基于LE-DBN故障诊断模型的滚动轴承振动信号特征提取

为了提高滚动轴承的高效率运行，设计了一种基于拉斯特征映射-深度置信网络(laplacian eigenmap-deep belief network, LE-DBN)故障诊断模型的滚动轴承振动信号特征提取方法。利用LE算法从高维振动数据中提取获得流形参数，分别测试包含少量有标签与大量无标签样本的DBN网络训练结果，再对各类故障实施分类。研究结果表明：采用训练集识别时准确率在99.8%附近，表明该模型可以对训练数据发挥理想拟合性能。LE算法比PCA、KPCA算法都达到了更优特征提取效果，选择合理参数可以使准确率达到99.8%。采用多传感器实施特征融合时相对单个传感器的诊断性能更优。有标签样本个数在60～120之间时，采用DBN网络可以获得比CNN网络更理想的分类结果。该研究可以达到可靠性标准，更能适用于其它的机械传动设备。     

基于LE和DBN算法的轴承故障信号特征提取及诊断

为了提高机械传动系统的运行稳定性,提出了一种基于半监督拉普拉斯特征映射(semisupervised laplacian eigenmap, SLE)和深度置信网络(deep belief network, DBN)算法的故障信号特征提取方法。选择SLE算法提取高维振动信号的流形参数,在DBN内输入流形学习数据实现特征数据二次挖掘的过程,完成不同故障的分类。研究结果表明:采用SLE-DBN模型进行处理时达到了比其余模型更优性能。采用SLE算法可以显著缩短SLE-DBN组合模型运算时间。训练集样本进行识别得到的准确率接近100%,表明模型能够对训练数据起到良好的拟合效果。SLE算法相对MCA与PCA算法表现出了更优特征提取性能,当设置合适参数时可以获得近100%的准确率。当有标签样本数量介于60～120时,DBN网络相对CNN网络表现出了更优分类性能。SLE-DBN模型对于别轴承故障诊断方面都达到了理想分类精度以及实现快速识别的要求。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

基于深度学习理论的发动机气门机构故障识别

为了正确诊断和识别发动机气门机构故障,提出一种基于经验模态分解和堆栈式稀疏自编码器深度学习模型的发动机气门机构故障识别算法。以发动机缸盖振动信号为信号源,对振动信号做经验模态分解,提取各个本征模态分量的时域和频域特征构成故障特征向量集,作为故障识别的样本变量。通过稀疏自编码非监督学习网络对输入向量进行特征学习,并将单层网络堆栈成深度网络,最后采用少量有标签数据对整个深度学习模型进行微调训练,建立气门机构故障识别模型。试验结果表明,EMD-SSAE混合深度学习模型能够有效的识别气门机构的故障状态,并且比EMD-SVM和EMD-BPNN模型获得更高的识别准确率。     

基于栈式降噪自编码的故障诊断

提出一种基于栈式降噪自编码网络的故障诊断方法,把深度学习应用于设备故障诊断。建立深层网络模型,采取逐层贪婪编码的方式进行预训练,实现高维深层故障特征的自适应提取和挖掘,再使用反向传播算法对模型进行监督式微调。方法集成了特征提取和状态分类两大步骤,摆脱了传统机器学习方法对人为提取样本特征的依赖,并有效克服梯度消失、局部极值等问题。通过滚动轴承数据实验,验证该方法对故障的识别能力和泛化能力。     

半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题，结合特征选择与二次挖掘，提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score, SSLS)和核主元分析(Kernel Principal Component Analysis, KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中，利用少量的有标签样本和大量无标签样本，结合KPCA对故障特征进行二次挖掘。同时，将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine, PSO-SVM)算法用于故障分类。最后，将该模型应用于实验数据分析过程。结果表明，该模型在减少样本标记工作量的同时，仍能在滚动轴承故障分类中保持较高的准确率，验证了所建立模型的有效性和工程实用性。     

基于DBN和BES-LSSVM的矿用压风机异常状态识别方法

针对矿用压风机这类分布式系统的异常类别复杂、识别精度低等问题,提出了一种基于深度置信网络（DBN）和最小二乘支持向量机（LSSVM）的异常状态识别方法。首先,分析压风机组成系统及其运行机理,确定常见的异常状态类型;其次,采用DBN无监督学习方式充分挖掘监测数据中异常特征并快速提取;然后,利用秃鹰搜索算法（BES）优化LSSVM的超参数,构建最优的BES-LSSVM分类模型;最后,将DBN提取的异常特征作为BES-LSSVM模型的输入,对矿用压风机异常状态进行识别。试验验证与对比分析结果表明,相较于GA,PSO,GWO算法,BES算法的求解精度和收敛速度均有所提高,同时DBN-BES-LSSVM模型在测试集上平均识别精度达到94.65%,较PCA-LSSVM模型、DBN模型和DBN-LSSVM模型的识别精度分别提高了10.53%,5.84%和3.76%,验证了DBN-BES-LSSVM模型在矿用压风机异常特征提取以及特征识别方面的优越性。     

基于深度学习LSTM⁃DBN的水轮机振动故障预测方法

深度学习算法具有强大的时间序列预测能力以及可实时处理大数据海量样本的优势。针对水轮机系统振动故障诊断存在精度低、漏诊及难预测等问题,提出了一种基于深度学习长短时记忆（long short time memory, 简称LSTM）网络结合深度置信网络（deep belief networks,简称DBN）的水轮机系统故障预测方法。将小波包能量带与时频域指标信息相结合,提取高维故障统计特征,利用DBN深层网络的自适应特征提取能力对原始故障数据进行高维特征表示,准确地判断故障种类,并凭借LSTM对时序信号强大的预测能力,预测出未来系统可能发生的振动故障。工程实验验证了该算法的有效性。     

基于ISFLA优化深度置信网络的滚动轴承故障诊断方法研究

传统故障诊断模型训练时易陷入局部最优、模型泛化能力差,且故障识别精度易受人工特征提取质量的影响,针对这一问题对滚动轴承故障诊断方法进行了研究.首先,提出了基于深度置信网络(DBN)的滚动轴承故障诊断模型,研究了DBN模型的逐层自适应特征提取能力;然后,提出了一种改进的混合蛙跳算法(ISFLA),对DBN各隐含层神经元个...     

基于主曲线相似度的轴承健康状态评估方法

为了更有效地评估滚动轴承性能退化程度,提出了基于流形空间主曲线相似度的状态评估方法。首先,结合轴承振动信号自身特点,进行高维特征提取,利用流形学习算法拉普拉斯特征映射(Laplacian eigenmaps,简称LE)将原高维特征空间转换至低维空间;其次,利用软-K主曲线算法提取样本主曲线;最后,结合离散Frechet距离做出状态评估曲线。通过滚动轴承全寿命实验进行对比分析,所提方法相对隐马尔科夫链模型(hidden Markov model,简称HMM)、深度信念网络(deep belief networks,简称DBN)等方法,能更早地发现设备的早期故障,且可以对滚动轴承健康状态进行定量评估。     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。     

等距映射与DBN相融合的齿轮故障诊断研究

运用等距映射(Isomap)算法将信号的特征数据从原始高维空间映射到低维空间,然后融合深度置信网络(DBN)来诊断齿轮的故障状态。进行了齿轮箱运行至故障的实验研究,经过一系列与未进行空间转换的原始特征、主成分分析(PCA)和拉普拉斯特征映射(LE)等两种空间转换方法及与隐马尔科夫模型(HMM)和BP神经网络等模型算法的对比分析,所提方法被证明在齿轮的故障诊断及状态评估中更加准确有效。     

基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。     

边缘计算生成式对抗网络差分进化滚动轴承特征识别方法

滚动轴承是旋转机械系统中保障安全运行重要组成部分之一。开展滚动轴承特征识别具有重要理论实际应用价值。通常采用的深度学习滚动轴承特征识别方法，需要有监督标记数据或无监督故障数据参与训练，标签和故障数据不易获取，无法满足滚动轴承特征识别需求。本文提出了一种边缘计算生成式对抗网络差分进化滚动轴承特征识别EC-DE法。该方法训练过程采用健康数据训练生成式对抗网络，通过学习健康数据分布规律进行滚动轴承健康特征识别。边缘端对比输入样本与生成式对抗网络生成样本差异性进行识别，根据输入样本健康置信度提前退出，提高系统实时性；云端采用差分进化算法搜索生成式对抗网络生成器输入潜空间，获得输入样本对应生成器输入潜变量，提高识别精度。本文方法在CWRU滚动轴承公共数据集上的识别正确率达99.8%且对超参数不敏感，推理阶段耗时降低，具有实际生产应用价值。     

基于改进增量LE的压缩机故障特征提取方法

提高离心压缩机故障特征提取精度对于后续故障诊断具有重要意义.针对传统增量LE算法处理精度差的问题,分析了参数t对传统增量LE算法特征提取精度的影响,提出了一种改进的增量LE算法.该方法将传统的增量LE算法与cam加权距离相结合,在新增样本点投影过程中通过cam加权距离选取邻域,采用热核形式计算新增样本的权值,由局部保持特性,通过新增样本的近邻来重构其低维嵌入.S-curve仿真数据以及离心压缩机故障数据分析表明:相比于传统的增量LE方法,改进的增量LE方法能有效提高新增故障样本特征提取的精度.     

基于DBN特征提取的模拟电路早期故障诊断方法

针对当前模拟电路早期故障诊断中特征提取方法的不足,提出了应用深度置信网络(deep belief network, DBN)进行特征提取的方法。利用混沌粒子群优化算法,对DBN中受限玻尔兹曼机的学习率开展优化,进一步提升特征提取的性能。相比于其他常用的特征提取方法,提出的DBN特征提取方法可提取出早期故障深度和本质的特征,且具有相同的故障聚集程度高、不同故障的分离能力极为明显的特点。应用二级四运放双二阶低通滤波器仿真电路和Sallen-Key带通滤波器电路板进行早期故障诊断实验,得到的故障诊断正确率分别为98.13%和100%。     

极限标签下基于解耦特征伪标签传播的故障诊断

面对实际工程中标签稀少,尤其是单类样本仅1个标签的极限标签场景,现有半监督诊断方法的故障识别能力严重不足。为此,本文提出一种基于解耦特征伪标签传播算法的半监督故障诊断方法。首先,引入局部选择的并行集成异常检测方法分离故障样本;其次,提出基于解耦特征的伪标签传播算法,通过解耦对抗自编码器获得增强的故障特征,进而通过故障特征降维、特征分布伪质心标定与距离度量实现高效伪标签传播;最后,利用伪标签故障样本训练故障分类器,结合异常检测实现高准确率故障诊断。两个旋转部件数据集上的实验结果表明,所提方法在单类故障标签数量为1时,同工况和跨工况实验下的平均诊断准确率分别超过97%和90%,明显优于对比方法。     

大型机械设备故障的优化挖掘检测模型仿真

大型机械设备的系统构成复杂,容易产生故障,对故障数据进行优化挖掘实现故障及时诊断。传统方法采用故障数据自适应重写方法实现机械设备故障挖掘,存在精度不高,诊断性能不好的问题。提出一种基于模糊推理分裂波束形成的大型机械设备故障的优化挖掘检测模型。分析了大型机械设备的故障发生和检测原理,采用模糊推理算法实现对大型机械设备的故障数据的采集和特征提取,根据特征提取结果进行分裂波束形成,提高对故障数据的聚类能力,实现大型机械设备故障的优化挖掘。仿真结果表明,采用该模型进行大型机械设备的故障数据挖掘和检测诊断,能准确实现对故障数据的恢复跟踪和波束形成,提高故障的检测性能,检测准确率较高。     

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。