基于改进VMD和1DCNN的泵注系统轴承故障诊断

针对泵注系统轴承振动信号传递路径长,故障特征微弱而导致传统机器学习方法难以进行故障诊断的问题,提出一种基于改进变分模态分解(IVMD)和一维卷积神经网络(1DCNN)的泵注系统轴承故障诊断模型。首先,通过多个传感器采集泵注系统轴承振动信号;然后,利用Elastic回归替换Ridge回归构造IVMD并将轴承振动信号自动分解,采用改进峭度指标进行筛选重构实现振动信号的有效降噪;最后,将降噪后的重构信号输入适用于工业多传感器系统的1DCNN进行自动特征提取和故障诊断。试验结果表明,IVMD-1DCNN模型的故障诊断准确率达99.27%,相比于其他方法具有较大优势。另外,对1DCNN学习到的卷积核进行可视化,也在一定程度探讨了深度学习故障诊断的可解释性问题。     

基于Transformer的智能轴承声-振融合故障诊断

针对单一信源(振动或声音)轴承故障诊断方法所蕴含信息不全面的问题，开展了具有多源传感器集成的智能轴承的声-振融合故障诊断研究，引入Transformer架构作为声-振融合诊断模型的基本模式以加强信号的时序特征提取能力，利用交叉自注意力机制使声音信号与振动信号在特征提取过程中交互与融合，从而实现端到端的智能轴承故障诊断。搭建智能轴承试验台采集声音与振动数据进行验证的结果表明，基于Transformer的智能轴承声-振融合故障诊断方法相对于单独使用声音、振动的方法以及基线Transformer方法，诊断性能均有提升。     

基于一维卷积神经网络的滚动轴承自适应故障诊断算法

现有的滚动轴承故障诊断算法依赖于人工特征提取和专家知识,然而滚动轴承复杂多变的工作环境使得传统的智能故障诊断算法缺乏自适应性。针对此问题,提出了基于"端到端"的自适应一维卷积神经网络(ACNN-FD)故障诊断算法。首先,将各类故障状态的原始振动信号进行有重叠分段预处理用于构建训练样本和测试样本;然后,将每个训练样本以某一尺度的"时间步"进行划分作为所建立的一维卷积神经网络模型的输入,利用深度网络结构实现对原始振动信号特征的自适应层级化提取;最后在输出端利用Softmax分类器输出诊断结果。通过轴承数据库实验表明算法能够实现高达99%以上的故障识别准确率,同时在不同负载下良好的泛化性能,具备实际应用的可行性。     

基于经验模态分解和深度卷积神经网络的行星齿轮箱故障诊断方法

行星齿轮箱振动信号具有非平稳特性,需要一定的先验知识和诊断专业知识设计和解释特征从而实现故障诊断。为了实现行星齿轮箱的智能诊断,提出一种基于经验模态分解(Empirical mode decomposition,EMD)和深度卷积神经网络(Deep convolutional neural network,DCNN)的智能故障诊断方法。首先对振动信号进行经验模态分解得到内禀模式函数(Intrinsic mode function, IMF);然后利用DCNN融合特征信息明显的IMF分量,并自动提取特征;最后,将特征用于分类器分类识别,从而实现行星齿轮箱故障诊断的自动化。试验结果表明:该方法能准确、有效地对行星齿轮箱的工作状态和故障类型进行分类。     

基于压缩感知与改进的深度极限学习机的轴承故障诊断方法

大数据时代下的轴承故障监测存在海量数据处理实时性和故障特征选取的主观性问题,为了实时、智能的实现轴承故障诊断,提出了压缩感知(Compressed Sensing,CS)与改进的深度极限学习机(Multilayer Extreme Learning Machine,ML-ELM)相融合的轴承故障诊断新方法.该方法首先通过压缩感知理论从大量轴承监测数据中获取能够表达特征信息的少量数据,然后用轴承信号在压缩感知变换域中的测量值进行由PSO改进的深度极限学习机分类识别,实现故障智能诊断.此方法大幅减少了轴承诊断信号的数据量并省去了智能诊断时特征选取的步骤,充分利用了深度极限学习机从少量测量值中挖掘轴承信号的特征信息,实现了智能、准确的分类.实验分析表明:该方法对不同位置、不同损伤程度的故障能够准确的识别,为轴承状态监测和故障诊断提供了新方法.     

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准确度的轴承故障诊断.该方法克服了传统特征提取方法依赖专家经验和信息利用不完全等问题,实现了故障的智能、准确诊断.实验结果表明,该方法可以提取更准确的特征而且由于利用了故障演变过程中的时序信息,使得故障诊断更加智能、可靠.     

基于BPSO-M1DCNN的行星齿轮箱故障诊断方法研究

采用卷积神经网络对旋转部件进行故障诊断时,其对多尺度的故障特征利用有限,且网络层结构和超参数调试费时费力,针对上述问题,提出了一种基于离散二进制粒子群优化多尺度一维卷积神经网络的BPSO-M1DCNN算法。首先,对M1DCNN网络进行了初始化设计,采用了BPSO算法自适应调整超参数和网络结构构建BPSO-M1DCNN网络;然后,将原始振动数据输入BPSO-M1DCNN网络,进行了特征学习和提取,将学习到的故障特征进行了分类输出;最后,将该算法应用于行星齿轮箱的故障诊断试验,并将其结果与用BPSO-BP神经网络、一维卷积神经网络、M1DCNN网络的结果进行了对比分析,利用变化曲线表示M1DCNN网络、BPSO-M1DCNN网络的正确率和损失率,采用混淆矩阵显示各类故障诊断精度,并利用T-SNE算法对其特征学习过程进行了可视化。研究结果表明:相比BPSO-BP神经网络、1DCNN网络、M1DCNN网络,基于BPSO-M1DCNN网络的行星齿轮箱测试集的平均准确率均有一定提升,应用于行星齿轮箱故障的诊断效果较好。     

基于分支卷积神经网络的托辊轴承故障分级诊断研究

在对矿山机械装备中使用的轴承进行故障诊断时,易受噪声干扰及多变工况的影响,同时也难以适应不同诊断任务,针对这一系列问题,提出了一种基于分支卷积神经网络(B-CNN)的托辊轴承故障分级诊断方法。首先,根据具体的诊断任务故障的层级结构进行了划分,采用多层标签表示健康状态、故障类型和损伤程度;通过交替卷积和池化层,构建了一维卷积神经网络(1DCNN)特征提取块;然后,将层级结构和特征提取块融合,设计出了一种基于分支一维卷积神经网络(B-1DCNN)的轴承故障分级诊断模型;最后,使用美国凯斯西储大学轴承数据和自建的带式输送机托辊故障模拟实验台数据,对托辊轴承故障进行了模拟实验,对该方法在噪声干扰和多变工况下的诊断性能进行了验证。研究结果表明：该方法成功实现了对托辊轴承故障从粗到精的分级诊断,对噪声干扰和变工况具有较好的鲁棒性,且与支持向量机(SVM)和反向传播神经网络(BPNN)模型相比,该方法的故障诊断性能更好。     

基于深度1DCNN的25YCY柱塞泵故障诊断网络优化及验证

以传统1DCNN模型分析柱塞泵故障时无法完成深度学习过程,对最终数据精度造成不利影响。在设计模型时加入更高比例的卷积层,促进D-1DCNN模型特征提取效率的显著增强。以型号25YCY轴向柱塞泵为测试对象,通过三轴加速度计和耦合器完成振动信号的获取,开展故障诊断测试分析。研究结果表明：对D-1DCNN进行网络参数调节优化确定,学习率为0.3,卷积核高度3,批处理量保持50,最大池化模型,Adam优化器。在10次迭代后再进行第二次迭代时达到100%准确率,训练时间共124 s,表明D-1DCNN能够满足对轴向柱塞泵故障进行准确诊断的结果,完全符合智能故障诊断指标。该研究对提高25YCY柱塞泵的故障诊断具有很好的实际应用价值。     

基于LCD多尺度散布熵的数控机床故障诊断

为提升数控机床用轴承故障诊断效果,提出了基于LCD多尺度散布熵的数控机床轴承故障诊断方法。该方法利用局部特征尺度分解(LCD)对轴承振动信号进行分解,获取原始信号不同尺度下的内禀尺度分量(ISC);根据散布熵能有效区分不同故障信号的复杂度,计算ISC分量的散布熵,获得原始信号多个尺度下的复杂度特征作为轴承故障的特征参数;将该特征参数输入SVM分类器中判断轴承故障,实现故障诊断。轴承不同类型和不同程度故障诊断实验结果表明,所提方法能够提升轴承的故障诊断效果,相比其他一些方法,具有一定的优势。     

基于压缩采集与深度学习的轴承故障诊断方法

机械健康监测正进入大数据时代,针对传统轴承故障检测存在的采样数据量大、故障特征依赖主观选取等问题,研究了轴承故障信号变换域的压缩采集、自动特征提取及诊断方法。基于压缩感知和深度学习理论,研究用随机高斯矩阵实现轴承信号的变换域压缩采集,并将此信号输入深度神经网络实现故障的智能诊断。该方法克服了传统针对时域信号的特征提取计算复杂、受先验知识和主观经验影响较大等问题,直接利用含有大量故障信息的压缩感知域采集信号训练深度神经网络,充分利用深度学习挖掘少量压缩采集数据中隐藏的故障信息,从而实现智能、准确的分类。实验结果表明,该方法实现了对不同故障位置和缺损程度的故障特征自动提取与准确故障诊断。     

基于时变自回归参数模型的滚动轴承智能故障诊断

轴承运行时的振动信号是典型的非线性非平稳时间序列,对其建立时变自回归参数模型,可以较好地表征轴承振动的非平稳特征。在对轴承振动信号时变自回归模型的时变参数进行大量实验分析研究的基础上,提取均值作为表征轴承运行状态的特征参数,并输入支持向量机分类器进行故障识别与分类,实现滚动轴承的智能故障诊断。实验结果表明,该故障诊断方法可以有效准确地识别滚动轴承的运行状态。     

基于信息融合的机器人薄壁轴承故障智能诊断

为了实现轴承故障智能诊断,对基于信息融合的机器人薄壁轴承故障智能诊断方法进行研究。首先,采用声发射和振动传感器,搭建了机器人薄壁轴承试验与多信息数据采集系统;然后,以薄壁单列角接触球轴承ZR71820为对象,在轴承外圈、内圈和滚动体上分别制作点蚀、裂纹缺陷,用正交试验法采集不同缺陷类型、不同当量载荷及不同转速状态下薄壁轴承在试验过程中的声发射和振动信号;最后,选取时域中均方根值和峭度指数及频域中均方根频率作为振动、声发射信号的特征参数,分别进行了基于单一振动、声发射信号的薄壁轴承故障诊断,并采用SOM与BP神经网络将试验过程中的振动和声发射信号的特征信息进行融合,研究了基于信息融合的机器人薄壁轴承故障智能诊断技术。结果表明:基于振动信号故障诊断的正确率为85.7%;基于声发射信号故障诊断的正确率为81.0%;基于BP神经网络信息融合故障诊断的正确率为93.5%;基于SOM神经网络信息融合故障诊断的正确率为95.2%。基于SOM神经网络信息融合的薄壁轴承故障智能诊断比单用振动或声发射信号的诊断正确率分别高出9.5%和14.2%,比用BP神经网络信息融合故障诊断的正确率高1.7%。     

基于小波包最优熵与RVM的滚动轴承故障诊断方法

为解决滚动轴承振动信号信噪比低和故障分类准确性不高的问题,提出了小波包最优熵和相关向量机相结合的故障诊断方法。首先采用小波包对采集到的信号进行信噪分离,寻找分解后信号的最优小波包节点熵;然后提取最优节点能量作为训练样本,对相关向量机的多故障分类器进行训练,实现轴承的智能诊断。试验表明,该方法可简单有效地分离噪声,并具有良好的分类能力,可以很好地应用于轴承故障诊断。     

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号,在较小训练与测试样本比的情况下实现故障诊断,当训练样本为90,测试样本为810(训练与测试样本比为1:9)时,驱动端故障诊断的正确率为99.6%;当训练样本为270,测试样本为630(训练与测试样本比为3:7)时,风机端故障的正确率为97.3%。     

基于VMD-WPD的异构特征与随机森林融合的轴承变工况故障诊断应用研究

滚动轴承在变转速工况下,振动故障信息受到转速调制,传统的FFT分析会产生严重的频谱混叠。为了有效解决轴承变转速工况的故障诊断问题,文章提出了一种基于异构特征融合的智能故障诊断方法,首先利用变分模态分解（VMD）和小波包分解（WPD）将非平稳的变转速信号分解为不同的分量,其次对不同的分量求取能量信息,利用能量信息构建基于模态和高低频的异构特征向量,最后将VMD-WPD的异构特征与随机森林的共智决策能力相结合,实现轴承智能故障诊断。试验表明,该方法能够较好地识别轴承变转速工况下的故障类型,为轴承的非平稳运行故障诊断研究提供参考。     

基于嵌入式多参量传感器的智能轴承

提出了一种新型的基于嵌入式多参量传感器的智能轴承结构。多参量复合传感器包括2个微型振动加速度传感器、2个微型转速传感器和2个微型温度传感器。通过轴承外圈上的槽式结构,将复合传感器与轴承端面进行嵌入式结合,实现对轴承运转过程中水平和垂直地面两方向的振动信号、轴承转速信号、内圈(轴)和外圈温度信号的采集。对其原理样机进行了实验验证,验证结果表明,该智能轴承监测参数准确,其参数监测和故障诊断能力较传统的方式更具优越性。     

基于多通道振动信号的港机车轮轴承故障诊断

提出一种基于多通道振动信号的港机台车车轮轴承故障诊断的方法。通过分析港机台车车轮轴承的特殊性,阐述现有轴承故障诊断方法以及存在的问题,并指出了基于多通道振动信号分析方法的优势。描述了系统信号采集硬件构架,充分发挥现代计算机的高速运算,大容量存储能力,利用多进程并发,采用模块化思想,搭建了分析系统用户界面软件。通过时域、频域、功率谱、静态参数等多种信号分析方法对振动信号进行分析,实现对轴承的故障诊断。实时监测和离线分析大量现场数据结果表明,该故障诊断系统诊断方便,无需停工,成功率高,符合港机台车车轮轴承故障在线诊断要求。     

卷积神经网络在轴承故障识别的应用

针对传统故障诊断方法在轴承故障诊断识别率低、人为干预多等问题,提出一种基于卷积神经网络的故障识别方法。通过对轴承各类故障信号进行数据处理,提取出故障信号的特征,构建故障类型数据集,建立卷积神经网络图像识别模型,将故障数据集送入模型训练获得较优识别模型,最后将待识别故障信号特征图送入模型进行故障类型识别。经实验验证,该方法满足多类轴承故障识别的要求,具有较高的故障识别率。该方法无需人为参与,只需将待测信号进行数据处理送入模型进行识别,符合智能故障诊断的发展趋势,在机械故障领域具有一定的应用价值。     

基于EMD-ICA去噪的滚动轴承故障诊断方法

针对轴承故障信号易受环境噪声影响、信噪分离难的问题,提出了一种基于经验模态分解和独立成分分析相结合去噪的滚动轴承故障诊断方法。给出了该方法在故障诊断信号去噪领域的应用原理、方法步骤和评价指标;并通过仿真信号和实际轴承的滚动体故障、内圈故障和外圈故障信号进行了分析和故障诊断,验证了该方法在轴承故障信噪分离中的有效性。结果表明,采用文中提出的方法消噪后提取故障信号特征频率,压制了噪声干扰,能明显区别出轴承的状态及其故障的类型,有效提高了轴承故障诊断的准确性。