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。     

基于优化残差卷积网络的滚动轴承变工况故障诊断

针对滚动轴承在实际运行环境中同时存在变负荷和变噪声的复合工况干扰而产生的故障诊断效果不理想的问题，提出了一种用于滚动轴承变工况故障诊断的一维残差卷积神经网络方法。将归一化后整理完的原始轴承振动信号输入到网络模型中，利用具有残差连接的多个一维卷积层提取特征，再经过多个卷积池化，最后输入到Softmax层进行分类，输出轴承振动信号的故障类型。将所提方法与一维卷积神经网络(CNN)、LeNet-5和AlexNet几个经典模型进行对比分析，结果表明，本文方法在变噪声实验和变负荷实验中的平均准确率分别为94.16%和95.31%,均高于其他经典神经网路，具有较强的抗噪性和泛化性能力。     

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。     

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。     

基于MED和WMSDL的滚动轴承内圈故障特征诊断

针对滚动轴承早期内圈故障特征较为微弱，并伴随环境噪声的干扰，微弱的故障特征信息易被环境噪声所淹没的问题，课题组提出基于最小熵解卷积(MED)和加权多尺度字典学习（WMSDL)的滚动轴承早期故障诊断方法。课题组通过设置一个滤波器使故障特征信号峭度最大实现解卷积，利用WMSDL对解卷积后的信号稀疏分解后进行平方包络解调突出内圈故障特征频率。仿真分析和实例分析结果表明：解卷积后信号的信噪比明显提高，内圈冲击成分明显增强。课题组的研究可有效提取滚动轴承故障特征频率。     

基于小波包和量子神经网络的逆变器故障诊断

针对三电平逆变器电路拓扑结构复杂,电路具有较强的非线性特征问题,提出一种基于小波包分析和量子神经网络的三电平逆变器开路故障诊断方法。采用三电平逆变器上、中、下桥臂电压作为测量信号,通过小波包方法对桥臂输出电压信号进行分析,获取故障信号小波节点系数;计算各节点小波能量谱特征并进行归一化处理,得到IGBT不同故障状态下的故障特征;利用故障特征训练量子神经网络,并对其进行测试以确定故障类别;通过实验平台验证了算法可行性。实验结果表明:提出的方法适用于三电平逆变器故障诊断,具有工程参考价值。     

电机滚动轴承故障的会议制随机森林诊断方法

为了提高电机轴承故障的识别准确率,提出了基于自适应多尺度散布熵与会议制随机森林算法的轴承故障诊断方法。分析了电机轴承不同故障信号的特征频率,将局部特征尺度分解和散布熵进行结合,提取了故障信号的自适应多尺度散布熵作为特征向量。在故障模式诊断方面,以随机森林算法为基础融入了决策树的参会权重策略,使专家型决策树具有更大的决策权,从而提高了随机森林算法的故障诊断准确率,将此算法命名为会议制随机森林算法。以美国凯斯西储大学的轴承数据为对象进行实验,在不同故障模式的诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.68个百分点;在不同故障程度的内圈故障诊断实验中,会议制随机森林算法的识别准确率比传统算法高出了6.28个百分点,比马尔可夫诊断方法高出了7.86个百分点,以上数据验证了故障诊断方法的有效性。     

基于小波阈值和约束独立分量分析的齿轮故障诊断研究

为在强噪声下准确利用振动信号进行齿轮故障诊断,提出了基于小波阈值和约束独立成分分析(CICA)相结合的算法。该算法首先对输入信号进行小波阈值降噪预处理,提高了输入信号的信噪比,然后基于齿轮特征频率建立参考信号,将降噪后的信号作为CICA的输入信号,利用CICA算法有效分离出齿轮故障信号,识别了故障特征。为了验证该算法的有效性,进行了仿真和实验测试信号分析,结果表明,该算法可以有效提取齿轮故障信号,实现齿轮的故障诊断。     

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。     

阶次跟踪在行星齿轮箱非平稳信号故障诊断中的应用

齿轮箱行星轮系复杂的结构导致常规的频谱和解调方法在分析此类振动信号时,频谱会出现"模糊"现象,不能有效提取齿轮箱行星轮系故障特征频率。为此,提出了一种阶次跟踪新方法,把时域非平稳信号在角度域进行等角度重新采样,变成角度域平稳信号,再对角度域平稳信号进行傅里叶变换可得到阶次谱。考虑转速对故障频率的影响,总结了齿轮箱太阳轮、行星轮和内齿圈的故障阶次特征表。通过对风电齿轮箱振动信号的阶次分析,实现了变转速工况下的故障诊断。结果表明:阶次跟踪方法能够识别时变工况下齿轮箱行星轮系故障特征频率并对故障进行准确定位,体现了阶次跟踪技术在时变工况下故障诊断的优势。     

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。     

基于混合特征与PSO-SVM的旋转部件故障诊断方法

针对旋转部件故障诊断问题,为能更全面的提取部件的故障特征信息,提高模型的识别精度,提出一种基于混合特征与PSO-SVM的故障诊断方法。首先,提取电流和振动信号特征参数,结合信息增益算法筛选出对故障敏感的特征参数,结合主成分分析,对敏感特征进行降维处理,消除了无关特征和冗余特征对故障诊断模型的干扰。然后,以SVM分类器为基础,利用PSO算法对模型参数全局寻优,提高故障诊断的识别精度。最后,利用轴承加速疲劳试验数据集将PSO-SVM模型与常用故障诊断模型进行对比,验证该模型的有效性。     

模拟电路故障诊断的神经网络方法

提出了一种采用改进的ＢＰ快速算法实现模拟电路软故障诊断的方法。文中对构造神经网络交流故障字典的过程给出了详细说明，特别是隐层节点数确定，测试信号频率的优选及ＭＡＴＬＡＢ神经网络工具箱的使用。实例表明，人工神经网络技术可应用于有容差模拟电路的故障诊断。     

应用卷积神经网络的测距算法研究

针对传统的接收信号强度指示(RSSI)测距算法过于依赖经验或测距环境从而导致测距精度不高的问题,提出了一种基于卷积神经网络的测距算法。为了减小复杂测距环境下,由多径效应、非视距传输等因素造成的RSSI信号波动,通过多次测量RSSI信号来构建RSSI样本数据。将RSSI样本数据集作为输入训练卷积神经网络,并通过该网络对实时捕获的RSSI信号进行特征提取,从而估计节点之间的距离。实验结果表明:与传统RSSI测距算法相比,该算法显著提高了测距精度。     

基于忆阻器神经网络的辐射效应诊断系统设计

航天事业是我国群策群力发展的重要事业,航天器作为执行航天任务的主体,其可靠性至关重要。随着集成电路工艺技术和人工智能的迅速发展,使用传统集成电路实现神经网络将会耗费大量的硬件资源,忆阻器是一种可与传统集成电路集成的新型器件且可以用于神经网络计算。针对集成电路中静态随机存取存储器的辐射故障问题,设计了一种卷积神经网络,对集成电路辐射效应进行诊断,基于忆阻器对神经网络的运算层进行设计,通过设计的卷积神经网络对集成电路的故障数据集实现了分类诊断。     

面向SAR目标分类的卷积神经网络算法研究

随着合成孔径雷达(aynthetic aperture radar,SAR)成像技术的日益成熟,如何对SAR目标进行高效分类得到了普遍关注。在此背景下,提出了一种面向SAR目标分类的二层卷积神经网络算法。为增强适应性,设计了一种随迭代次数增加而减缓的分数渐变学习率。同时,在损失函数中引入类内、类间相似度量函数,丰富了样本分类特征,提高了分类的准确率。在MSTAR数据集上的测试结果表明:该算法相比于其他分类方法和经典卷积神经网络算法有更高的分类准确率,证明了算法的有效性。     

基于深度学习的DPF故障诊断及应用

针对传统柴油颗粒过滤器(diesel particulate filters, DPF)故障诊断中人工提取特征过程繁杂且特征参数难以表征DPF故障状态的问题,提出基于深度学习的DPF故障诊断方法。通过车载传感器采集发动机转速、DPF压差等5种信号数据,经数据融合后建立压差类、温差类和压差+温差类三类样本数据;利用深度学习特征自提取的优势,提取车辆在不同行驶工况下样本数据中压差或温差表征的DPF故障特征;结合深度学习网络中Softmax多分类器实现端到端的DPF故障诊断。利用GT-Power仿真数据,验证了所提方法的可行性,开发了相应的应用软件。