基于多尺度卷积策略CNN的滚动轴承故障诊断

针对一维卷积神经网络单一卷积拓扑结构在提取不同工况下的信号特征时缺乏自适应性,难以处理复杂工况下的机械故障诊断问题,提出了一种基于多尺度卷积策略的卷积神经网络(MACNN)故障诊断算法。首先将表征滚动轴承故障的一维振动信号输入模型,然后利用卷积层中的多尺度卷积结构对原始信号进行卷积运算,实现不同角度的敏感特征提取,再通过池化层进行特征信息的提炼和简化,最后利用全连接层实现检测结果输出。在公共数据集——凯斯西储大学的轴承故障数据集上进行试验,结果表明:MACNN算法和其他算法相比拥有更快的收敛速度和更高的识别准确率,为故障诊断提供了一种新的方法。同时,其在多工况下表现出的优异泛化性能说明具备工业应用的可行性。     

基于组合降噪的卷积神经网络轴承故障诊断方法

针对滚动轴承振动信号包含不同频率复杂噪声,单一降噪方法难以去除多种噪声,导致最终故障诊断率低的问题。提出一种基于组合降噪的卷积神经网络的轴承故障诊断方法。首先,通过SVD分解方法,根据奇异值差分谱,一次降噪并重构信号,去除信号内能量较低的宽频率噪声;再根据降噪重构信号,自适应选取CEEMD分解的参数,并进行自适应CEEMD分解,利用线性相关系数与峭度交集法滤除相关程度低、故障特征信息少的IMF分量,同时二次降噪并重构信号;最后,构建一维卷积神经网络并进行轴承故障诊断。通过原信号和组合降噪后信号的时频分析,轴承故障诊断实验,验证了该方法的有效性。     

变负载工况下滚动轴承故障分类识别方法研究

针对变负载工况下单尺度CNN提取滚动轴承健康状态特征不充分的问题,提出了一种DSCNN-BiLSTM诊断模型。该模型基于粗粒度化和平均池化层的理论基础,通过双尺度卷积神经网络结合双向长短时记忆网络,对滚动轴承振动信号进行空间维度特征和时间序列特征的提取,实现端对端的滚动轴承故障诊断。通过设置2种不同变负载工况实验,采用DSCNN-BiLSTM模型进行滚动轴承故障特征提取,平均准确率分别达到了97.55%和98.07%,有效提高了在变负载工况下的滚动轴承故障诊断准确率,为滚动轴承健康状态识别提供了关键技术。     

多通道特征融合卷积神经网络的齿轮箱故障诊断

针对一维数据的卷积神经网络故障诊断方法无法十分准确地识别齿轮箱故障类型的问题,提出一种二维振动信号的多通道特征融合卷积神经网络(MC-FFCNN)算法。采用格拉米角场将传感器获取的一维振动信号转换为二维矩阵,将矩阵中的数值作为像素值转换为灰度图从多个通道输入卷积神经网络,经过多个卷积层、池化层及增加的融合层,导出各通道的融合数据到全连接层。在试验中,通过对多个故障数据进行训练与测试,实现齿轮箱单一故障的诊断。将诊断结果与单通道的卷积神经网络诊断结果进行比较分析,结果显示：所提方法的故障诊断准确率更高。     

基于Dropout CNN的滚动轴承故障诊断研究

针对滚动轴承故障特征很难提取及传统故障诊断方法准确率偏低的问题,提出一种基于Dropout的改进卷积神经网络(Dropout CNN)结构,可以无需预先提取滚动轴承振动信号的故障特征,直接端到端的实现滚动轴承故障诊断。该方法以振动信号为监测信号,使用傅里叶变换生成振动 信号频谱图,以此作为整个系统的输入,利用卷积神经网络强大的特征提取能力可以自动完成故障特征提取以及故障识别。试验结果表明该方法平均诊断准确率 高达99.5%。该方法实现了大量样本下滚动轴承不同故障类型的故障特征自适应提取与故障状态的准确识别。     

基于同步提取变换和DRSN的滚动轴承故障诊断研究

针对旋转设备在复杂运行工况下,滚动轴承故障信号特征难以准确提取及识别的问题,结合深度残差收缩网络(depth residual contraction network,DRSN)的优势,将同步提取变换(simultaneous extraction transformation,SET)和深度残差收缩网络结合的故障诊断方法应用于轴承故障诊断。首先利用同步提取变换时频分辨率高的特点,对采集到的滚动轴承外圈信号进行模态分解和处理,得到分解后的时频图像:然后对图像进行灰度处理,并进行降维,以适合DRSN模型输入,最后进行故障特征识别,实现滚动轴承故障诊断。实验结果表明,该方法有效实现了复杂工况下对滚动轴承故障信号的特征提取,提高了故障识别率。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

基于MOMEDA与BiLSTM的滚动轴承微弱故障识别方法

针对传统的滚动轴承智能诊断模型计算效率低和准确率欠佳问题，课题组提出一种基于多点最优最小熵解卷积(multipoint optimal minimum entropy deconvolution adjusted，MOMEDA)和双向长短时记忆(bidirectional long short term memory network，BiLSTM)网络相结合的滚动轴承故障诊断模型。该模型利用MOMEDA方法增强故障特征，并结合遗传算法(genetic algorithm，GA)对BiLSTM模型参数进行优化，实现滚动轴承智能、高效及鲁棒性诊断。利用该模型对经典轴承数据集以及牵引电机轴承故障数据集进行验证，平均准确率达到了99.63%，分别比传统卷积神经网络(convolutional neural network，CNN)、单层长短时记忆网络(long short term memory network，LSTM)、双向长短时记忆网络和最新的CNN LSTM模型高16.02%，9.98%，7.01%和5.65%，验证了该模型的有效性和优越性。     

基于改进DenseNet和迁移学习的变负载滚动轴承故障诊断

由于在实际工作环境下滚动轴承故障样本不足，而且受到环境噪声以及负载变化的影响，故障样本分布存在差异性导致诊断泛化性差，对此课题组提出一种基于改进DenseNet与迁移学习结合的滚动轴承故障诊断方法。对原DenseNet中的ReLU激活函数，使用LeakyReLU函数替代，并在全连接层后添加Softmax层进行分类，使提取故障特征更为丰富；为了使轴承信号接近工厂采集的数据，对凯斯西储大学轴承数据集中添加了信噪比为 2 dB的高斯白噪声并进行模拟，经Z Score归一化处理后转化为二维灰度图作为样本数据。实验结果表明该方法在小样本变负载下的跨域诊断准确率都达到了90%以上，与其他模型对比具有更好的泛化性。     

基于多重同步挤压变换与深度脊波卷积自编码网络的滚动轴承故障诊断

利用传统故障诊断方法对滚动轴承进行诊断时,存在故障特征提取困难以及故障模式难以辨识的问题。针对此问题,提出了一种基于多重同步挤压变换以及深度脊波卷积自编码网络的智能故障诊断方法。首先,利用多重同步挤压变换处理含噪信号能力强、具有优越的时频分解特性的特点,将采集的轴承故障信号进行MSST处理,得到分辨率较高的时频图像。然后,利用深度脊波卷积自编码网络自身泛化性能强、能够有效挖掘数据特征的特点,建立深度脊波卷积自编码网络识别模型。将降维至适当大小的时频图像输入到该模型系统中,进行自动特征提取和故障识别。实验结果表明,该方法提取故障特征信号能力较高,并能够有效地识别出不同的故障类型。     

基于虚拟仪器的机车滚动轴承故障诊断研究

介绍了机车滚动轴承故障诊断的机理。利用LabVIEW软件和相关硬件，设计了一种机车滚动轴承故障诊断系统。该系统结合某一型号机车轮对，利用CompactDAQ和NI 9233加速度采集模块采集滚动轴承振动信号。根据滚动轴承机理，振动信号包含滚动轴承故障信息。因此，运用小波变换函数，对振动信号进行时频域分析处理，获取有用的故障特征信息，进而确定故障类型。从实验结果可以看出，该方法能准确地找到故障频率，对于机车滚动轴承故障诊断有很好的指导意义     

基于邻域相关性小波去噪的滚动轴承包络解调及故障分类

将邻域相关性的冗余第二代小波应用于滚动轴承信号降噪,用Hilhert包络解调法提取的故障特征频率,比较不 同转速和载荷下的提取效果,提出包络幅值峭度指标,并将其输入BP神经网络进行故障诊断。结果表明：基于邻域相关 性的冗余第二代小波降噪方法能很好的抑制噪声,保留原信号的信息;降噪后的故障信号经过Hilbert包络解调能找到 特征频率及其倍频,其效果优于原始信号的包络解调分析。工况会影响分析效果,且速度对提取效果的影响大于载荷。 包络幅值峭度指标能很好区分不同工况的故障信号,结合BP人工神经网络诊断正确率为100%。     

基于CEEMDAN和CNN TSA GRU的滚动轴承故障识别方法研究

为避免复杂噪声对滚动轴承智能诊断模型的准确率干扰，提出一种基于完全集合经验模态分解CEEMDAN和深度时间自注意力卷积网络CNN TSA的滚动轴承故障识别模型。该模型首先采用CEEMDAN将信号分解为若干固有模态函数(intrinsic mode function，IMF)分量，利用光谱放大因子SAF指标自适应筛选最优高信噪比分量；其次采用改进时间自注意力机制对数据分配权重并采用卷积神经网络CNN提取空间特征，弱化冗余特征信息，保留目标特征；最后利用门控循环单元GRU提取样本数据时间特征，使得网络得到更充分的学习，提高模型鲁棒性。经试验数据验证：所提出的深度学习智能故障识别模型故障识别准确率达到98.87%；对比一维CNN和CNN LSTM模型，识别准确率分别提高915%和8.86%，验证了该模型的有效性和优越性。     

基于小波阈值和ACMD的滚动轴承瞬时转频估计

针对变转速工况下滚动轴承瞬时转频估计精度受噪声影响大的问题,提出一种基于小波阈值和自适应chirp模式分解(ACMD)的转频估计方法。该方法首先利用小波阈值对原始信号做降噪处理,然后对降噪后的信号做ACMD,得到高时频分辨率时频谱,最后利用峰值搜索算法从时频图中估计瞬时转频。通过对轴承仿真信号和实测信号的分析,证明了该方法能准确估计出瞬时转频,同时增强了噪声鲁棒性,为后续变工况轴承无转速计诊断工作奠定了基础。     

基于稀疏编码和极限学习机的设备故障诊断方法及应用

针对复杂工况与海量监测数据下滚动轴承难以进行故障诊断的问题,提出了一种基于稀疏编码和极限学习机（ELM）的滚动轴承故障模式识别方法。首先,利用K-SVD方法对海量数据样本学习得到自适应原子字典,在此基础上使用正交匹配追踪（OMP）算法进行稀疏编码;然后,构建基于数据驱动的ELM网络模型,将稀疏编码输入ELM模型;最后,通过模型输出实现了对滚动轴承的不同故障类型及不同故障程度的智能识别。通过实际实验分析,验证了所提方法的有效性,与传统的时、频域指标和主成分分析（PCA）为输入的ELM模型进行了对比,并对比分析了BP神经网络、支持向量机（SVM）模型,证实了所提方法具有更好的诊断正确率和可靠性。     

PSO-COT与EEMD的变转速滚动轴承故障特征提取

针对滚动轴承在变转速工况下微弱故障特征难以提取的问题,提出了PSO-COT与EEMD的变转速滚动轴承故障特征提取方法。首先,通过粒子群优化算法(particle swarm optimization, PSO)寻找最优过采样率,对采集到的滚动轴承振动信号进行过采样;然后,利用计算阶比跟踪(computed order tracking, COT)将过采样后的时域信号转变成角域的平稳信号;最后,通过集合经验模态分解(ensemble empirical mode decomposition, EEMD)去噪,经过阶次谱分析滚动轴承故障特征阶次。实验表明该方法具有较好的故障特征提取精度,可以有效提取变转速工况下滚动轴承故障特征信息。     

宏雅与新变：张说颂文管窥

总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法由于其自适应性和抗混叠的特性,在轴承故障诊断领域得到广泛应用。针对总体经验模式分解 (Ensemble Empirical Mode Decomposition, EEMD) 方法中参数难以准确获取的问题,提出了基于改进的EEMD分解和Teager能量算子的滚动轴承故障诊断方法。首先对故障信号进行预处理,自动获取EEMD方法中的加入白噪声大小和总体平均次数两个重要参数。之后对信号进行EEMD分解,得到若干个本征模态分量 (Intrinsic Mode Function, IMF),利用峭度准则选取其中峭度最大的分量并进行Teager能量算子解调,最后通过能量谱识别出滚动轴承的工作状态和故障类型。将该方法应用到滚动轴承仿真故障数据和实际数据中,实验结果表明,该方法可有效提取滚动轴承故障特征频率信息,验证了所提方法的可行性。     

基于混沌振子的滚动轴承复合故障诊断

针对强噪声背景下的信号难于检测的问题,结合滚动轴承振动信号的非平稳以及非线性特点,提出了一种用Duffing阵子结合欧氏距离检测滚动轴承复合故障诊断的方法。该方法采用欧氏距离确定混沌振子由混沌状态向大尺度周期状态转换的临界阈值,利用欧氏距离的跃变自动识别混沌振子的状态。并仿真推导出了待测信号频率和混沌振子阈值之间的关系,很好地解决了由于实际故障频率的误差导致结果不准确的问题,该方法成功地应用在滚动轴承的早期模拟复合故障中,取得了较好的效果。     

滚动轴承振动故障时频域分析方法综述

滚动轴承是所有旋转机械设备最核心的部件之一,也是故障发生率最高的部件之一。任何微弱故障的发生都会对设备运行的可靠性、安全性产生不利影响,针对滚动轴承健康状态监测的有效性和故障缺陷诊断的精确性至关重要。首先,对滚动轴承的振动机理做了基本介绍;其次,从滚动轴承故障诊断中的振动信号分析的需求出发,分别从时域、频域、时频域3个方面系统地介绍几种应用于该领域的信号分析方法,重点对几种比较经典的时频域方法的基本理论、研究现状、局限性进行了综述与分析;随后,简述了几种滚动轴承故障特征分析的人工智能方法;最后,从工程应用的实际出发,对滚动轴承的故障诊断方法进行了总结与展望。     

基于EEMD和单通道盲源分离的齿轮箱复合故障诊断研究

针对齿轮箱复合故障诊断中,多级传动相互干扰,微弱的轴承故障会被强烈的齿轮故障和噪声湮没而难以提取的问题,提出了基于EEMD和单通道盲源分离的齿轮箱复合故障诊断方法。首先利用单个加速度传感器采集齿轮箱振动信号,对采集的信号进行EEMD分解,根据峭度准则和相关系数重构IMF分量;然后应用盲源分离方法对重构的IMF分量进行求解,对分离的信号进行包络解调分析,确定出齿轮故障通道,轴承故障通道和噪声通道;最后对齿轮故障通道进行傅里叶变换,轴承故障通道进行基于谱峭度的共振解调分析,提取出信号的特征频率,完成齿轮箱的复合故障诊断。通过实验验证了该方法的有效性和可行性。