寸卷积核抑制噪声的干扰;在对抗迁移学习的域判别器中采用卷积结构替换全连接神经网络,以对抗训练的方式减少训练数据和测试数据间的分布差异,以提高故障诊断精度。将改进后的模型应用于两个滚动轴承故障诊断案例中,通过添加不同信噪比的噪声信号验证提出的模型具有良好的抗干扰能力,同时以故障分类正确率作为指标,验证该模型具有更高的诊断精度和鲁棒性。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

基于EEMD的滚动轴承故障诊断方法

提出一种基于集合经验模态分解的滚动轴承故障诊断方法。首先目标信号中加入一定分量的白噪声信号;然后再进行经验模态分解;并且多次重复以上两步,但每次加入不同的白噪声信号;取多次所得的对应内禀模态函数的平均值作为最终的内禀模态函数。最后对内禀模态函数进行Hilbert变换,得到Hilbert谱和Hilbert边际谱,通过谱分析识别滚动轴承的运行状态和故障类型。实验结果显示所提方法的有效性。     

基于MPA-VMD的滚动轴承故障诊断方法

针对变分模态分解方法（Variation mode decomposition, VMD）在提取滚动轴承振动信号的故障特征频率时受参数设置影响及敏感模态分量的选取问题,构建一种基于海洋捕食者算法（Marine Predator Algorithm,MPA）优化变分模态分解的滚动轴承故障诊断方法。首先,利用以包络熵为适应度函数的海洋捕食者算法对变分模态分解算法的模态个数K和二次惩罚因子α进行自适应选定;其次,使用获得的最佳参数组合对故障振动信号进行变分模态分解,得到多个本征模态分量（Intrinsic Mode Function,IMF）;最后,计算各模态分量的平方包络基尼系数（Squared Envelope Gini Index,SEGI）,选择系数最大的模态作为最优IMF并进行包络分析,提取相应的故障特征频率。通过公开数据集和实验数据验证表明该方法可解决VMD受参数设置影响的问题,成功诊断轴承故障。且相比于峭度和相关系数指标,平方包络基尼系数指标在筛选最优IMF具备更佳的准确性和鲁棒性。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

基于LMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承的故障振动信号的非平稳特性,提出了一种基于局部均值分解（Local mean decomposition,简称LMD）和神经网络的滚动轴承诊断方法。该方法首先对信号进行局部均值分解,将其分解为若干个PF分量（Product function,简称PF）之和,再选取包含主要故障信息的PF分量进行进一步分析,从这些分量中提取时域统计量和能量等特征参数作为神经网络的输入参数来识别滚动轴承的故障类别。通过对滚动轴承正常状态,内圈故障和外圈故障的分析,表明了基于LMD与神经网络的诊断方法比基于小波包分析与神经网络的诊断方法有更高的故障识别率,同时也证明了该方法可以准确、有效地对滚动轴承的工作状态和故障类型进行分类。     

基于数据增强的滚动轴承智能故障诊断方法

目的 针对包装机械设备中滚动轴承应用场景多且有效故障数据难采集而导致的智能诊断方法诊断准确率较低的问题,提出一种基于数据增强的滚动轴承智能诊断方法.方法 首先根据轴承振动信号的故障特征,提出一种数据增强方法,有效扩充训练数据样本多样性.然后采用卷积神经网络对原始样本和增强样本进行故障诊断训练,从而大幅度提高诊断模型的诊断性能.为了验证所提方法的有效性,建立滚动轴承故障试验台并采集轴承故障数据.结果 实验结果表明,在标签训练样本不充足的情况下,提出的方法与不使用数据增强方法相比,模型在诊断准确率方面取得了较大的提高,能够准确地识别各类轴承故障.结论 该方法实现了准确地对稀缺标记样本下滚动轴承故障的诊断,为保证包装机械滚动轴承故障诊断的诊断精度提供了可靠的方法.     

基于WELCH算法集成学习模型的滚动轴承故障诊断#br#

针对滚动轴承振动信号具有非平稳性、非线性且易受背景噪声干扰,故障特征难以提取等问题,提出一种基于WELCH功率谱算法的集成学习模型的故障诊断方法。首先使用WELCH算法对轴承的原始振动信号进行预处理,从中提取峭度、偏度、波形因子、峰值因子、脉冲因子和裕度因子6 个参数,作为支持向量机的特征向量;然后结合集成学习算法构造Bagging-SVM集成学习模型。实验结果表明,与单一的SVM分类器相比较,Bagging-SVM 集成模型对于轴承的故障诊断性能更优;在不同电机转速下的轴承故障诊断中,诊断率分别为97 %,98 %,98 %和99.5 %;说明了该集成模型在不同工况下的适用性强,诊断性能优秀。     

基于G-YOLO网络的滚动轴承故障诊断方法

滚动轴承是旋转机械设备中非常重要的零部件,将深度学习在目标检测和图像分类领域内的优势用于轴承故障诊断,提出G-YOLO智能诊断模型。首先利用格拉姆角场将轴承的时域振动信号转化为特征图像,其次将特征图像输入到G-YOLO智能诊断模型中,通过研究转化参数、网络结构、模型参数等得到最优结果。为了验证模型的优越性,采用西储大学轴承数据集中几组对应不同直径的具有同一类故障轴承的数据进行试验,同时引入目标检测领域内精确率、召回率、F1分数、均值平均精度4种指标对G-YOLO模型诊断结果进行评估,平均精确率达95.36%,召回率达到96%,证明了该方法的有效性与可行性。     

基于迁移学习的异步电机故障诊断

针对异步电机故障诊断中,故障数据样本少导致传统深度神经网络模型泛化能力差的问题,提出一种异构迁移学习的异步电机故障诊断算法。首先,通过仿真平台模拟异步电机故障,以解决故障数据样本少的问题;其次,对正常和故障状态下的电流电压信号进行小波变换,作为深度学习网络的输入;然后,基于多核最大平均差异方法,获得仿真数据和实测数据的深度特征差异,对深度学习神经网络参数微调,使其深度学习特征具有跨域不变性。最终,在实验平台上验证文中所提算法,实验结果表明,该算法的故障诊断准确率高,依赖实测故障数据样本少。