基于APSO-LSSVM的航空发动机轴承故障诊断及寿命预测

航空发动机轴承在高速、高温、高载荷等极端工况下易发生机械故障,为了提前预警,提出了一种基于自适应粒子群优化(Adaptive Particle Swarm Optimization, APSO)算法的最小二乘支持向量机(APSO Least Squares Support Vector Machine, APSO-LSSVM)对滑油系统中轴承磨屑进行在线监测的故障诊断及寿命预测。通过主成分分析法(Principal Components Analysis, PCA)对滑油磨屑信息进行降维处理,构建特征向量,并将特征向量输入APSO-LSSVM模型,对轴承故障状态进行分类并对轴承剩余寿命进行预测。结果表明：使用PCA可以保留数据样本99.9%的信息,同时还能极大地降低数据维度;与遗传算法(Genetic Algorithm, GA)、灰狼优化(Grey Wolf Optimization, GWO)算法、粒子群优化(Particle Swarm Optimization, PSO)算法的支持向量机相比,所提算法因采用了自适应调节粒子移动步幅,在进行轴承状态分类时准确率更高,分类正确率可达...     

KNN-朴素贝叶斯算法的滚动轴承故障诊断

滚动轴承的故障诊断对于提高工业生产效率,保障工业生产的稳定安全地运行具有重要意义。为了提高滚动轴承故障识别的正确率,提出一种使用KNN-朴素贝叶斯决策组合算法对滚动轴承故障诊断。组合算法利用朴素贝叶斯算法对使用不同K值的KNN算法初步分类结果进行再分类以达到提高滚动轴承故障识别的目的。首先,使用小波包能量法对滚动轴承振动信号进行能量特征提取,然后使用多个参数K值不同的KNN算法对能量特征数据预分类,得到多个KNN算法分类结果集,将分类结果集进行处理得到预分类结果集,将预分类结果集作为朴素贝叶斯算法的输入,使用朴素贝叶斯算法对数据再分类。实验结果表明,组合算法相较于传统KNN算法及贝叶斯算法在滚动轴承的故障诊断率得到了有效提高,实现了对滚动轴承故障的有效诊断。     

蝙蝠算法优化极限学习机的滚动轴承故障分类

针对传统智能故障诊断方法在滚动轴承的故障诊断中诊断准确率不高的问题,引入了一种启发式搜索算法——蝙蝠算法(BA)优化极限学习机(ELM)的方法,利用ELM构建滚动轴承故障诊断分类模型。首先采用滚动轴承振动信号的五种代表性时域无量纲指标作为诊断模型输入特征,然后,利用蝙蝠算法的全局寻优能力对ELM模型的参数进行优化,获取最优输入权重和隐含层偏置的ELM分类模型,最后采用美国西储大学轴承数据中心网站公开发布的轴承探伤数据集验证算法诊断效果。实验结果表明：该方法可以有效地对滚动轴承不同故障状态进行识别,与BP神经网络、支持向量机(SVM)和极限学习机(ELM)方法比较,所提出的方法能够提高故障诊断准确率,达到99.17%。     

基于BO-DKELM的滚动轴承故障诊断

滚动轴承作为旋转机械中的必需元件,其任何故障都可能导致机器乃至整个系统发生故障,从而导致巨大的经济损失和时间的浪费,因此必须要及时准确地诊断滚动轴承故障。针对传统极限学习机中模型参数对滚动轴承故障诊断精度影响较大的问题,提出了一种基于贝叶斯优化的深度核极限学习机的滚动轴承故障诊断方法。首先,将自动编码器与核极限学习机相结合,构建了深度核极限学习机(Deep kernel extreme learning machine, DKELM)模型。其次,利用贝叶斯优化(Bayesian optimization, BO)算法对DKELM中的超参数进行寻优,使得训练数据集和验证数据集在DKELM模型中的分类错误率之和最低。然后,将测试数据集输入到训练好的BO-DKELM中进行故障诊断。最后,采用凯斯西储大学轴承故障数据集对所提方法进行验证,最终故障诊断精度为99.6%,与深度置信网络和卷积神经网络等传统智能算法进行对比,所提方法具有更高的故障诊断精度。     

Fault diagnosis of roller bearing using fuzzy classifier and histogram features with focus on automatic rule learning

Roller bearing is one of the most widely used elements in rotary machines. Condition monitoring of such elements is conceived as pattern recognition problem. Pattern recognition has three main phases: feature extraction, feature selection and feature classification. Histogram features can be used for fault diagnosis of roller bearing. This paper presents the use of decision tree for selecting best few histogram features (bin ranges) that will discriminate the fault conditions of the bearing from given train samples. These features are extracted from vibration signals. A rule set is formed from the extracted features and fed to a fuzzy classifier. The rule set necessary for building the fuzzy classifier is obtained largely by intuition and domain knowledge. This paper also presents the usage of decision tree to generate the rules automatically from the feature set. The vibration signal from a piezoelectric transducer is captured for the following conditions – good bearing, bearing with inner race fault, bearing with outer race fault, and inner and outer race fault. The histogram features were extracted and good features that discriminate the different fault conditions of the bearing were selected using decision tree. The rule set for fuzzy classifier is obtained by once using the decision tree again. A fuzzy classifier is built and tested with representative data. The results are found to be encouraging.     

基于信号特征提取和卷积神经网络的轴承故障诊断研究

轴承是机械设备主要零部件之一,也是机械设备主要故障零部件之一。轴承故障问题为机械设备的重点,机械设备的使用受到故障轴承的直接影响。针对传统的卷积神经网络算法轴承故障诊断效率低下问题,本文提出了一种基于信号特征提取和卷积神经网络的优化方法。首先对原始数据信号进行时域和频域的信号特征提取,获得有效的故障特征值。之后,使用卷积神经网络对提取的特征值进行故障诊断,完成故障分类。本文使用美国凯斯西储大学的滚动轴承振动加速度信号作为数据集,对提出的方法进行验证,得到的故障诊断平均准确率为74.37%,准确率的方差为0.0001;传统的卷积神经网络算法故障诊断平均准确率为65.6%;准确率的方差为0.0019。实验结果表明,相比传统的卷积神经网络,提出的方法对轴承故障诊断的准确率有显著的提高,并且该方法的稳定性更佳,计算时间更少,综合性能更佳。     

基于卷积注意力特征迁移学习的滚动轴承故障诊断

针对变工况条件下因源域和目标域样本数据分布差异大造成滚动轴承故障诊断准确率较低的问题,提出一种新的迁移学习方法——卷积注意力特征迁移学习(Convolutional Attention-based Feature Transfer Learning, CAFTL),并用于变工况条件下的滚动轴承故障诊断。在所提出的CAFTL中,将源域和目标域样本经过多头自注意力计算再经过归一化之后,输入到卷积神经网络中得到对应的源域和目标域特征;然后通过域自适应迁移学习网络将两域特征投影到同一个公共特征空间内;接着,利用由源域有标签样本构建的分类器进行分类;最后,利用随机梯度下降(Stochastic Gradient Descent, SGD)方法对CAFTL进行训练和参数更新,得到CAFTL的最优参数集后将参数优化后的CAFTL用于滚动轴承待测样本的故障诊断。滚动轴承故障诊断实例验证了所提出的方法的有效性。     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

Fault diagnosis of rolling element bearing by using multinomial logistic regression and wavelet packet transform

This paper is focused on comparison of effectiveness of artificial intelligence (AI) techniques in fault diagnosis of rolling element bearings. The features for classification are extracted through wavelet packet decomposition using RBIO 5.5 wavelet. The whole classification is done using two features: energy and Kurtosis. The data samples for classification are taken with reference to a healthy bearing, thus, minimizing the errors from the experimental set-up. Four bearing conditions such as bearing with outer race defect, inner race defect, ball defect and combined defect on outer race, inner race and ball have been used in this paper. Localized defects of micron level are induced through laser machining. The effectiveness of three AI techniques viz. ANN, SVM and multinomial logistic regression are compared. The results show that the Logistic Regression technique is the more effective than other two techniques as ANN and SVM.     

基于鲸鱼算法优化LSSVM的滚动轴承故障诊断

针对轴承振动信号中的故障特征难以提取的问题,提出一种基于改进的鲸鱼算法优化最小二乘支持向量机(least square support vector machine, LSSVM)的故障分类方法.首先,利用变分模态分解(variational mode decomposition, VMD)对原始信号进行分解,使用中心频率法解决VMD中分解参数K值的选取问题;其次,计算每个IMF分量的多尺度排列熵值,提取信号故障特征;再次,针对鲸鱼算法(whale optimization algorithm, WOA)收敛速度慢和精度低的问题,引入冯诺依曼拓扑结构和自适应权重进行改进,可以适当地调整全局搜索能力和局部搜索能力之间的平衡;最后,采用改进后的鲸鱼算法优化LSSVM核函数的参数和惩罚因子,建立滚动轴承故障诊断模型,并利用美国凯斯西储大学提供的轴承数据集进行仿真实验.实验结果表明,所提方法的故障分类性能更好,准确率更高.     

基于节点优化型DAG-LDM的机组滚动轴承故障诊断方法

滚动轴承作为风电机组的关键部件,对于整个机组的安全运行起着决定性作用.针对机组滚动轴承故障诊断问题,提出一种节点优化型有向无环图大间隔分布机(O-DAG-LDM)的故障诊断方法.结合DAG多分类扩展性能与LDM二分类器泛化性能的优点,构建一种面向滚动轴承故障诊断的DAG结构扩展式LDM多分类器方法.在DAG-LDM算法框架下,利用优化算法对DAG节点进行优化排列以减小随机排布引起的累积误差,提高LDM故障分类准确率.实验表明,与其他主流智能诊断方法相比,所提出的节点优化型DAG-LDM故障诊断方法具有较高的准确率和更好的抗噪性能.     

随机森林在滚动轴承故障诊断中的应用

针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出了一种基于分类回归树（CART）的随机森林滚动轴承故障诊断算法。随机森林是包含了多种分类器的集成学习方法。通过随机森林的“集成”思想来提高滚动轴承故障诊断的精度。从滚动轴承的振动信号中提取时域统计指标,将其作为特征向量,利用随机森林（Random Forest）对滚动轴承故障进行诊断。利用SQI-MFS实验平台的轴承数据,与传统分类器（SVM、kNN和ANN）以及单个分类回归树的诊断结果相比,随机森林算法具有比较高的诊断精度。     

基于MOMEDA与双谱分析的滚动轴承早期故障诊断

滚动轴承早期故障阶段,故障特征微弱且环境噪声干扰严重,采集数据包含大量噪声信息,传统的包络谱分析难以提取故障特征信息。双谱分析理论上可以抑制高斯噪声,但很难从强背景噪声下提取出微弱故障特征。而多点最优调整的最小熵解卷积（Multipoint Optimal Minimum Entropy Deconvolution Adjusted,MOMEDA）方法能增强信号中的冲击特征,但其效果和故障信号周期区间等参数有关。利用MOMEDA与双谱分析进行信号处理,将提取到的信号高阶谱特征作为滚动轴承早期故障分类依据。利用MOMEDA方法对采集信号进行滤波处理,提取出有冲击特征的时域信号;对特征增强的信号进行双谱分析,从高阶谱中提取故障特征。经过仿真信号分析和实际轴承故障信号验证,该方法能有效地提取出滚动轴承早期故障特征,实现故障诊断。     

An optimized extreme learning machine-based novel model for bearing fault classification

This work addresses the rolling element bearing (REB) fault classification problem by tackling the issue of identifying the appropriate parameters for the extreme learning machine (ELM) and enhancing its effectiveness. This study introduces a memetic algorithm (MA) to identify the optimal ELM parameter set for compact ELM architecture alongside better ELM performance. The goal of using MA is to investigate the promising solution space and systematically exploit the facts in the viable solution space. In the proposed method, the local search method is proposed along with link-based and node-based genetic operators to provide a tight ELM structure. A vibration data set simulated from the bearing of rotating machinery has been used to assess the performance of the optimized ELM with the REB fault categorization problem. The complexity involved in choosing a promising feature set is eliminated because the vibration data has been transformed into kurtograms to reflect the input of the model. The experimental results demonstrate that MA efficiently optimizes the ELM to improve the fault classification accuracy by around 99.0% and reduces the requirement of hidden nodes by 17.0% for both data sets. As a result, the proposed scheme is demonstrated to be a practically acceptable and well-organized solution that offers a compact ELM architecture in comparison to the state-of-the-art methods for the fault classification problem.     

奇异值分解和稀疏自编码器的轴承故障诊断

针对滚动轴承故障特征提取和分类需要进行有监督训练才能实现等问题,提出了一种基于奇异值分解（SVD）和时域统计特征分析并结合堆栈稀疏自编码器（SAE）以及Softmax分类器实现滚动轴承故障诊断方法。该方法利用Hankle矩阵对原始数据进行矩阵重构,利用奇异值分解和时域分析对重构后的故障信号进行特征预提取,融合两种特征并输入到堆栈稀疏自编码器中进行特征优化,将优化后的特征输入到Softmax分类器中进行分类识别。实验结果表明,3种工况下10类故障数据的识别准确率均在96%左右,且高于文中其他方法,因此该方法能有效地进行滚动轴承复杂信号的特征预处理以及分类。     

可补偿类别差异的加权支持向量机算法

支持向量机(SVM)算法在各类别样本数多少不同时,样本数量多的类别,其分类误差小,而样本数量少的类别,其分类误差大.针对这种倾向性问题,在分析其产生原因的基础上,提出了加权SVM算法,从而克服了常规SVM算法不能灵活处理每一个样本的缺陷,同时补偿了这种倾向性造成的不利影响.这种以牺牲大类别精度来提高小类别精度的加权支持向量机方法,可应用于诸如故障诊断等关注小类别分类精度的场合.户外图象识别的实验结果证明,该算法是有效的.     

基于新小波阈值的轴承故障诊断方法

对于滚动轴承的故障分类方法抗干扰性差、准确率低等问题,文中提出一种新小波阈值的滚动轴承故障特征提取方法.通过计算每层分解后数据与原始数据的相关系数,改变调节因子,在不同分解层中选取阈值和阈值函数,达到寻求最优信噪比的目的.以型号为6205-2RS的滚动轴承故障信号为例进行仿真实验,对降噪后的频谱以及LS-SVM诊断结果对比可以看出,新阈值的降噪效果要明显好于另外几种方法.     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于深度迁移自编码器的变工况下滚动轴承故障诊断方法

在实际工业场景下的轴承故障诊断,存在轴承故障样本不足,训练样本与实际信号样本存在分布差异的问题;文章提出一种新的基于深度迁移自编码器的故障诊断方法FS-DTAE,应用于不同工况下的轴承故障诊断;该方法首先采用小波包变换进行信号处理与特征提取;其次,采用提出的基于朴素贝叶斯与域间差异的特征选取(FSBD)方法对统计特征进行评估,选取更有利于跨域故障诊断和迁移学习的特征;然后,利用源域特征数据训练深度自编码器,将训练得到的模型参数迁移至目标域,再利用目标域正常状态样本对深度迁移自编码器模型进行微调,微调后的模型用于目标域无标签特征数据的故障分类;最后,基于CWRU轴承故障数据开展不同工况下故障诊断实验,结果表明,所提出的FS-DTAE方法能够有效提高不同工况下的故障诊断准确率。