基于双流降维EEMD-CNN滚动轴承故障诊断

为了提高滚动轴承故障分类的准确率,提出了一种将EEMD与一维卷积神经网络(1D-CNN)相结合的滚动轴承故障识别方法。首先利用EEMD算法将轴承故障振动信号分解为若干条IMF分量,筛选确定可以充分体现故障类型的IMF分量,将原始数据和筛选出的IMF分量分别采用主成分分析算法(PCA)进行降维处理,并将处理后的PCA-IMF分量和原始数据分量分别作为1D-CNN的输入数据进行网络训练和测试,得到故障识别结果。通过对比分析,与EEMD-CNN、EEMD-随机森林等方法的平均准确率进行横向比较,结果表明,EEMD-CNN方法用来识别故障类型更为准确。

基于改进残差网络的旋转机械变工况故障诊断

针对旋转机械在实际运转中存在变负载、变噪声和两种同时存在的复合工况干扰而产生的故障诊断效果不理想问题,提出了一种注意力机制、Inception结构、DropBlock层和残差网络相结合的故障诊断模型。该模型以旋转机械的一维振动信号作为输入,通过首层卷积后进入多尺度网络结构,通过增加网络对卷积核尺寸的适应性,提取出更丰富的特征信息。再通过多个残差块进行更深层的特征提取,利用注意力机制提取更加关键的信息,使模型分类能做出更准确的判断,最后通过Softmax分类器进行故障识别。通过动力传动故障诊断综合实验台(DDS)的齿轮箱数据和美国凯斯西储大学(CWRU)的滚动轴承数据验证,结果表明本文方法在复杂的变工况下有很强的鲁棒性。

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。

基于一维ConvNeXt网络的齿轮箱故障诊断

针对齿轮箱发生故障时内部齿轮与滚动轴承受损情况复杂且难以识别的问题,提出一种基于ConvNeXt网络的齿轮箱故障诊断方法。该网络模型以深度可分离卷积为基础框架,构建适用于一维数据的残差块。为了提升网络模型的拟合能力,引入GELU(Gaussian Error Linear Units)激活函数对数据进行非线性变换。使用层标准化对数据进行归一化处理,抑制了中间协变量偏移现象并提升了网络的收敛速度和稳定性。使用DDS(Drivetrain Dynamics Simulator)齿轮箱故障数据集进行实验,结果表明此网络模型大幅降低了网络模型参数量,对齿轮箱各类故障均有较高的识别精度并具有良好的抗噪性。

优化VMD和改进残差网络的齿轮箱故障诊断研究

为提高齿轮箱故障诊断的准确率,采用变分模态分解(Variational mode decomposition,VMD)和一维残差网络(Resnet)相结合的齿轮箱故障识别方法。首先使用磷虾群算法对VMD中的惩罚因子α和分解层数K进行寻优,其次使用VMD对故障信号进行分解产生若干条本征模函数(Intrinsic mode function,IMF)并通过使用相关系数对IMF分量进行筛选,并将筛选后的分量作为改进残差网络的输入数据进行网络训练和测试,得到故障识别结果。通过与VMD-随即森林、VMDCNN等方法的平均准确率进行横向比较,结果表明,本文的方法用来识别故障类型更为准确。