基于Laplace小波卷积和BiGRU的少量样本故障诊断方法

针对滚动轴承通常在复杂条件下工作易发生故障以及训练样本较少等问题。提出一种具有全局平均池化(global average pooling,GAP)并融合双路Laplace小波卷积和双向门控循环单元(dual Laplace wavelet convolution bidirectional gated recurrent unit,DLWCB)的故障诊断方法。首先Laplace小波卷积将原始信号从时域转换为频域,接着利用双路卷积和BiGRU挖掘少量样本的多尺度和时空特征;然后设计GAP降低模型的参数量并全面融合各GRU细胞提取的时空特征。其中从优化算法和目标函数入手,引入标签平滑、AdamP等提升DLWCB应对少量样本的能力,最后实现复杂工况下故障诊断。在两种轴承数据集、有限噪声样本下,50 s内便可完成训练,达到98%以上准确率,所提方法具有良好泛化性、鲁棒性和诊断效率。

基于LWKConv-DRSN-FPN的旋转机械故障诊断

针对传统旋转机械故障诊断方法难以应对强噪声干扰以及诊断准确率较低的问题,提出一种Laplace小波核卷积层(Laplace Wavelet Kernel Convolutional Layer,LWKConv)、深度残差收缩网络(Deep Residual Shrinkage Networks,DRSN)和特征金字塔网络(Feature Pyramid Networks,FPN)相结合的故障诊断方法。具体地,在DRSN模型结构基础上,构造LWKConv,通过更新尺度因子和平移因子,多尺度提取故障引起的突变冲击特征;引入FPN融合深层和浅层特征,提高模型对浅层细节信息的利用程度,实现对旋转机械的故障诊断。研究表明:所提的LWKConv-DRSN-FPN方法基于轴承和齿轮数据集的诊断准确率最高能达到100%,尤其在-4 dB强噪声干扰条件下的诊断准确率达到97.75%,能有效提取突变冲击特征,具有较好的通用性和抗强噪声干扰能力。

基于冲击特征提取的旋转机械智能故障诊断

针对齿轮、轴承故障,提出了基于冲击特征提取胶囊网络的旋转机械智能故障诊断模型。在胶囊网络的构架基础上,将原始故障振动信号作为输入,通过构造首层小波核卷积层,针对性提取冲击故障特征,提高深度学习网络特征提取的可解释性。在小波核卷积层之后扩展一层卷积层,强化首层小波核卷积层提取的特征,将强化的特征经初级胶囊层、数字胶囊层输出分类结果,从而构造了“端到端”的小波卷积胶囊网络模型。通过对各层提取的特征可视化分析,证明了该模型对故障振动信号的冲击特征具有良好的提取能力。3个不同实验平台的数据集验证结果表明不同故障类型、不同故障程度的齿轮及轴承的识别精度最高可达到100%,并具有良好的泛化能力。