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。

基于声学信号与视觉转换器的滚动轴承故障诊断方法研究

航空机载设备的可靠性对航空运输安全至关重要。针对航空机载设备上的滚动轴承故障,本文提出一种声学信号与视觉转换器(ViT)相结合的滚动轴承故障诊断方法。首先,将采样获得的滚动轴承声信号通过短时傅里叶变换转换为时频图。其次,将时频图按时序分割,作为ViT的输入。ViT通过多注意力机制提取图像块中的信息并输出数据。最后,输出数据通过多层感知机实现对不同类别的滚动轴承故障识别。试验表明,相较于传统的基于卷积神经网络和长短时记忆网络的滚动轴承故障诊断方法,本文所提方法的滚动轴承故障诊断准确率更高,为航空机载设备的轴承故障诊断提供了一类新方法。

基于域自适应残差收缩网络的滚动轴承故障诊断

针对滚动轴承在新工况下无标记数据且存在噪声干扰问题,提出一种具备抗噪能力的滚动轴承故障诊断领域自适应深度残差收缩网络(DADRSN)。首先,采用深度残差收缩网络(DRSN)去除已知工况和新工况数据噪声冗余并充分提取数据特征;其次,应用迁移学习中的领域自适应(DA)方法,计算已知工况和新工况数据的局部最大均值差异(LMMD),以对齐两种工况数据之间的分布;最后,对新工况下故障样本进行分类。实验结果表明,该模型在噪声干扰、缺少标记数据、工况变化的情况下仍能保持较高的故障诊断精度。

基于多尺度排列熵和IWOA-SVM的滚动轴承故障诊断

针对滚动轴承信号表现出的非线性和非平稳性特征问题,合理的特征选择可提高故障诊断率,提出基于多尺度排列熵(MPE)与改进鲸鱼算法(IWOA)优化支持向量机(SVM)的故障诊断模型。首先,通过变分模态分解(VMD)进行信号降噪预处理,计算多尺度排列熵进行信号特征重构;其次,引入惯性动态权重对鲸鱼算法进行改进,通过训练SVM参数,建立IWOA-SVM故障诊断模型;最后用美国凯斯西储大学轴承数据集进行仿真。结果表明,相较于多尺度熵,MPE可表征的故障特征信息更加丰富,故障识别率提高了2.1%;与同类优化算法相比,采用IWOA对SVM进行优化的故障诊断模型,收敛速度快、训练时间短、故障识别精度高,可对滚动轴承进行有效诊断。

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。

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.

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。

基于失衡样本特性过采样算法与SVM的滚动轴承故障诊断

针对传统支持向量机(SVM)算法在滚动轴承故障诊断领域中,对失衡数据集效果不佳、对噪声敏感以及对本身参数依赖较大等缺点,提出一种基于样本特性的过采样算法(OABSC)。该算法利用改进凝聚层次聚类将故障样本分成多个簇;在每个簇中综合考虑样本距离、近邻域密度对"疑似噪声点"进行识别、剔除,并将剩余样本按信息量进行排序;紧接着,在每个簇中采用K^*-信息量近邻域(K^*INN)过采样算法合成新样本,以使得数据集平衡;模拟3种不同失衡比下的轴承故障情况,并采用粒子群算法优化了SVM分类器的参数。经试验证明:相比已有算法,OABSC算法能更好地适用于数据呈多簇分布且失衡的轴承故障诊断领域,拥有更高的G-mean值与AUC值以及更强的算法鲁棒性。

基于特征融合与DBN的矿用通风机滚动轴承故障诊断

针对现有矿用通风机滚动轴承故障诊断方法仅提取时频分量特征和采用浅层网络结构,导致故障诊断精度不高的问题,提出了一种基于多域特征融合与深度置信网络(DBN)的矿用通风机滚动轴承故障诊断方法。该方法首先对轴承振动信号进行小波包降噪处理,对降噪后的轴承振动信号进行时域特征、频域特征、IMF能量特征提取,得到相对全面的高维特征集;然后通过基于类内、类间标准差的特征筛选方法剔除对分类无效及效果不明显的特征,筛选出高效特征;最后采用核主成分分析(KPCA)对高维筛选特征进行降维融合,消除特征间冗余,将融合特征输入至DBN中完成故障诊断。实验结果表明,相比于基于特征单一和浅层网络的诊断方法,基于多域特征融合与DBN的矿用通风机滚动轴承故障诊断方法平均准确率最高,平均诊断时间最少,对于不同损伤故障数据表现出良好的稳定性和泛化能力。

小波分析在滚动轴承故障诊断中的应用

滚动轴承是机械系统中非常关键的部件,它的运行好坏直接关系到整个机械系统的性能优劣,因此滚动轴承的故障诊断研究是非常具有实际意义的。本文对轴承早期损伤引起的故障信号进行了分析,通过比较频谱分析和小波分析的特点,采用小波分析技术对检测的信号进行处理,利用小波变换的分解和重构算法,对具有故障特征的信号进行重构,再通过希尔波特变换进行解调和细化频谱分析,有效地提取出噪声掩盖下的滚动轴承故障特征信号,从而实现对滚动轴承的故障诊断。

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。

基于小波包-SVD和IPSO-BP的滚动轴承故障诊断

针对滚动轴承振动信号的非平稳性和非线性特点以及BP神经网络结构参数差等因素导致滚动轴承故障识别准确率低的问题,提出一种基于小波包结合奇异值分解(SVD)和改进粒子群算法(IPSO)优化BP神经网络的滚动轴承故障诊断方法。首先通过小波包对振动信号进行分解与重构,得到不同频段的信号之后利用SVD提出有效的故障特征向量,输入到BP神经网络中进行测试。考虑到BP神经网络结构参数差等因素,使用IPSO对BP神经网络进行优化,最后测试得出结果。对比实验模拟和现场数据验证表明,基于小波包-SVD和IPSO-BP的滚动轴承故障诊断准确度大大提高。

改良GoogLeNet的电机滚动轴承故障诊断

针对电机滚动轴承信号特征人工提取困难、故障分类效果差的问题,利用传统GoogLeNet模型单元与稠密连接思想结合,提出一种改良的GoogLeNet卷积神经网络结构。将提出的改良模型应用于电机滚动轴承的故障诊断试验,对原数据分组处理并贴上标签后,直接输入到改良模型中进行训练,最后将测试集输入到训练好的模型中,测试其分类准确率。由于诊断过程不需要进行人工特征提取,从而避免了人工提取故障特征时的困难和带来的误差,大大简化了故障识别过程,证明了改良GoogLeNet模型在故障诊断中的可行性。将提出的模型与传统GoogLeNet模型和其他典型模型做对比,结果表明,改良GoogLeNet卷积神经网络模型具有精确度高、特征提取能力强、收敛速度快、表现稳定的特点。

变转速及齿轮噪源干扰下基于IDMM与EMD的滚动轴承故障诊断方法

旋转设备中变转速工作模式和齿轮噪源是影响滚动轴承故障诊断的关键性难题,现有的方法虽然取得一定进展,但是对辅助设备的依赖以及方法步骤繁琐等问题依然突出,因此提出了基于峰值啮合倍频(Instantaneous Dominant Meshing Multiply,IDMM)和经验模式分解(Empirical Mode Decomposition,EMD)的滚动轴承故障诊断方法。该方法首先采用峰值搜索算法从混合信号的时频图中提取齿轮啮合倍频趋势线,将该趋势线等效为轴承转频对混合信号进行等角度重采样;其次对重采样信号进行EMD分解得到本征模态函数(Intrinsic Mode Function,IMF)之和,计算各IMF分量与重采样信号的互相关系数后根据预设的互相关系数阈值选取合适的IMF分量;最后对选取的IMF分量进行包络谱分析,进而判断轴承是否发生故障。仿真和实测信号分析证明该方法在无转速测量装置的情况下能有效去除齿轮噪声对滚动轴承故障诊断的影响。

强噪声背景与变转速工况条件下滚动轴承故障诊断研究

煤矿机械设备工作环境恶劣,背景噪声强,轴承早期的故障特征信号微弱,从传感器所测得的振动信号中提取反映故障状态的信息比较困难;同时,煤矿机械设备工作在高速、冲击等工况下,是典型的非平稳工况,不稳定的激励及复杂工况直接导致提取轴承故障特征信号困难。针对以上问题,以矿井提升设备的运行工况为背景,提出了一种基于计算阶次分析与自适应随机共振的滚动轴承故障诊断方法。首先,模拟了矿井提升机运行过程中典型的变转速工况,分别构造故障仿真信号,并采集了轴承振动实验信号;其次,通过等角度采集同步时域鉴相序列,利用计算阶次分析将轴承非平稳的振动信号重采样为平稳信号;然后,利用变分模态分解(VMD)方法将平稳信号分解为若干本征模态函数(IMF)分量,通过轴承故障阶次实现对轴承故障类型的判断;最后,利用自适应随机共振方法来增强轴承故障特征阶次,从而实现故障特征的提取与增强,达到故障诊断的目的。仿真和实验结果证明了该方法的有效性。将该方法与最大相关峭度反褶积(MCKD)方法进行了对比,结果表明,MCKD方法虽然也可以观察到故障特征阶次,但是特征阶次比周围干扰阶次幅值仅高0.00196,低于本文所提方法的结果,说明了本文所提方法具有一定的优越性。

基于深度学习特征提取和GWO-SVM滚动轴承故障诊断的研究

针对传统滚动轴承故障诊断的方法需要人为构造算法提取并选择故障特征,孤立地对待特征提取和特征选择,提出了应用卷积神经网络(Convolutional Neural Networks,CNN)和灰狼优化算法(Grey Wolf Optimizer,GWO)的支持向量机(Support Vector Machine,SVM)相结合的故障诊断新方法.首先将原始信号转化为尺度谱图,然后选择预训练好的CNN模型AlexNet对信号的尺度谱图进行特征提取,再通过主成分分析法(Principal Component Analysis,PCA)对得到特征数据进行降维,最后将归一化后的数据输入到灰狼优化算法的SVM分类器中,从而实现轴承健康状态的故障诊断.使用美国凯斯西储大学提供的轴承数据进行仿真实验,结果表明所提方法能够自适应提取合适的特征,并有较高的分类准确率.

基于K-L散度的VMD瞬时能量与PNN的滚动轴承故障诊断

针对滚动轴承失效模式的有效识别,提出了基于K-L散度的变分模态分解(VMD)的瞬时能量与概率神经网络(PNN)的滚动故障轴承故障诊断方法。首先,利用VMD将滚动轴承信号进行分解成若干个本征模态函数(IMF);然后,分别计算原始信号和每个IMF分量的K-L值,并选择具有较小的K-L值的两个IMF分量以计算其瞬时能量并组成特征向量;最后,将特征向量输入到PNN实现故障模式识别。通过对滚动轴承故障诊断实验对该方法进行验证,结果表明,基于K-L散度的VMD瞬时能量与PNN的滚动故障轴承故障诊断准确率高达100%,将所提的方法与通过峭度准则选择VMD分量的瞬时能量和通过K-L散度值选择的集合经验模态分解(EEMD)分量与PNN网络相结合的诊断方法作对比,则明显高于其他两种方法,证明了所提方法的可行性。

SSAE和IGWO-SVM的滚动轴承故障诊断

针对滚动轴承的故障诊断问题,提出了一种基于栈式稀疏自编码网络(stacked sparse auto encoder,简称SSAE)、改进灰狼智能优化算法(improved grey wolf optimization,简称IGWO)以及支持向量机(support vector machine,简称SVM)的混合智能故障诊断模型。首先,利用栈式自编码网络强大的特征自提取能力,实现故障信号深层频谱特征的自适应学习,通过引入稀疏项约束提高特征学习的泛化性能;其次,利用改进的灰狼算法实现支持向量机的参数优化;最后,基于优化后的SVM完成对故障特征向量的分类识别。所提混合智能故障诊断模型充分结合了深度神经网络强大的特征自学习能力和支持向量机优秀的小样本分类性能,避免了手工特征提取的弊端,可对不同故障类型的振动信号实现更精准的识别。多组对比实验表明,相比传统方法,笔者所提出的模型具有更优秀的故障识别能力,诊断准确率可达98%以上。

基于VMD瞬时能量与GA- RBF的滚动轴承故障诊断

针对滚动轴承早期故障的有效识别,提出了一种基于VMD瞬时能量与GA优化的RBF神经网络的滚动轴承故障诊断方法,可以有效对滚动故障做出诊断。首先,VMD将滚动轴承振动信号进行分解成合适数目的本证模态函数;其次,计算本证模态函数分量的瞬时能量并组成特征向量;最后,将特征向量输入到GA优化的RBF神经网络实现轴承故障识别。通过滚动轴承故障诊断实验对该方法进行验证。结果表明,该方法识别滚动轴承故障的准确率为96.43%,较默认参数的RBF神经网络和EEMD瞬时能量与GA-RBF神经网络有明显的提高,证明了所提方法的可行性。