基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络(Enhanced transfer convolutional neural network,ETCNN)来改进机械设备在变工况下的诊断精度和泛化...     

基于LMD和改进CNN的轴承故障诊断方法

针对传统轴承故障诊断方法在实际工况、嘈杂环境中对轴承故障识别准确率较低的问题,提出了基于局部均值分解(LMD)和改进的卷积神经网络(CNN)轴承故障诊断方法。对振动信号进行局部均值分解得到若干乘机函数分量,选择合适的分量生成重构信号作为网络输入,提出一种改进的卷积神经网络框架,提高多变量时间序列的诊断效率,选用凯斯西楚大学滚动轴承数据进行试验验证,运用k-折交叉验证来评估模型性能,并通过模拟工业环境的噪声验证了的抗噪性能。结果表明,相较与传统诊断模型在噪声环境下对滚动轴承故障诊断有更好的识别效果。     

云—雾—边缘协同的数字孪生制造系统仿真过程动态扰动响应方法

鉴于现有仿真技术对制造过程动态响应能力不足,数字孪生技术为仿真系统对制造过程的动态映射提供了解决方案,但仍存在设备运行过程中动态扰动识别困难且扰动识别模型的训练过程受制于计算和数据资源,导致耗时较长,以及用于识别动态扰动和构建约束条件的数据为离线或半离线状态,不能满足实时响应要求的问题。针对以上问题,提出一种基于云—雾—边缘协同的数字孪生制造仿真过程动态扰动响应方法。在云端使用公共数据集训练普适化模型并使用边缘端数据训练个性化模型来提升扰动识别精度,雾端通过部署云端训练的个性化模型保证扰动识别速度,同时将识别的扰动更新到数字孪生仿真模型中。边缘端负责采集实时信号并上传至雾端。经实验验证,扰动约束更新机制能够准确更新扰动,从而对运行过程中的扰动做出快速响应。     

一种改进1DCNN的滚动轴承变工况故障诊断方法

针对滚动轴承在强噪声背景时运行存在不同工况下样本分布不同而导致传统模型诊断精度较低的问题,提出一种改进一维卷积神经网络的滚动轴承变工况故障诊断方法。以一维卷积神经网络模型为基础,通过全局均值池化代替全连接层,减少模型训练参数,同时在全局均值池化层引入最大均值差异域自适应迁移学习实现滚动轴承变工况故障诊断。与ResNet和1DCNN+DA等方法的对比分析表明,将1DCNN模型中的FC层通过GAP层代替并与DA迁移学习相结合,能够提高整个模型的泛化性和诊断精度。     

一种新型DSCNN-GRU结构的减速机轴承故障诊断方法

结合深度学习理论,将一维卷积神经网络运用于振动信号故障诊断,相较于传统方法,提取特征简单且高效。为进一步优化一维卷积结构,弥补其在信号所有位置的寻找模式,联系周期内的故障特征,提出一种新型DSCNN-GRU网络。该模型融合了深度可分离卷积的轻量快捷,降低了一维卷积结构参数;加入门控机制,可记忆分析故障点的信号特征,联系周期内的信号关系,更好地捕捉信号故障特征,提升对时间序列的敏感性。提出一种跟踪梯度优化Adam算法,解决模型随时间窗振荡问题。通过采集的减速机滚动轴承数据研究表明,该算法平均故障识别率可达94%以上,分类效果明显,泛化能力强。     

深度卷积长短期记忆网络的轴承故障诊断

针对传统数据驱动故障诊断方法难以从轴承信号中自适应提取有效特征、没有充分利用故障数据的时序特点以及缺乏自适应处理动态信息能力的问题,提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法.本文方法构建的深度模型能够从轴承原始信号中自适应地提取鲁棒性特征,然后利用长短期记忆网络学习特征中的时间依赖关系实现了高...     

一种抗噪声的自注意力神经网络轴承故障诊断方法

为抑制噪声信号对轴承故障诊断的不良影响,应对轴承诊断方法在生产现场噪声干扰下精度下滑的问题,提出了一种对噪声具有强鲁棒性的故障诊断方法。首先,以自注意力神经网络为主要研究对象,对模型的深度、宽度进行分析,确定模型的宽度为16维,深度为8层时诊断效果最佳;然后,通过对比试验验证了位置编码模块在模型中的必要性;最后,与CNN,LSTM,MLP,SIM等模型的对比结果表明,基于自注意力神经网络的模型能够在低强度噪声环境下取得接近100%的诊断精度,在高强度噪声环境下的诊断精度也优于其他模型。     

基于敏感分量与MCPG的轴承故障诊断方法

针对滚动轴承故障难以准确识别问题,提出了一种基于敏感分量与多卷积池化组(Multi convolution pooling group,MCPG)的故障诊断方法.首先,采用经验模态分解(Empirical mode decom?position,EMD)将原始信号分解成为多个固有模态分量(Intrinsic mode ...     

全矢RNN的轴承故障诊断研究

本文提出了一种基于全矢谱的RNN故障诊断方法.RNN是为了在保证在时序信息上能够提取出轴承的特征信息,并且根据全寿命周期的时序信息得到轴承的退化过程,并根据退化特征对于轴承故障信号进行分类.全矢谱技术利用同源双通道故障信息的完备性,并在此基础上,结合循环神经网络的网络特性,取代手工提取故障特征.经过试验结果验证了全矢循...     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

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。     

基于动态统计滤波与深度学习的智能故障诊断方法

电流信号具有易采集、不易受环境噪声影响的优点,为难以通过振动传感器采集信号的特殊设备提供了可行的监测诊断思路,但电流信号也存在故障特征难以提取等问题。为此,将改进的动态统计滤波与深度卷积神经网络(DCNN)结合,提出一种基于电流信号进行机械设备智能故障诊断的方法。引入综合信息量指标(SIpq)优化滤波效果,基于改进的动态统计滤波方法,使不同状态信号间的特征差异最大化,以提高状态识别精度;通过交替堆叠特征图尺寸不变的卷积层与逐层递减的池化层,构建DCNN,提取电流信号中的高维故障特征。将动态统计滤波后的特征增强图像输入DCNN,识别故障类型。为验证方法有效性,以不平衡、不对中、松动3种故障为对象进行故障类型识别,分析结果表明,所提方法可有效识别故障类型,与传统的ANN、CNN等其他方法对比具有较好的识别精度。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

基于改进一维残差网络的轴承故障诊断

针对现有一维卷积网络和残差网络在故障诊断方面的不足,本文将一维卷积网络与残差网络相结合,提出了一种基于改进一维残差网络的轴承故障诊断方法.该方法通过添加一条残差连接通道的方式,增加残差网络宽度,以学习更丰富的特征,提高故障诊断准确率.利用6种轴承状态对所提方法的分类效果进行了测试.实验结果表明,所提方法能直接利用振动信...     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换(MWT)和卷积神经网络(CNN)的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。     

基于边云协同的温度仪表漂移故障诊断方法

温度仪表是流程工业仪控系统的核心组件,仪表漂移故障发生率较高但却难以察觉。为此,文中提出基于边云协同的温度仪表漂移故障诊断方法,在边缘端部署线性回归模型进行温度仪表测量值预测;在云端部署基于stacking的集成学习模型实现精确漂移故障诊断。仅当边缘端检测出异常时触发云端集成学习诊断模型。文中以风力发电机实际运行数据对于所述方法进行验证,实验结果表明文中所述方法能够在基本不损失诊断准确性的同时大幅缩减诊断时间与计算负载。     

改进Alexnet的滚动轴承变工况故障诊断方法

旋转机械中的滚动轴承常工作在变负荷、强噪声的环境中,而传统的滚动轴承故障诊断方法难以在复杂工况下自适应地提取对其故障诊断有利的特征,针对此问题,提出一种改进AlexNet的滚动轴承变工况故障诊断方法。首先,将采集的一维时域信号按横向插样构建便于改进AlexNet输入的二维特征图,于现存的纵向插样和二维频谱而言,保留了特征自动提取过程中振动信号的时序性和关联性;其次,改进调整AlexNet卷积层的功能层且经过卷积和次采样等操作,从二维特征图中自动提取出利于滚动轴承状态辨识的特征;最后,以softmax的交叉熵为损失函数,利用Adam按小批量迭代优化法实现对滚动轴承故障的诊断。通过与多种方法对滚动轴承不同位置、不同损伤程度的12类状态诊断效果比较,结果表明,该方法对变负荷、强噪声条件下的滚动轴承故障诊断的精度更高,鲁棒性更强。