基于深度卷积自编码器和多尺度残差收缩网络的滚动轴承寿命状态识别

针对滚动轴承早期故障识别困难、退化性能难以准确评估的问题,提出了基于深度卷积自编码器(DCAE)和多尺度残差收缩网络(MSRSN)的滚动轴承寿命状态识别方法。首先,为获得清晰的故障特征频率及倍频,将原始数据样本转换为包络谱输入深度卷积自编码器中,实现轴承寿命状态特征的自动提取与表达,并基于多维尺度分析(MDS)算法约简寿命状态特征获得低维特征,然后计算低维特征空间内样本间的欧几里得距离(ED),即为轴承性能衰退评估指标;其次,为全面提取轴承性能衰退特征,提出了改进的多尺度残差收缩网络识别模型,并开发了ReLU与DropBlock正则化相结合的新激活策略增强模型的抗噪性;最后,将所提方法及对比方法应用于轴承全寿命实验数据。实验结果表明:笔者提出的性能衰退评估指标能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的改进的多尺度残差收缩网络识别模型在S SNR=-4~6 dB环境中平均识别正确率为91.75%,能够准确识别轴承寿命状态,验证了方法的实用性以及有效性。

基于HTMFDE以及ICNN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种结合层次时移多尺度波动散布熵(Hierarchical Time-shifted Multiscale Fluctuation Dispersion Entropy,HTMFDE)、JRD距离(Jensen-Renyi divergence,JRD)以及改进卷积神经网络(Improved convolution neural network,ICNN)的轴承寿命状态识别新方法。首先,在传统多尺度波动散布熵的基础上,将传统均值粗粒化过程替换为改进的时移粗粒化过程,以解决传统均值粗粒化导致信号幅值特征丢失的问题。同时引入层次分解理论,克服多尺度分析方法不能全面提取不同频段故障特征的不足,得到最终的HTMFDE。之后利用HTMFDE方法提取滚动轴承信号的多维状态特征量,并进行归一化形成一组概率分布,计算轴承正常信号与故障信号之间的JRD距离作为性能退化指标。其次,根据构建的JRD性能退化曲线,划分轴承寿命状态并制作数据集,通过标签化的样本训练具有双层多尺度特征提取层的卷积神经网络,建立滚动轴承寿命状态识别模型。为了加快模型的收敛速度,对每层卷积进行批量归一化操作,同时采用全局池化代替全连接层以提升模型的训练效率。最后,在2组不同的轴承数据集上进行实验。实验结果表明,根据HTMFDE构建的JRD性能退化曲线能够精准地识别轴承性能退化起始点以及刻画轴承的退化趋势,所提出的ICNN模型在SNR=0~10 dB环境中平均识别正确率为98.5%,能够准确地识别轴承寿命状态,验证了所提方法的实用性以及有效性。

基于性能衰退评估的轴承寿命状态识别方法研究

针对滚动轴承退化性能难以评估、寿命状态难以识别的难题,提出一种基于性能衰退评估的轴承寿命状态识别新方法,该方法基于卷积自编码器(convolutional autoencoder,CAE)与多维尺度分析(multidimensional scaling,MDS)算法构建轴承性能衰退指标,再根据构建指标和改进卷积神经网络(convolutional neural network,CNN)建立轴承寿命状态识别模型,实现轴承寿命状态识别。将轴承信号样本输入CAE,实现轴承寿命状态特征的自动提取与表达,再将所提取的特征通过MDS算法进行约简获得低维特征,在低维特征空间构造欧氏距离作为轴承性能衰退指标,依据指标实现轴承数据标签化。使用标签化的轴承数据训练CNN,建立轴承寿命状态识别模型。在训练过程中,为抑制过拟合,对原始训练样本进行加噪处理,为提高模型抗干扰能力,将Leaky ReLU(LReLU)函数和dropout作为激活函数。运用轴承全寿命试验数据对识别模型进行检验,通过对比验证,结果表明所提出的轴承寿命状态识别方法能更准确的实现轴承寿命状态识别。

基于改进模糊C均值的回转支承寿命状态识别

为了对回转支承的寿命状态进行研究,以保障机械设备的高效正常运行,提出一种将点密度和模糊C均值结合的算法对回转支承的寿命状态进行识别,解决了传统模糊C均值算法识别速度慢、临界点分类不准确的问题。利用自主研发的回转支承综合性能实验台对某型号回转支承进行全寿命疲劳实验,验证了所提算法的可行性。通过对比所提改进算法与传统模糊C均值算法的识别结果,表明改进算法能够更准确地识别出回转支承的不同运行状态,从而为实时维修奠定了基础。

基于改进DBN的回转支承寿命状态识别

为了解决大型回转支承背景噪声大,特征信号微弱,寿命状态难以识别等问题,提出了一种基于改进深度信念网络(Deep Belief Network,DBN)的回转支承寿命状态识别方法。DBN网络拥有强大的深度学习能力,能够有效挖掘回转支承运行状态信息,解决了传统浅层网络过度依赖特征提取效果和识别精度不高的问题。在DBN学习训练中,采用新的优化学习方法FEPCD(Free Energy in Persistent Contrastive Divergence),解决了DBN在长期学习中近似和分类能力下降的问题。然后利用自主研发试验台的试验数据对所提方法的优越性进行验证。将改进的DBN算法与浅层分类算法的识别结果进行比较。结果表明改进DBN网络比原始DBN网络和浅层算法能更精确反映回转支承寿命特征,所提方法具有稳定性和智能性的特点。

基于粒子群优化支持向量机的回转支承寿命状态识别

回转支承已在工程机械和风力发电等方面得到广泛应用。为了对其健康状态作出正确判断,采用经粒子群算法优化的支持向量机模型来对其寿命状态做出准确识别。寿命状态识别的关键问题是特征向量的提取。为了得到有效而又全面的寿命状态信息,从时域和时频域方面提取多个特征向量进行综合分析,从而实现了小样本数据下信息的最大挖掘。最后以回转史承全寿命实验对该方法进行检验,结果表明,该模型的效果优于传统的支持向量机以及单变量模型,具有实际工程应用价值。

基于核极限学习机自编码器的转盘轴承寿命状态识别

针对低速重载转盘轴承运行工况恶劣、故障特征微弱的特点,提出基于飞蛾扑火算法优化多层核极限学习机自编码器(MFO-MLKELM-AE)的转盘轴承寿命状态识别方法.该方法从振动信号的时域和时频域中提取出多个能够表征转盘轴承运行状态的特征向量,并将其组成高维特征集.采用堆叠多层核极限学习机自编码器(MLKELM-AE),从高维特征集中提取最能反映转盘轴承的寿命状态信息,输入核极限学习机(KELM)模型进行寿命状态识别.在MLKELM-AE学习训练中,采用新的飞蛾扑火算法(MFO)优化惩罚系数和核参数,提高MLKELM-AE的特征识别能力.转盘轴承加速寿命实验表明,MLKELM-AE比多层极限学习机自编码器(MLELMAE)、单层极限学习机(ELM)、KELM的识别精度高,多传感器、多领域特征能够全面反映转盘轴承的寿命状态.

基于遗传程序设计的回转支承寿命状态识别

针对回转支承低转速、故障信号微弱的特点,提出了一种遗传程序(GP)设计的方法对其寿命状态进行准确的识别。为保证回转支承运转信息的完整性,该方法从不同领域提取了多个特征指标组成特征向量矩阵。以模型的性能和复杂度为衡量指标,从遗传程序设计建立的模型中选择出最佳模型,再将测试样本输入模型实现对回转支承寿命状态的识别。利用自主研发的回转支承综合性能实验台对某型号的回转支承进行了全寿命疲劳实验,实验结果表明,所提出的方法能够准确地识别出回转支承的寿命状态,为实时维修奠定了基础。

基于信息融合的滚动轴承寿命状态识别研究

针对滚动轴承寿命状态识别过程中,单一传感器蕴含的信息不能全面反映寿命状态的问题,文章提出了一种基于信息融合的滚动轴承寿命状态识别方法。该方法首先采用多路卷积层提取不同传感器的数据特征信息,克服单一信息源的局限性;然后采用多层卷积、池化交替级联的方式,实现多源信息的特征值深度融合,最后采用全连接和多分类函数,实现动轴承的寿命状态识别。通过不同方法的对比实验,结果表明了所提方法能够提高滚动轴承寿命状态识别率,具有较好的可行性。

源域多样本集成GFK的不同工况下滚动轴承寿命状态识别

针对不同工况下滚动轴承寿命状态识别时训练样本与测试样本分布差异导致寿命状态无法有效识别的问题,提出基于源域多样本集成(Geodesic Flow Kernel,GFK)的滚动轴承寿命状态识别方法。首先,采用无重复均匀随机抽样对源域类间样本进行多次等量随机抽样得到源域内部多个训练样本以充分挖掘源域样本信息;其次,将源域内部多个训练样本和目标域测试样本输入GFK,分别计算每个源域训练样本与目标域测试样本的测地线核矩阵以充分利用源域样本信息并提升GFK迁移学习能力;最后,利用核矩阵构造核分类器并输出分类结果,采用一致性投票对所有源域训练样本下目标域测试样本的分类结果进行集成以提升目标域测试样本的识别准确率。不同工况下滚动轴承寿命状态识别实验验证了所提方法的可行性和有效性。

基于FNER性能退化指标及IDRSN的滚动轴承寿命状态识别方法

针对滚动轴承退化性能难以评估、寿命状态难以识别的问题,提出一种基于特征噪声能量比(Feature-to-noise energy ratio,FNER)指标及改进深度残差收缩网络(Improved deep residual shrinkage network,IDRSN)的滚动轴承寿命状态识别新方法。首先,将全寿命轴承信号进行希尔伯特(Hilbert)变换和快速傅里叶变换(Fast fourier transform,FFT)得到包络谱,根据故障特征频率及其倍频计算包络谱幅值的特征能量比(Feature energy ratio,FER);然后,根据自相关函数(Autocorrelation function,AF)得到包络信号的总能量,将故障特征能量和噪声能量的比值作为轴承性能退化指标,之后按照FNER指标曲线划分轴承寿命状态和实现样本标签化;随后,使用标签化样本训练引入了密集连接网络的IDRSN得到轴承寿命状态识别模型。为了提高抗干扰能力,将DropBlock层引入第一个大型卷积内核,在全局平均池化之前引入Dropout技术。最后,运用两个滚动轴承全寿命周期数据集验证FNER指标和IDRSN模型的实用性和有效性,结果表明所提方法能更准确地实现滚动轴承寿命状态识别。