基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。

基于小样本学习的滚动轴承故障检测

轴承故障类型复杂,并且在不同工况下每种故障类型都很难获得足够的训练样本。因此,本文提出一种基于深度神经网络的小样本学习分类算法,引入第1层具有宽卷积核网络(Convolutional neural network with training interference,TICNN)作为孪生网络的子网络用于提取特征,减少工业环境噪声影响。孪生网络是一种常用于小样本学习的结构,通过输入相同或不同类别的样本对进行训练,学习不同属性样本与特征之间的映射关系,并采用相似度进行度量。测试样本通过寻找最近邻的类别来实现分类。在标准凯斯西储大学轴承故障诊断基准数据集上的实验结果表明,在数据有限的情况下,本文模型在故障诊断中表现出更好的效果。当使用最少的训练数据在不同的噪声环境中进行测试时,本文小样本学习模型的性能超过了具有合理噪声水平的基线模型,故障诊断准确率达到了94.41%。当在具有新故障类型或新工作条件的测试集上进行评估时,本文模型仍然有效。

基于ResNet18和迁移学习的滚动轴承故障诊断

针对基于深度学习的滚动轴承故障诊断网络层数过深模型易退化、难以收集大量故障样本的问题,提出一种基于ResNet18和迁移学习的滚动轴承故障诊断方法。首先,采用小波变换将原始振动信号转换为二维时频图像,并通过图像增强方法凸显图像包含的时频信息;其次,通过迁移学习,将在ImageNet数据集上预训练的ResNet18作为初始故障诊断模型;最后,利用轴承数据集微调网络所有参数,生成最终故障诊断模型。利用轴承数据集验证该方法,并与其他方法进行比较。结果表明,在故障标签样本较少的情况下,采用该方法对滚动轴承进行诊断的平均准确率高达98.85%;图像增强和权值微调的方法能有效提高模型的训练速度,提升模型的分类精度。

基于IMSE和参数优化VMD的滚动轴承故障诊断方法

针对滚动轴承振动信号特征提取难和故障诊断精度低的问题,提出一种基于改进的多尺度样本熵(Improved Multiscale Sample Entropy,IMSE)和参数优化变分模态分解(Variational Mode Decomposition,VMD)的滚动轴承故障诊断方法。该方法先利用IMSE对原始时间序列进行平滑粗粒化,并用每个序列的最大值代替平均值表示粗粒化序列的信息,避免多尺度样本熵(Multiscale Sample Entropy,MSE)中存在的数据丢失问题。结合尺度谱与求和模糊熵优化VMD参数,得到最优模态分量并筛选重构信号,将重构信号的IMSE值作为特征向量输入支持向量机进行故障诊断。实验结果表明,所提方法获得了更精确的故障信号特征且提高了故障诊断精度。

基于EMD与神经网络的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳特征,提出了一种基于经验模态分解(EmpiricalModeDecomposition ,简称EMD)和神经网络的滚动轴承故障诊断方法。该方法首先对原始信号进行了经验模态分解,将其分解为多个平稳 的固有模态函数(IntrinsicModefunction,简称IMF)之和,再选取若干个包含主要故障信息的IMF分量进行进一步分析, 由于滚动轴承发生故障时,加速度振动信号各频带的能量会发生变化,因而可从各IMF分量中提取能量特征参数作为神 经网络的输入参数来识别滚动轴承的故障类型。对滚动轴承的正常状态、内圈故障和外圈故障信号的分析结果表明,以 EMD为预处理器提取各频带能量作为特征参数的神经网络诊断方法比以小波包分析为预处理器的神经网络诊断方法有 更高的故障识别率,可以准确、有效地识别滚动轴承的工作状态和故障类型。

基于Hilbert边际谱的滚动轴承故障诊断方法

Hilbert Huang变换是一种新的自适应信号处理方法,它适合于处理非线性和非平稳过程。通过对信号进 行Hilbert Huang变换,可以得到信号的Hilbert边际谱,它能精确地反映信号幅值随频率的变化规律。针对滚动轴承故 障振动信号的非平稳特征,提出了一种基于Hilbert边际谱的滚动轴承故障诊断方法。该方法在Hilbert边际谱的基础上 定义了特征能量函数,并以此作为滚动轴承的故障特征向量,建立M距离判别函数来识别滚动轴承的故障类型。对滚 动轴承的内圈、外圈故障信号的分析结果表明本文方法可以有效地提取滚动轴承故障特征。

量子遗传算法优化的SVM滚动轴承故障诊断

针对单一测度模型的特征评价方法存在特征敏感度"欠学习",以及支持向量机(support vector machines,简称SVM)参数优化算法普遍存在收敛速度慢、易陷入局部极值等问题,提出一种量子遗传算法优化的SVM滚动轴承故障诊断方法。首先,采集振动信号中的时域和频域特征构成多域多类别原始故障特征集;其次,构建一个基于相关性、距离及信息等测度的混合特征评价模型,得到特征权重与特征值组合构成的加权故障特征集;最后,将加权故障特征集为输入,将量子熵引入到量子遗传算法当中,对SVM的结构参数进行全局优化,完成滚动轴承故障模式的识别。试验结果表明,该方法能够以更快的速度收敛至全局最优解,在保证聚类性能的基础上提高了滚动轴承的诊断精度。

基于HHT和有监督稀疏编码的滚动轴承故障状态识别方法

为了实现对滚动轴承故障位置和损伤程度的准确定位,将类别判别信息引入到无监督的稀疏编码中,提出一种有监督稀疏编码(Supervised Sparse Coding,SSC)方法,建立基于希尔伯特黄变换(Hilbert-Huang Transform,HHT)和SSC的振动信号特征提取和故障状态精细分类模型。首先,通过HHT获取振动信号的边际谱,然后,利用SSC为边际谱信息建立统一的字典库,并完成对边际谱的稀疏表示,实现干扰信息的滤除和故障目标敏感特征的二次提取,最后,使用SSC得到的稀疏系数完成对支持向量基(Support Vector Machine,SVM)分类器的训练。采用SKF-6205-2RS轴承试验台数据对提出方法进行实验分析,使用HHT-SSC-SVM模型,驱动端轴承故障状态识别率为99.5%,风扇端轴承故障状态识别率为98.25%,与文中其他模型相比,在故障状态识别率上有所提高,并且表现出来较强的适应能力。

SADBN及其在滚动轴承故障分类识别中的应用

传统的智能诊断方法一般都是基于"特征提取+分类器"模型,其核心在于特征值的提取以及分类器的设计。针对不同的诊断对象,通常需要根据先验知识提取不同的故障特征值,这必将给最终的诊断结果带来诊断误差;与此同时,传统的分类器一般使用浅层模型,这使得其难以表征信号与装备运行状况之间复杂的映射关系。作为深度学习算法典型代表之一的深度信念网络(Deep Belief Network,DBN),可以直接从原始信号中提取特征并具有深度学习能力,因而已受到越来越多研究者的关注。但是DBN依然存在网络结构需要人为设定的缺陷,这也限制了DBN在工程实际中的应用。为解决DBN网络结构难以确定及如何提升其在工程实际应用中的诊断效率问题,提出了一种新的深度信念网络,即结构自适应深度信念网络(Structure Adaptive Deep Belief Network,SADBN)。与DBN相比,SADBN可以自适应地确定网络结构,有效提高诊断效率。对滚动轴承故障振动信号的分析结果表明了改进网络的有效性。

基于改进的自适应噪声消除和故障特征阶比谱的齿轮噪源干扰下变转速滚动轴承故障诊断

变转速工作模式和齿轮噪源干扰是阻碍滚动轴承故障诊断的两个难题。虽然基于转速信号的角域重采样技术和基于参考信号的自适应噪声消除算法为这两个问题提供了可靠的解决路线,但是由于安装空间和成本的限制,转速信息和参考信号在实际工程中往往难以获取。为解决这一难题,提出了一种不依靠上述辅助设备的滚动轴承故障诊断新算法。整个算法由五部分组成:(1)利用峰值啮合倍频趋势线构造参考信号对混合信号进行自适应滤波以削弱齿轮噪源对轴承故障共振频带获取的干扰;(2)利用谱峭度快速算法确定由轴承故障引起的高频共振所对应的中心频率,滤波带宽和对应的尺度并直接得到最能反映轴承故障的滤波包络;(3)利用短时傅里叶变换求得两次滤波后包络信号的包络时频谱并利用峰值搜索算法对瞬时故障特征频率趋势线进行提取;(4)提出基于采样频率重调的重采样算法,对谱峭度滤波结果进行故障阶比域重采样;(5)利用傅里叶变换求取重采样信号的故障特征阶比谱,并提出新的故障诊断策略对滚动轴承的运行状态进行判断。仿真算例和应用实例证明了该算法的有效性。

基于改进的经验模态分解的滚动轴承故障诊断研究

传统的时频分析方法不能有效地处理非平稳信号，经验模态分解（EMD）非常适合处理非平稳信号，但结果可能出现伪内禀模态函数（IMF）和不敏感内禀模态函数。针对EMD的不足，提出能量门限法和敏感IMF选择法相结合来识别真IMF和敏感IMF的方法，对同时满足这两个条件的IMF作频谱变换，频谱图上可以清晰呈现故障特征信息。将改进后的EMD应用到滚动轴承故障诊断实例，证明了此方法的可行性和准确性。

小波分析算法研究及在齿轮与滚动轴承故障诊断中应用

分析了齿轮与滚动轴承故障振动信号的特征,利用小波变换的分解和重构算法,有效地提取出齿轮与滚动轴承故障特征信号,得到实验结果.通过比较频谱分析和小波分析的特点,有效地证明了小波分析在微弱故障信号提取中的优势.

滚动轴承故障非接触多传感器声信号融合方法

针对移动滚动轴承非接触声发射检测中,一个故障源信号可能被多个传感器采集,致使这些声信号包含故障信息不完整且存在重叠的问题,综合考虑声波传播理论、多传感器声信号时差关系、滚动轴承典型故障撞击频率等,建立滚动轴承故障非接触多传感器声信号融合方法。建立滚动轴承故障非接触多传感器声发射检测试验台,分别采集移动滚动轴承滚动体、外圈和内圈故障声信号。采用融合方法对同声源信号进行处理,利用信号相似理论证明了融合信号与故障源信号的相似程度高于各传感器声信号。采用声发射累计撞击计数法对融合处理后的滚动轴承不同故障声信号进行分析。结果表明,该融合算法能有效地处理多传感器接收的同声源信号,可利用融合后信号进行准确的故障识别。

基于连续高斯密度混合HMM的滚动轴承故障诊断研究

滚动轴承在直升机的传动系统中占有十分重要的地位,对其进行快速有效的状态监测与故障诊断具有重大意义。由故障诊断和隐马尔可夫模型(HiddenMarkovModel,HMM)本质上的相通性,利用连续高斯密度混合隐马尔可夫模型分析滚动轴承的振动信号,先以基于短时傅里叶变换的倒谱系数为特征训练模型,再利用模型进行状态监测和故障诊断,实验结果表明该方法能利用少量样本进行训练和有效诊断,且具有训练时间短、诊断速度快的优点。

经验模式分解法(EMD)在滚动轴承故障诊断中的应用

在非平稳过程中,由于机械设备所受的应力比平稳过程中所受的应力更为复杂,因此,对设备的非平稳过程进行监测有利于发现早期故障,避免故障发展导致的严重破坏.本文将EMD(EmpiricalModeDecomposition)法应用于机械故障诊断当中.由于EMD法具有自适应的特性,适宜于非平稳信号的分解.该方法应用于滚动轴承的故障振动信号分析中,结果表明该方法能够突出滚动轴承故障振动信号的故障特性,从而提高了滚动轴承故障诊断的准确性.

基于MGWO-SCN的滚动轴承故障诊断方法

为了提高滚动轴承故障诊断模型的鲁棒性和泛化能力,提出了一种基于改进灰狼算法优化随机配置网络(MGWO-SCN)的滚动轴承故障诊断模型。首先,在随机配置网络(SCN)中引入L2范数惩罚项,提高了SCN在实际应用中的泛化能力;然后,在灰狼算法(GWO)中融入差分进化机制,构建了改进灰狼算法(MGWO),并用其对SCN的惩罚项系数C进行了优化;最后,通过分析美国凯斯西储大学(CWRU)轴承振动信号数据集的频域特征信息,构造了基于频域特征参量的振动数据集;并分别用BP神经网络(BPNN)、极限学习机(ELM)和支持向量机(SVM)诊断模型,以及MGWO和粒子群优化算法(PSO)对所提模型进行了对比仿真测试。研究结果表明:在30次重复实验中,采用基于改进灰狼算法优化随机配置网络(MGWO-SCN)的方法,可以准确地识别出12种轴承运行状态,相比于BPNN、ELM和SVM轴承诊断方法,该方法的诊断平均准确率分别提高了7.27%、6.47%和8.67%;另外,MGWO-SCN在优化故障诊断模型方面具有更强的全局搜索能力,相比于GWO-SCN和PSO-SCN,该模型预测结果的偏差值更小,测试集准确率更高。

倒频谱分析在滚动轴承故障监测中的运用

对原始滚动轴承的时域信号进行傅里叶变换,然后进行二次频谱变换即倒频谱分析.得出的结果能较好地反映出周期信号中的突变.通过对轴承内圈外圈的实验信号进行分析,结果表明,该信号分析方法能对轴承的大部分故障情况有效地监测.

基于VMD与IFWA-SVM的滚动轴承故障诊断研究

为有效提取非平稳性、复杂性的滚动轴承振动信号特征,提出一种基于变分模态分解、改进烟花算法(IFWA)优化支持向量机(SVM)的滚动轴承故障诊断方法。利用VMD对原始信号进行分解,计算得到各IMF的样本熵,将原始信号的时域特征与其结合组成特征矩阵。为提高故障诊断效率,采用IFWA优化SVM,建立IFWA-SVM模型。使用训练集特征矩阵训练诊断模型,实现滚动轴承的故障诊断。利用实测信号验证该方法,并与粒子群算法优化进行比较。结果表明:利用该方法进行诊断,正确率提高了3.33%、训练时间缩短了21.55 s,验证了该方法的可行性。

转子-滚动轴承-机匣耦合系统中滚动轴承故障的动力学分析

针对实际的航空发动机转子系统,建立了含滚动轴承故障的转子-滚动轴承-机匣耦合模型。在模型中,考虑了机匣运动,弹性支承与挤压油膜阻尼的作用,同时,充分考虑了轴承间隙、滚珠与滚道的非线性赫兹接触力以及由滚动轴承支撑刚度变化而产生的变柔性(Varying Compliance)VC振动。在此基础上,建立了耦合系统中滚动轴承外圈、内圈及滚动体的损伤动力学模型,并运用数值积分方法进行了动力学仿真与分析。结果充分表明了本文提出的转子-滚动轴承-机匣耦合系统及滚动轴承故障动力学模型的正确有效性。

小波分析在滚动轴承故障诊断中的应用

主要是针对故障滚动轴承的非平稳振动信号提出了一种应用小波函数的时—频分布分析方法,对故障特征进行提取,并借助Matlab语言编程实现对故障滚动轴承信号特征频率的仿真,与理论公式计算结果基本吻合.