基于仿真数据的无监督域适应轴承故障诊断方法

针对目前实际诊断任务中难以获得有效的滚动轴承故障数据以及目前诊断模型泛化能力差的问题,文章提出一种基于动力学仿真与无监督领域自适应的故障诊断方法。首先建立滚动轴承动力学仿真模型,获得大量的仿真数据充当源域;然后使用无监督领域自适应的迁移学习故障诊断方法,在全局领域适配的基础上,引入最大最小化分类器差异的对抗学习策略,进一步减小了源域和目标域特征的条件分布差异;最后通过与其他迁移学习方法对比验证所提方法的可行性与优异性。     

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。     

基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。     

数据驱动的轴承早期故障诊断技术综述

轴承早期故障的实时诊断,是实际工程应用需求和基础科学问题研究的交汇点,是轴承故障诊断的发展方向之一。首先,阐述了轴承故障及演变过程;其次,根据轴承早期故障实时诊断的需求,总结了轴承早期故障诊断难点问题;之后,重点论述了轴承早期故障诊断3个关键环节所采用的各种技术：微小监测信号增强技术、监测数据的融合表示技术以及早期故障智能诊断技术;最后,总结展望了轴承早期故障诊断技术的发展趋势。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成...     

无轴承电机的解耦控制与仿真研究

就感应型无轴承电机产生旋转与悬浮相互干扰的耦合磁场模型进行了逆系统解耦线性化,并对无轴承电机的解耦线性化系统进行了PDF(pseudo-derivative feed back)控制.PDF控制系统具有响应速度快、控制精度高、可控性好、无超调、鲁棒性较强等优点;可以避免消除启动回绕和微分突变现象,并不对被控对象的数学模型作精确的要求,一定的偏差不会给系统带来性能的影响,适用于实际的工程系统.     

无轴承电机的建模与控制仿真

给出感应式异步无轴承电机二自由度实验结构,建立了控制系统模型,并在一定的性能指标下对控制系统进行了仿真。分析和仿真的结果表明,控制策略精度高、鲁棒性强,具有良好的动静态性能。     

主轴无轴承电机的控制模型与仿真

建立主轴无轴承电机的动力学耦合控制模型,分析了主轴无轴承电机的机电能量转化,并在一定的性能指标下对系统进行了转子位移、空载转速跟踪精度的仿真,通过理论分析和仿真结果表明,对系统的悬浮控制和转动控制,均具有良好的动静态性能.为今后主轴无轴承电机的悬浮和旋转控制理论分析提供了理论依据.     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。     

基于无监督判别投影的滚动轴承故障诊断

针对滚动轴承故障样本不平衡和故障特征存在冗余性问题,提出了基于无监督判别投影（UDP）的滚动轴承故障诊断方法。该方法首先从时域和时频域提取多个特征参数,从而构造一个原始的高维特征集,随后运用UDP算法从该特征集中提取最敏感的低维流形特征,最后利用K-近邻分类器识别出滚动轴承的运行状态。将该方法分别应用于轴承故障类型和内圈故障严重性的识别,并与传统方法进行了比较,验证了该方法的可行性和优越性。     

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.     

时域指标在滚动轴承故障诊断中的应用

滚动轴承是机械设备中最常见的零部件,其运行状态直接影响到整台机器的性能.介绍了利用时域指标对滚动轴承故障进行分析的方法.     

基于LMD和增强包络谱的滚动轴承故障分析

针对滚动轴承发生故障时振动信号幅值分布的峭度和歪度都会发生变化的特点,提出基于峭度-歪度的局部均值分解分量筛选准则,将峭度值和歪度绝对值最大的分量筛选出来并重构故障信号,以达到降噪的目的。对降噪后的信号进行增强包络谱分析,得到故障的特征频率。应用提出的新方法对实测的滚动轴承外圈、滚动体和内圈发生故障时的振动信号分别进行了分析。结果表明,基于峭度-歪度的局部均值分解分量筛选准则有效地降低了信号中的噪声,在此基础上应用增强包络谱有效地减少带内噪声影响,从而使故障特征信息凸现出来,有利于对滚动轴承的各种故障进行诊断。     

盲解卷积和频域压缩感知在轴承复合故障声学诊断的应用

针对时域盲解卷积算法对单一故障机械声信号有效,及传统稀疏分量分析对声信号分析失效等问题,提出一种盲解卷积、形态滤波和频域压缩感知重构的稀疏分量分析相结合的轴承复合故障声学诊断方法。通过时域盲解卷积算法优选分量结果,提取声信号的冲击成分。使用形态滤波滤除背景噪声。使用模糊C均值聚类估计混合矩阵,重构传感矩阵,并运用稀疏度自适应匹配追踪基算法(Sparsity adaptive matching pursuit,SAMP)的频域压缩感知重构分离信号。双通道滚动轴承故障声信号分析结果表明该方法能够有效分离和提取滚动轴承故障特征。     

基于振动幅域参数指标的滚动轴承故障诊断

利用幅域参数对滚动轴承早期故障进行监测和诊断。分析了滚动轴承典型故障的机理及其振动特征,针对滚动轴承的典型故障特征,提出采用了幅域参数指标的诊断方法。基于Windows平台,利用Matlab软件编制了滚动轴承振动信号幅域参数指标计算程序,并且通过QPZZ-II旋转机械故障试验系统进行了滚动轴承故障的实例模拟并对所编程序进行了验证。结果表明,利用振动信号幅域参数指标对滚动轴承进行早期故障诊断,效果良好。     

增强Ramanujan模态分解方法及其在滚动轴承故障诊断中的应用

针对现有的滚动轴承故障诊断方法（例如：小波变换和集合经验模态分解）的周期识别能力并不稳定等问题,我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition, APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误,这导致APMD在强背景噪声下的周期提取性能并不稳定。为此,我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator,AFWEO),并将其用于增强周期脉冲。然后,提出了一种新的周期估计策略以提高周期估计的准确性,并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition, ERMD)方法。滚动轴承仿真和实验信号分析结果表明,新的周期估计策略在强背景噪声下依然有效,同时也说明了ERMD具有优良的周期成分识别和提取能力,是一种有效的滚动轴承故障诊断方法。     

滚动轴承故障的小波诊断法

对小波变换原理和信号局部奇异性在小波变换下的特性进行了分析,通过选用多尺度小波变换成功地对滚动轴承故障信号进行了检测。     

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。     

基于双时域微弱故障特征增强的轴承早期故障智能识别*

针对轴承早期微弱故障难以准确识别的问题,提出一种基于双时域微弱故障特征增强的轴承早期故障智能识别方法。利用广义S变换和Fourier逆变换推导出一种双时域变换,将轴承振动信号变换为双时域二维时间序列。根据双时域变换的能量分布特点,提取二维时间序列的主对角元素以构建故障特征增强的时域振动信号。仿真信号和轴承故障信号分析验证了双时域微弱故障特征增强的可行性和有效性。采用脉冲耦合神经网络和支持向量机对增强后的轴承信号进行时频特征参数提取和智能识别,平均识别精度达到了95.4%。试验结果表明所提方法能有效提高轴承早期故障的智能识别精度。