改进深度卷积神经网络及其在变工况滚动轴承故障诊断中的应用

为了解决目前常用的最大池化丢失大量信息和平均池化模糊重要特征的问题,提出了一种小尺度卷积核以跳动的方式进行降采样的方法。该方法用步长为2、激活函数为Rectified Linear Unit(ReLU)的小尺度卷积层代替传统的池化层,既可以使输出图像的尺寸变成输入的一半,实现降采样的功能,又能让小尺度卷积核在训练中自动调整权重挑选有效的特征。与最大池化相比,该方法可有效地提高神经元激活比例并增加神经元活性值的多样性。综合采用提出的池化方法、深度可分离卷积核和全局平均池化层3个策略改进的深度卷积神经网络,在实验室变转速多滚动轴承数据集上进行测试,结果表明,改进后的网络识别正确率达到98.4%,高于作为对比的其他网络,同时还大幅提高了网络的稳定性,减少了40%以上的训练时间。提出的方法可以为科研技术人员在搭建深度卷积神经网络和变工况滚动轴承故障诊断时提供参考。

基于能量峰定位的经验小波变换及在轴承微弱故障诊断中的应用

为了解决经验小波变换在轴承振动信号频谱分割不当的问题,提出了一种基于自适应能量峰定位的经验小波变换。该方法采用Teager能量算子对傅里叶频谱进行能量集中,降低噪声和无关分量影响;利用多尺度寻峰定位算法自适应确定频谱分割边界;通过构建小波滤波器组提取各模态分量。依据峭度指标挑选故障信息最大的模态分量,最后通过Hilbert包络解调提取轴承的故障特征频率。仿真和实验分析结果表明:提出的方法从能量角度入手,鲁棒性更强;频段划分考虑频谱的形状,能自适应识别故障频带;与原始经验小波变换方法相比,改进方法能明显增强早期微弱故障特征,提高轴承早期故障诊断性能。

基于二维经验小波纹理域特征自适应提取的轴承故障诊断方法

针对滚动轴承变故障类型、变故障程度的复杂条件,为了获得更加丰富的故障信息,提出一种新的二维纹理域信号特征自适应提取方法。在新的二维纹理域构造方法中,将一维振动信号转换为二维纹理矩阵。经验证,构造的二维振动信号纹理域对于不同故障类型、不同故障程度的滚动轴承,均有较强的故障征兆能力。为了弥补直接从原始信号纹理提取特征时受限于纹理像素的缺点,提出一种基于二维经验小波变换的纹理域自适应提取方法。利用二维经验小波变换将二维振动信号纹理自适应分解为多个纹理分量,分别提取多尺度纹理特征,既考虑了宏观纹理,又兼顾了细节纹理,解决了纹理像素对纹理域提取的限制和影响,能准确提取到轴承振动信号的故障特征。利用支持向量机对不同故障程度、不同故障类型的滚动轴承进行识别,与不经过二维经验小波变换处理相比,识别准确率从19.8%提升至98.1%,验证了方法的有效性。所提方法适用于变故障类型和变故障程度复杂条件下的滚动轴承故障诊断。