融合多小波分解的深度卷积神经网络轴承故障诊断方法

针对卷积神经网络及其与信号降噪预处理集成方法面临高噪声环境和低质量数据挑战时难以有效地提取信号有用特征的问题,提出了一种融合Geronimo-Hardin-Massopust多小波分解的深度卷积神经网络模型(GHMMD-DCNN)。该模型思想是将多小波包分解与卷积神经网络深度融合,即设计多个一级多小波分解层以提取信号的低频分量和高频分量,再将多个一级多小波分解层与卷积层交替联接,使模型能够多尺度地提取并学习信号有用的时频域信息,信号分解和特征学习交替执行,进而实现强噪声鲁棒特征提取。在不同工况下的航空高速轴承振动数据上进行测试,结果表明:所提模型训练时能够快速达到稳定收敛,并且识别准确率均能达到99.9%以上;提出的方法在强噪声干扰下的故障辨识准确度和识别稳定性均优于对比方法,验证了其优秀的抗噪声干扰能力;在少训练样本测试中,提出的方法在单类训练样本数量为60时的平均诊断准确率高达91.19%,相比于其他方法最低提升了13.19%,验证了GHMMD-DCNN模型具有更优的低样本泛化能力。

基于改进二进制粒子群算法优化DBN的轴承故障诊断

针对滚动轴承故障振动信号非平稳性的特点,对二进制粒子群优化算法(binary particles swarm optimization,BPSO)和深度信念网络(deep belief network,DBN)进行研究,提出一种基于局部均值分解(local mean decomposition,LMD)和IBPSO-DBN的轴承故障诊断方法。提出用加权惯性权重改进BPSO迭代过程中的固定权重,再用改进BPSO优化DBN的隐含层神经元个数和学习率。该方法先对信号进行LMD,提取出各PF分量的散布熵和时域指标,并构建特征矩阵,然后把特征矩阵输入改进BPSO-DBN模型中训练,实现滚动轴承故障诊断和分类。采用试验轴承数据做验证并与其他诊断方法对比,结果表明,基于LMD和BPSO-DBN的滚动轴承故障诊断方法具有较好的故障识别率。

压缩感知字典迁移重构的小样本轴承故障诊断

针对实际应用中智能轴承故障诊断面临标签样本严重不足的问题,提出一种结合压缩感知、字典学习和迁移的数据增强算法,用于小样本故障诊断研究。首先,利用源域标签数据通过小波包字典学习和优化方法生成特定源域字典,并得到共享表示系数,获取故障内在信息;之后采用少量目标域信号微调共享表示系数,并更新源域字典生成迁移字典;最后通过共享表示系数和迁移字典生成大量具有目标域特征的新样本,实现数据增强。采用常用的深度故障诊断网络对该数据增强算法进行了诊断性能验证,结果表明该方法产生的信号具有故障的有效信息,用于模型训练和识别能够取得较好的诊断性能。该方法为小样本故障诊断问题提出了新的思路。

自监督学习结合对抗迁移的跨工况轴承故障诊断

轴承智能故障诊断应用中,由于实际工况复杂多变,极难获得足够的真实故障数据,且目标域和源域信号存在较大差异,导致深度模型的跨工况迁移识别也出现特征提取及分类困难、模型泛化性弱。考虑到目标域存在大量无标签数据,引入无监督思想,提出基于自监督学习结合对抗迁移的改进方法。首先根据信号本身特点创建辅助任务,对大量无标签数据学习,建立源域与目标域故障类别之间的内在联系;再通过对抗域适应和联合最大平均差异将源域知识迁移到目标域中,结合辅助任务优化两域差异,最终实现目标域准确的故障分类。用2个公开的轴承数据集上验证了所提方法的性能,实验结果表明,所提方法的故障诊断识别准确率在多数情况下均高于98%。

基于数据映射和胶囊网络的轴承故障诊断方法

传统深度学习模型自适应提取振动信号故障特征,实现端到端轴承故障诊断。然而,振动监测信号为非常复杂的非稳态时序信号,若深度网络直接以原始振动信号为输入,数据之间的非线性耦合作用会极大影响模型对故障特征的提取效率。目的为降低故障信号之间强非线性耦合作用,解决卷积神经网络对空间约束信息丢失的问题,提升轴承故障诊断性能,方法本文提出一种基于数据映射和胶囊网络(capsule network,CapsNet)的轴承故障诊断方法。首先,将图像处理领域中具有细化颜色特征能力的颜色空间模型(color names,CN)引入故障数据预处理中,将原始低维空间数据映射至高维空间,提升故障数据空间区分度;其次,针对映射后数据维度较高且具有一定冗余,影响故障诊断效率的问题,引入主成分分析(principal compo⁃nent analysis,PCA)法提取故障数据主元信息,降低数据维度;最后,考虑到胶囊网络有效提取空间约束信息的能力,将CapsNet作为故障诊断的骨干网络对故障特征进行识别和分类。结果使用CWRU、XJTU-SY数据集对该方法进行验证,实验结果表明,该方法在两种数据集上故障诊断准确率均达98%以上,与其他基于深度学习的故障诊断方法进行对比,该方法的诊断性能具有一定优势。结论本文方法可对故障数据进行有效解耦,提升数据之间的空间区分度,获得较高的轴承故障诊断精度。

基于振动监测的电机轴承故障智能诊断

电机轴承故障是电机常见故障之一。对电机轴承故障进行精确诊断是确保电机安全稳定运行的必要措施。现提出了一种基于振动监测的电机轴承故障智能诊断方法。利用振动加速度传感器监测电机轴承振动,采集电机振动加速度数据,然后对电机振动加速度数据进行时域分析和频域分析,提取与电机轴承故障相关的时域特征参数和频域特征参数,再依据电机故障故障特征参数判断电机是否存在轴承故障。实际应用表明,电机轴承故障智能诊断方法可对电机轴承故障进行精确诊断。

基于最优频段循环脉冲指数谱的轴承故障诊断方法

针对滚动轴承多故障冲击共振频带的非一致性及相互交叠影响问题,提出了一种基于循环脉冲指数(CPI)谱的轴承多故障同步诊断方法。该方法引入短时脉冲峰值矩的变异系数对轴承故障冲击进行量化表征,结合冗余提升小波包对轴承故障信号进行频带塔式分解与频带信号CPI计算,构建了故障信号的CPI比值谱图(CPIRgram);根据CPI比值最大原则对轴承故障信号的最优共振频带进行自适应选择,并采用最优频段循环脉冲谱对轴承各故障特征频率进行了统一表征。仿真与故障试验分析结果表明,本文方法无需故障先验知识与分解参数的优化设置,在强噪声及随机瞬态干扰情况下,也能够准确地对多故障特征频率进行同步检测,检测出的故障频率与其理论值误差均小于1.6 Hz,且对故障冲击强度大小及冲击模式变化具有较好的鲁棒性,有较好的应用前景。

基于四维张量特征分解的风电机组轴承故障缺失数据恢复方法研究

针对风电机组轴承故障信息采集过程中数据缺失导致故障类型无法识别问题,提出了一种基于四维张量模型特征分解恢复缺失数据的方法。首先,基于转速、时窗、经验模态分解和时间4个维度构建四维张量;其次,通过加权优化算法实现张量填充,修补故障数据的缺失值;然后,对张量进行Tucker分解得到核心张量及因子矩阵;最后,基于梯度优化算法进行迭代优化得到最终核心张量及因子矩阵,并利用二者对四维张量进行重构得到恢复数据。采用实验数据和实际数据来验证提出方法的有效性和可靠性。结果表明:两组恢复数据的RMSE值分别为0.3169和0.0291,远小于4种对比方法的RMSE值。利用双稳态随机共振对2组恢复数据进行故障特征提取,信噪比显著提高,分别为-13.2647和-15.5212,进一步验证提出方法的准确性。

基于MTF和改进残差网络的轴承故障定量诊断方法

有别于目前滚动轴承故障诊断多集中在定性分析阶段,提出了一种使用图像分类的滚动轴承故障定量诊断方法.采用重叠采样方法,对一维时序数据进行数据增强,使用马尔可夫转换场(Markov transition field,MTF)方法将一维时序数据转换成二维图像,为输入到神经网络模型中提供二维图像样本并保留了时域信息,搭建和训练基于迁移学习微调处理的ResNeXt和ResNeSt改进残差网络,将故障图像进行分类并实现故障诊断.采用混淆矩阵和t分布领域嵌入(t-distributed stochastic neighbor embedding,t-SNE)可视化方法进行实验,结果表明,该滚动轴承故障定量诊断方法能够实现多工况滚动轴承故障的定量诊断,且具有诊断精度高和训练速度快的优点.

基于双输入信号驱动的耦合分段对称三稳随机共振的轴承故障检测

为解决传统双输入信号驱动的二维三稳随机共振系统(two-dimensional tri-stable stochastic resonance system driven by dual-input signals, DTDTSR)所存在的输出饱和和信号放大差等问题,独创性地提出了一种全新的系统:双输入信号驱动的耦合分段对称三稳态随机共振系统(coupled piecewise symmetric tri-stable stochastic resonance system driven by dual-input signals, DCPSTSR)。首先深入研究系统输出饱和性的问题,为系统性能的优化提供了关键理论基础。其次,在绝热近似理论的框架下,推导了系统的输出谱放大函数(spectral amplification, SA)。详尽分析了系统参数对其的影响,为更深层次的理解提供了理论支持。进一步,通过数值模拟对DCPSTSR、耦合分段对称三稳态随机共振系统(coupled piecewise symmetric tri-stable stochastic resonance system, CPSTSR)和DTDTSR系统进行了全面比较,结果明确指出DCPSTSR系统在输出谱放大函数方面显著优越于其他系统。最后,通过遗传算法对系统参数进行了精密优化,并将其成功应用于轴承故障检测。实验结果验证了DCPSTSR系统在性能上的卓越表现,为未来理论研究和工程应用提供了有力的理论支持和可行性验证。这一设计以及其在轴承故障检测方面的成功应用,为共振系统领域的进一步研究和实际应用提供了新的方向和范例,具有重要的科学和工程价值。

采用多尺度自适应选择卷积神经网络的轴承故障诊断研究

针对轴承故障诊断方法中传统多尺度卷积神经网络对不同尺度的特征只是简单拼接,而未考虑不同尺度的特征差异的问题,提出一种多尺度自适应选择卷积神经网络轴承故障诊断模型(MSASCNN)。通过不同大小的宽卷积筛选原始轴承振动信号中的特征,合并为初始特征;构建多尺度自适应选择卷积块,提取不同尺度的特征,利用改进的注意力机制自适应调整不同尺度的特征权重,加入残差连接,防止模型退化;通过分类器完成轴承故障诊断。在凯斯西储大学轴承数据集和XJTU-SY轴承数据集上的实验结果表明:在模型改进实验中,与没有改进注意力机制的模型相比,所提模型的轴承故障诊断准确率提升了1.98%;在不同信噪比的噪声干扰环境中,所提模型的轴承故障诊断准确率均高于93%。

基于CEEMDAN-VSSLMS的滚动轴承故障诊断

针对传统机械轴承故障诊断模型易受系统噪声干扰、特征识别效率低等问题,提出一种基于信号固有模式深度建模分析的轴承故障诊断方法。首先,将采集到的轴承振动信号进行噪声自适应完全经验模态分解(CEEMDAN),获得不同时间尺度的局部特征信号,使用相关系数判别并去除虚假模态分量,再利用可变步长最小均方算法(VSSLMS)对剩余IMF分量降噪并进行重构;然后,将降噪后的振动信号进行离散小波变换(DWT)得到时频谱图,并利用形态学开运算进行特征增强;最后利用改进GoogLeNet网络模型对特征图进行训练,通过Softmax分类器完成特征归类,从而实现轴承故障诊断。将提出的故障诊断方法应用于不同工况下的轴承故障数据集,试验结果表明,所提方法在噪声干扰下具有较高的诊断精度。

一种不平衡数据下的新型轻量级轴承故障诊断模型

在实际工程场景中,轴承故障数据远少于正常数据,不平衡数据下的轴承故障诊断方法存在参数多、模型复杂的问题。因此,提出了一种由带梯度惩罚的辅助分类瓦瑟斯坦生成对抗网络(auxiliary classier Wasserstein generative adversarial network with gradient penalty,ACWGAN-GP)和神经回路策略故障诊断(neural circuit policy-fault diagnosis,NCP-FD)网络组成的不平衡数据NCP-FD(unbalanced data NCP-FD,UDNCP-FD)模型。首先,将轴承故障信号数据转换为二维时频图,利用不平衡的训练集训练ACWGAN-GP生成高质量故障样本,并将其扩充到原始训练集中;然后,将扩充后的训练集输入到NCP-FD网络中进行学习;最后,将训练好的NCP-FD网络应用于测试集进行故障诊断。实验结果表明,所提模型与其他不平衡数据下的轴承故障诊断模型相比,参数更少,存储空间更小,故障诊断准确率更高。

基于通道注意特征融合的轴承故障诊断方法

针对传统故障诊断方法通常依赖单域信息输入,导致信号中的部分信息丢失或信息不完整使用的问题,提出了一种基于通道注意特征融合的轴承故障诊断方法。首先,将原始信号通过快速傅里叶变换(FFT)和连续小波变换(CWT)处理得到频域和时频图。然后,将来自不同域的2个样本输入双流Ghost Module(GM)神经网络故障诊断模型中提取频域和时频域特征,并结合通道注意力机制有效融合频域和时频域的重要特征,从而获得更丰富的故障诊断信息,实现对故障信号的准确分类。最后,利用美国凯斯西储大学、中国江南大学和加拿大渥太华大学的轴承故障数据集进行实验验证。结果表明,与现行主流模型相比,基于通道注意特征融合的轴承故障诊断方法在3个数据集上的分类故障诊断准确率分别达到99.78%、98.50%和97.65%,证明该方法具有良好的诊断效果。

VMD结合小波包信息熵和GJO-SVM的电机轴承故障诊断

针对电机滚动轴承故障特征难以提取从而导致诊断准确率低的问题,提出了一种基于变分模态分解(Variational Modal Decomposition,VMD)结合小波包信息熵(Wavelet Packet Information Entropy,WPIE)的特征提取方法,并采用金豺优化(Golden Jackal Optimization,GJO)算法优化后的支持向量机(Support Vector Machine,SVM)进行电机滚动轴承的故障诊断。首先,利用VMD将采集到的信号进行分解,依据局部极小包络熵筛选出最优本征模态(Intrinsic Mode Function,IMF)分量;其次,利用小波包将最优IMF分量再分解,并提取信息熵作为特征向量矩阵;最后,采用GJO算法对支持向量机中的惩罚参数和核参数进行寻优选择,建立GJO-SVM故障诊断模型,将特征向量矩阵输入金豺算法优化支持向量机(GJO-SVM)故障诊断模型中进行故障诊断。将VMD结合小波包信息熵特征提取与VMD结合近似熵特征提取进行对比试验,试验结果表明,VMD结合小波包信息熵特征提取精度提高了2.5%,其特征提取更加优越;将金豺算法优化支持向量机(GJO-SVM)与粒子群优化(Porticle Swarm OPtimization,PSO)算法支持向量机(PSO-SVM)、果蝇优化算法(Fruit fly Optimation Algorithm,FOA)支持向量机(FOA-SVM)进行对比试验,试验结果表明,GJO-SVM其平均准确率达到99.16%,较PSO-SVM、FOA-SVM分别提高了2.5%、3.61%。金豺算法优化支持向量机(GJO-SVM)可以更加有效提取并诊断滚动轴承故障。

基于Hilbert包络谱熵和GA-SVM的水轮发电机轴承故障诊断

水轮发电机轴承在运行时承受着整体机组的轴向负荷与复杂水推力,针对其产生的非稳态、非线性特征的振动信号,提出一种基于Hilbert包络谱分析与遗传算法支持向量机(GA-SVM)相结合的诊断方法,用于轴承故障状态的识别。首先对推力轴承运行时产生的振动信号进行集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD),分解成若干个固有模态函数(Intrinsic Mode Function,IMF),依据峭度准则选取主要IMF分量并通过Hilbert包络谱分析,计算包络谱熵,将归一化后的包络谱熵作为特征向量输入GA-SVM进行训练与故障识别。仿真实验结果表明,基于EEMD包络谱熵分析法相比于时频域图像处理能更好地提取出复杂工况下的故障信号特征,遗传算法支持向量机识别准确率达96.87%,该算法模型可进一步应用于水轮发电机轴承故障诊断。

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明:基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。

基于多尺度知识蒸馏与增量学习的滚动轴承故障诊断方法

为了缓解单任务轴承故障诊断方法在不同工况诊断时产生的灾难性遗忘问题,提出一种基于多尺度知识蒸馏与增量学习(multi-scale knowledge distillation and continual learning,CL-MSKD)的滚动轴承故障诊断方法。以一维卷积神经网络作为CL-MSKD主要框架,余弦归一化层作为多任务共享的分类器,通过标签与特征两个尺度的知识蒸馏实现模型知识的保存与传递。CL-MSKD能够以一个统一结构的网络模型对在不同工况下的轴承故障进行诊断,通过知识压缩方法不断地学习和保存知识,最终缓解增量阶段产生的灾难性遗忘问题,提升跨工况场景下轴承故障诊断性能。试验表明,CL-MSKD能够有效缓解灾难性遗忘并保持良好的诊断效果。在任务环境差异较大的情况下,准确率指标仍能达到97.09%,与其他增量方法相比稳定性更好,精度更高。

融合时频特征的多源无监督域自适应轴承故障诊断方法

无监督域自适应已成为多工况下轴承故障诊断的一种重要方法。然而,现有多源无监督域自适应方法往往忽略不同视角信号对于跨域故障诊断的贡献,不足以全面表达轴承的故障特征。此外,这些方法的不同源域对同一目标域的预测结果存在差异。为此,提出一种融合时频特征的多源无监督域自适应(time-frequency features fused multi-source unsupervised domain adaptation,TFFMUDA)轴承故障诊断方法。该方法以时域和频域信号为输入,通过特征耦合机制实现两种故障特征的互补,并利用分类器对齐策略增强了不同源域对于同一目标域的诊断一致性。通过实际轴承故障案例的试验结果表明,所提方法相较于现有无监督域自适应轴承故障诊断方法能获得更清晰的故障类决策边界并具有更好的目标域诊断精度。

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。