GREEN FUNCTION在齿轮箱故障诊断中的运用

为了找出齿轮箱故障的定量规律，通过对齿轮箱的振动信号的测试及分析，发现ＧＲＥＥＮＦＵＮＣＴＩＯＮ对齿轮箱故障的诊断行之有效，并且成功地找出了Ｇ１０、Ｇ１０′等齿轮箱故障的定量诊断参数．

基于连续小波卷积神经网络的轴承智能故障诊断方法

传统故障诊断方法存在特征提取有限和故障检测不准确的问题,为此提出新的轴承智能故障诊断方法.构建连续小波卷积层取代卷积神经网络(CNN)中的初始卷积层,用于提取轴承数据的初级特征;使用增强ACON激活函数处理提取的振动信号;设计新的计算空间,提高CNN的整体自适应性.在凯斯西储大学轴承数据集上开展滚动轴承故障诊断方法对比实验.结果表明,与传统基于CNN、快速傅里叶变换-CNN、长短时记忆CNN故障诊断方法相比,所提方法的故障诊断精度分别提高了7.45、4.46和1.53个百分点,CNN的收敛速度更快.在不同工况的泛化任务中,所提方法的平均准确率为99.64%,准确性和泛化能力良好.

基于多层感知机和近端策略优化的滚动轴承故障诊断方法

针对基于价值函数的强化学习故障诊断方法存在无法应对随机策略以及策略微弱变化导致维度爆炸的问题,提出了基于多层感知机和近端策略优化(MLP-PPO)的滚动轴承故障诊断方法。首先,基于多层感知机网络构建强化学习智能体;然后,基于策略网络和价值网络的框架构建与智能体交互的故障诊断环境,充分提取故障特征;最后,采用策略梯度优化方法拟合故障诊断目标函数,通过近端策略优化方法寻找故障诊断最优策略。通过XJTU-SY滚动轴承数据集进行试验的结果表明,相对于SVM,CNN,DQN等方法,基于MLP-PPO的故障诊断方法的准确率更高(约96%)。

基于参数优化VMD-小波阈值的轴承振动信号降噪方法

为了解决复杂工况下滚动轴承振动信号存在随机噪声的问题,提出了一种基于参数优化变分模态分解(VMD)-小波阈值的滚动轴承降噪方法。首先,利用以包络熵为适应度函数的天鹰算法对变分模态分解算法的模态分解数K和惩罚因子α进行了自适应选择,代入VMD分解中,得到若干本征模态函数(IMFs);然后,根据峭度-相关系数将IMF分量划分为纯净分量和含噪分量,对含噪分量进行了小波阈值降噪处理;最后,对处理后的分量进行了重构,并用重构信号进行了包络谱分析,实现了滚动轴承的信号降噪目的,并利用仿真信号和美国凯斯西储大学公开的轴承数据集对上述降噪方法的有效性进行了验证。研究结果表明:基于参数优化VMD-小波阈值的降噪方法减少了滚动轴承运行状态下的随机噪声,相对小波阈值降噪方法,所得仿真信号信噪比提升53%,均方误差降低13%;在故障特征频率为162 Hz时,所得实验降噪信号包络谱的前6倍频谱峰值更为明显,且受随机噪声影响较小。该研究方法在滚动轴承等旋转机械信号降噪方面具有一定的参考价值。

基于改进激活函数的一维卷积神经网络电机轴承故障诊断的研究

提出了一种基于改进激活函数的一维卷积神经网络的电机轴承故障诊断的方法,该方法首先介绍了一维卷积神经网络的结构,然后详细说明了激活函数的改进点,最后通过仿真试验依次采用三种一维卷积神经网络对电机轴承故障进行分类,通过对比发现,此方法具有诊断准确率高、收敛速度快、无需人为提取故障特征等优点。

基于改进格拉姆角场和注意力机制的滚动轴承故障诊断

针对传统的卷积神经网络在噪声环境下特征辨识性差且难以充分挖掘数据信息的问题,提出基于改进的格拉姆角和场(IGASF)和注意力机制的滚动轴承故障诊断模型。首先,根据轴承转速和采样频率计算单个故障周期包含的信号点数,对单个故障周期内采集到的振动信号进行分段聚合,利用IGASF进行编码生成相应特征图;然后,将特征图输入卷积神经网络(CNN)进行滚动轴承故障特征提取,并引入注意力模块实现特征的自适应加权;最后,输入到Softmax层完成滚动轴承故障分类。对比试验结果表明,该方法具有更好的抗噪能力和更高的诊断准确率。

基于改进交替迁移学习的滚动轴承故障诊断算法

针对不同型号滚动轴承监测信号之间特征分布差异大、故障数据样本少,导致轴承故障精度低的问题,提出了一种基于改进交替迁移学习的滚动轴承故障诊断算法。为了充分发挥卷积神经网络(convolutional neural network, CNN)对二维数据优秀的特征提取能力,首先将一维振动信号转化为二维图像,输入到深度卷积神经网络中学习;其次,为了减少源域与目标域数据间的特征分布差异,提出了改进的交替迁移学习(improved alternately transfer learning, IATL),通过交替计算域间的CORAL损失函数和最大均值差异(maximum mean discrepancy, MMD)损失函数,并反向传播更新各层网络权重与偏置参数,以实现变工况、跨轴承型号和小故障样本条件下轴承特征迁移适配;最后,在全连接层使用Softmax函数对目标域数据进行故障诊断。为了验证该算法的有效性,采用凯斯西储大学(Case Western Reserve University, CWRU)的滚动轴承数据集进行了迁移试验验证。结果表明,与仅计算CORAL损失函数和MMD损失函数等算法对比可知,该算法有效地减少了领域数据之间的特征分布差异,具有较高的故障分类准确率。

基于锐度感知增强卷积神经网络的变工况机械故障诊断

传统的深度迁移学习网络从有标签的源域故障数据中学习并迁移知识,完成无标签目标域上的诊断任务,有效解决了机械故障诊断中变工况场景面临的数据特征空间非对称问题。然而其知识迁移模块加剧了深度学习网络结构的复杂性,导致其损失函数的地貌特征比浅层网络复杂得多,优化难度更高。传统方法无法感知损失函数的地貌特征,容易使模型参数陷入参数泛化间隙大的局部最小值处,导致模型泛化性差,诊断精度降低。为了应对这一挑战,研究提出锐度感知增强的卷积神经网络(Sharpness Awareness Reinforced Convolutional Neural Network,SA-CNN),通过感知一定范围内模型损失函数的锐度,联合优化损失函数与其地貌特征的平坦程度,约束模型参数向损失函数锐度降低的方向收敛,进而提升模型的泛化性能。经典机械故障诊断数据集上的实验结果表明,相比传统的深度迁移模型,所提方法在变工况场景下进行跨域机械故障诊断时性能提升显著。

基于ACON激活函数和卷积神经网络的滚动轴承故障诊断

针对滚动轴承故障诊断任务的泛化问题,提出一种基于ACON激活函数和卷积神经网络(CNN)的故障诊断方法(ACON-CNN模型)。构造一种自适应激活因子,利用ACON激活函数的自适应激活特性增强整个卷积神经网络的自适应特征能力;同时构造一种基于稀疏结构的神经元簇,增加诊断模型的稳定性。对CWRU轴承数据集以及航空轴承数据集的试验结果表明:针对同一轴承不同采集端故障数据的训练与识别中,ACON-CNN模型具有比原始CNN,FFT-CNN,LSTM-CNN更好的识别效率和鲁棒性;在不同轴承样本数据集的迁移学习中,ACON激活函数和稀疏神经元簇的综合作用也使ACON-CNN模型获得了更好的泛化性能和识别效果。

CEEMDAN与改进形态差值滤波结合的滚动轴承故障诊断

受电机所处工作环境中诸多因素的影响,轴承故障振动数据通常会混杂大量噪声,使得故障特征被无效噪声信息所淹没。为了将轴承故障冲击特征信息从含噪信号中提取出来,提出了一种CEEMDAN与改进形态差值滤波结合的故障诊断方法。在诊断初始阶段利用CEEMDAN对故障信号加以处理,得到相应的固有模态函数(IMF);用归一化互信息及峭度值作为评判标准,筛选所需的IMFs分量信号,并以此为基础完成信号重构;利用改进形态差值滤波实现对重构信号的去噪处理;求取处理后的信号频谱并加以探究,提取故障特征信息,完成对故障的有效诊断。由实例验证结果可知,该方法可在背景噪声干扰下对故障特征频率进行较好的定位,能够作为滚动轴承故障诊断的有效方法。

滑动效应对球轴承滚动体缺陷频率影响的研究

在弹流润滑作用下,球轴承滑动效应引起的滚动体缺陷频率低于理论值,不利于对球轴承进行故障诊断,为此,建立了一种考虑弹流润滑作用下球轴承滑动效应的轴承动力学模型,研究了球轴承滑动效应对滚动体缺陷频率的影响。首先,基于轴承动力学理论和弹流润滑理论,分析了球轴承内各部件间的等效刚度与等效阻尼;然后,根据部件间受力关系,建立了考虑滑动效应的含滚动缺陷故障轴承动力学模型;最后,分析了弹流润滑作用下轴承滚动体与轴承内外圈间的滑动效应,获取了滑动效应对滚动体缺陷频率的影响,并通过试验对模型的正确性进行了验证。研究结果表明:由于球轴承滑动效应的存在,滚动体缺陷频率约为理论值的93.6%;通过增大载荷可抑制滑动效应对滚动体缺陷频率的影响,滚动体缺陷频率约为理论值的96.3%,但由于滑动效应始终存在,滚动体缺陷频率始终低于理论值。该研究结果为弹流润滑作用下球轴承的打滑抑制与故障诊断提供了参考依据,丰富了轴承故障动力学建模理论。

GREEN函数在滚动轴承故障诊断中的应用

通过不同工况滚动轴承振动信号的时序分析，发现其GREEN函数Gj的曲线都是衰减的或收敛的，且衰减速度取决于滚动轴承的运转状态、本文提出的一种新的参数G10可以定量反映其收敛速度。作为滚动轴承的故障诊断指标．参数C10比Kv和NRSS更有效。

Green函数在设备故障诊断中的应用

本文阐述了Green函数的原理。以轴承为例阐明了Green函数对设备故障的敏感性,并在以Green函数诊断轴承故障的定量标准方面进行了初步探索。

滚动轴承寿命预测的相似性匹配优化方法研究

传统相似性寿命预测方法忽视退化过程的局部演变特性,导致预测精度较低;传统时、频域等特征指标难以实现早期故障监测,且退化后期局部波动较大。引入高斯函数趋势拟合策略,提出改进的相似性匹配优化方法。提出基于高斯混合模型的Jensen‑Renyi散度健康指标,准确跟踪滚动轴承退化演变趋势。由于实际全生命周期退化信号难以大量获取,因此构建双指数函数模型,模拟退化信号,并验证仿真数据扩充参考字典集的有效性。采用高斯函数拟合退化数据并提出参数相似性原则,实现剩余使用寿命预测。滚动轴承全生命周期退化实验数据分析结果验证了所提方法可以有效提高剩余寿命预测精度。

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。

基于熵权距离的图正则局部线性嵌入算法

针对局部线性嵌入(Locally Linear Embedding,LLE)算法在挖掘数据结构时未考虑特征权重且仅局限于数据的线性拟合关系,导致特征提取效果不佳的问题,提出一种基于熵权距离的图正则局部线性嵌入(Graph Regular Local Linear Embedding Algorithm Based on Entropy Weight Distance,EWD-GLLE)算法。首先,采用信息熵加权的余弦距离划分样本邻域,减小不重要特征对邻域划分的影响,提高了邻域划分的准确性;然后,利用融合热核权重与余弦权重的拉普拉斯图约束低维嵌入,以保留更多的原始数据信息,进而提取到更显著的特征。在两种轴承数据集上的实验结果表明:EWD-GLLE算法的特征提取性能明显优于LLE、LTSA、LDA算法。

基于辛几何迁移矩阵机的滚动轴承故障诊断方法

针对工程实践中获得的滚动轴承故障数据较少且包含大量噪声的问题,提出一种辛几何迁移矩阵机(SGTMM)的滚动轴承故障诊断方法。首先,利用辛几何相似变换重构辛几何系数矩阵,在保护信息结构的同时完成信号的降噪,有效提取信号的特征信息;然后,在SGTMM的目标函数中添加域权重差异项,通过最小化该项寻找不同域之间的相似特征以平衡模型间的差异,使得预测模型具有小样本分析能力;最后,利用交替方向乘子法求解模型,解决目标函数凸优化问题。2种滚动轴承故障试验结果表明,SGTMM利用辛几何相似变换和域权重差异项不仅可以保护原始信号结构化信息不变,而且能够充分利用小样本的状态信息,与支持向量机、支持矩阵机和鲁棒支持矩阵机相比,SGTMM具有优越的分类性能,平均识别率提高5%~10%。

基于弹性核凸包张量机的高速球轴承故障诊断方法

样本点决策贡献度的失衡考虑会导致故障信号测试集分类精度偏低。为了提高高速球轴承故障诊断精度,设计了一种基于弹性核凸包张量机(FCHTM)的振动信号处理方法。以能量谱纹理特征(ESTC)建立数据库,选用连续小波转换方法进行时频分布,类别判断模型构建时用正负概率估计。研究结果表明:采用随机方法选取训练集样本量进行准确率测试,发现在识别精度和分类性能方面,弹性核凸包张量机均展现出较强的优越性,并且适当增加训练样本还能有所提升。训练集与测试集划分为7.5∶2.5开展分类准确率分析,相比较支持向量机(SVM)和弹性核凸包(FCH),发现弹性核凸包张量机表现最佳,在鲁棒性和抗噪性表现方面弹性核凸包张量机的优势更显著。该研究适用于其他的机械传动系统,具有很好的实际推广价值。

模态特征分量(IMF)在轴承故障诊断中的选用原则综述

经验模态分解(Empirical Mode Decomposition,EMD)及其衍生算法近年来在轴承故障领域得到了广泛应用。该类算法可以基于振动信号自身的特点对其进行自适应分解,得到一组蕴含不同频率成分的固有模态函数(Intrinsic Mode Function,IMF)。但是该类算法由于自身分解规则的缺陷不可避免地存在端点效应与模态混叠现象,从而产生了一些虚假IMF分量,影响轴承故障诊断的准确性。此外,EMD类算法分解得到的IMF通常是噪声或干扰信号,只有少数分量能够反映轴承故障特征。因此,如何筛选含有丰富故障信息的敏感IMF是该类算法的关键。文章首先介绍了EMD及其衍生算法,然后总结了目前在滚动轴承故障诊断领域中选取敏感IMF的主要准则,并阐述了其优缺点。

改进的深度残差收缩网络轴承故障诊断方法

针对深度残差收缩网络(deep residual shrinkage network,DRSN)在降噪过程中引起的信号失真问题,提出了一种改进的深度残差收缩网络(improved deep residual shrinkage network,IDRSN)并将其应用于滚动轴承的故障诊断中。首先,引入一种改进的半软阈值函数(improved semi-soft threshold function,ISSTF)用于解决恒等偏差的问题并消除软阈值函数引起的信号失真。然后,设计了半软阈值模块(semi-soft threshold block,SSTB)和自适应斜率模块(adaptive slope block,ASB)构建改进的残差收缩单元(improved residual shrinkage building unit,IRSBU),用于自适应设置最优阈值并进一步修正输出。最后,将所提方法应用于两种不同工况的滚动轴承故障诊断中。研究结果表明,与现有方法相比,所提方法的分类准确率和鲁棒性更高,对于变转速工况下的故障诊断更为有效。