卷积神经网络和峭度在轴承故障诊断中的应用

针对传统智能诊断方法依靠专家知识和人工提取数据特征工作量大的问题,结合深度学习方法在特征提取和处理大数据方面的优势,研究了一种基于卷积神经网络和振动信号峭度指标的滚动轴承故障诊断方法。该方法将深度学习应用于轴承故障诊断,提取滚动轴承正常状态、内圈故障、外圈故障和滚动体故障4种状态的振动信号,将振动信号分段处理得到峭度指标,使用数据到图像的转换方法将峭度指标转换为灰度图,送入卷积神经网络模型完成故障分类。在进行滚动轴承故障诊断的实验时,所提的模型诊断准确率达到99.5%,高于传统支持向量机(SVM)算法的95.8%。      

基于VMD-CWT和改进CNN的直升机轴承故障诊断

由于直升机自动倾斜器滚动轴承振动信号具有非平稳、非线性特点,并夹杂非敏感故障特征信息,导致网络模型对周期信号过于敏感,不能充分利用故障信息的问题;针对此问题,提出一种变分模态分解(VMD)与连续小波变换(CWT)联合提取敏感故障特征的方法。研究表明:在相同模型训练下,该方法相对其他方法最高可提升模型准确率20.8%。为了解决卷积神经网络(CNN)进一步提高故障识别精度难的问题,提出一种基于K最近邻(KNN)改进的CNN的模型,在课题组和西储大学公开轴承数据集验证,测试精度达到99.8%和100%,可有效实现直升机自动倾斜器滚动轴承的故障诊断。     

基于CWT-CNN的齿轮箱运行故障状态识别

针对传统故障诊断中提取的特征不具有自适应能力、很难匹配特定故障的问题,提出了一种基于连续小波变换（CWT）和二维卷积神经网络（CNN）的齿轮箱故障诊断方法。该方法对齿轮箱故障振动信号采用连续小波变换构造其时频图,以其为输入构建卷积神经网络模型,通过多层卷积池化形成深层分布式故障特征表达。利用反向传播算法调整网络各层的结构参数,使模型建立从信号特征到故障状态之间的准确映射。在不同工况和不同故障状态下的实验中,故障识别准确率达到了99.2%,验证了方法有效性。采用这种自适应学习信号中丰富的信息的方法,可以为故障诊断智能化提供基础。      

基于线调频小波路径追踪阶比循环平稳解调的滚动轴承故障诊断

针对变转速工况下滚动轴承的故障诊断问题,提出一种将线调频小波路径追踪算法与阶比循环平稳解调方法相结合的滚动轴承故障诊断方法.该方法先利用线调频小波路径追踪算法提取轴承的故障特征频率,再根据轴承的故障特征频率对变转速下时域振动信号的包络在角域等角度重采样,并对获取的角域平稳信号进行循环平稳解调,计算得到切片解调谱;最后根据切片解调谱识别滚动轴承故障.仿真分析和应用实例表明:该方法能准确提取变转速工况下滚动轴承的外圈与内圈故障故障特征,提取效果明显优于基于Wigner-Ville峰值跟踪法的包络阶次谱方法.      

基于小波熵的滚动轴承早期微弱故障信息提取

滚动轴承产生早期微弱故障时,故障信息会被淹没在强背景噪声和其他振动源信号中,还会受到低频效应影响,这使得传统的频谱分析很难找到这些被淹没的故障信息。针对这一问题,本文提出一种基于小波熵的故障信息提取技术,首先对测试到的振动信号进行连续小波变换(CWT),获得时间-尺度谱,再计算时频矩阵中每一个尺度下的信号的熵,最后选取熵最小的尺度进行频谱分析。运用该方法对设置了外环故障、内环故障、滚珠故障的三种滚动轴承的振动信号进行了分析,并与传统的傅里叶变换(FFT)和包络解调分析方法进行了对比。分析结果表明,基于小波熵的分析方法能更有效地提取出振动信号中的故障频率信息。最后把该方法应用到某型涡轴发动机的主轴承故障诊断中,成功提取出了故障频率信息,实现了对滚动轴承进行早期故障检测。     

基于双树复小波包变换和SVM的滚动轴承故障诊断方法

针对滚动轴承故障振动信号的非平稳性和现实中难以获得大量典型故障样本的情况,提出一种基于双树复小波包变换和支持向量机（SVM）的故障诊断方法.首先通过双树复小波包变换将非平稳的振动信号分解得到不同频带的分量;然后对每个分量求其能量并归一化处理;最后将从各个频带分量中提取的能量特征参数作为支持向量机的输入来识别滚动轴承的故障类型.对试验台模拟信号（包括滚动轴承的正常状态、外圈裂纹故障、内圈裂纹故障和滚动体点蚀故障）的分析表明:该方法对所测试验信号的故障识别率达到99.5%,对比传统小波包变换与SVM结合的方法,故障识别率的准确度更高.      

一种基于连续小波变换的滚动轴承早期故障诊断新方法

滚动轴承早期失效阶段,特征信号微弱,并且受传递路径衰减及环境噪声影响,故障识别相对困难。针对这一问题,提出一种基于连续小波变换的轴承早期故障诊断方法。对原始信号进行连续小波变换,利用不同尺度小波系数进行信号重构,从而得到相应尺度下的信号分量,为了获取包含尽可能多的故障信息的信号分量,以峭度为指导标准对重构信号分量做合并处理,并利用相关系数准则剔除冗余信号分量,从保留信号分量中筛选出峭度值最大的分量,将其作为最佳分量用于进一步包络解调运算,通过分析包络谱判断轴承的故障类型。利用所述方法处理轴承早期故障仿真及实测信号,均成功提取出微弱特征信息,由此表明该方法可实现滚动轴承早期故障的精确诊断。     

基于小波相邻系数降噪的滚动轴承早期微弱故障时频特征提取

将小波相邻系数降噪与时频小波切片变换（FSWT）相结合用于滚动轴承的早期微弱故障时频特征提取，通过对滚动轴承加速疲劳试验早期微弱故障振动数据进行分析，结果表明:小波相邻系数可以有效降低淹没滚动轴承早期微弱故障特征的背景噪声；时频小波切片变换方法能有效提取出经小波相邻系数降噪后振动信号的时频特征，即滚动轴承发生故障时的特征频率及其谐频成分，验证了所述方法的有效性.此外，通过与谱峭度时频分析结果的对比，证明所述方法更能准确扑捉到滚动轴承发生早期微弱故障时的时频特性，突出了所述方法的优越性.      

基于VMD的自适应复合多尺度模糊熵及其在滚动轴承故障诊断中的应用

提出了一种基于自适应多尺度模糊熵、ILS（迭代拉普拉斯得分）特征选择和粒子群优化支持向量机(PSO-SVM)的滚动轴承故障诊断方法。该方法采用变分模态分解对振动信号进行分解和重构，并计算重构信号的复合多尺度模糊熵；同时采用迭代拉普拉斯得分选择敏感故障特征，并将特征选择结果输入到基于粒子群优化支持向量机的多故障分类器进行识别。将提出的方法应用于滚动轴承试验数据分析。结果表明:该方法对试验数据的故障识别率为100%。并将基于ILS特征选择方法与基于SFS（sequential forward selection）特征选择进行了对比，表明基于SFS特征选择的最高识别率为92.86%，而基于ILS特征选择的故障识别率达到100%。      

转子故障的连续小波尺度谱特征提取新方法

引入图像分析方法,提出了直接从转子故障信号连续小波尺度谱中提取图像纹理特征的新方法.首先,通过转子故障模拟实验台采集了不平衡、不对中、碰摩及油膜涡动等典型故障信号;然后,分析了故障信号尺度谱的差别及所提取出的数字特征对故障的敏感性;最后用结构自适应集成神经网络进行了智能诊断实验,结果表明了本文所提出的尺度谱数字特征对转子故障诊断的有效性.      

基于卷积双向长短期记忆网络的轴承故障尺寸估计

基于振动监测数据的航空发动机滚动轴承损伤大小识别,对于研究滚动轴承故障演化、故障预测和故障诊断具有重要意义。针对传统模型对先验知识依赖性高、特征提取不充分、故障尺寸训练类别有限等问题,提出了一种基于深度学习的滚动轴承损伤尺寸预计方法,能够对训练过程中未出现的中间尺寸进行准确识别。在经典模型的基础上,搭建了一种深度卷积网络与长短期记忆网络组合模型,该模型可对轴承振动信号的多维特征与时序特征进行充分提取,实现轴承故障的智能和高效诊断。最后,利用滚动轴承加速疲劳试验机,进行了多种转速与损伤尺寸下的滚动轴承故障试验,基于试验数据进行了方法的比较,结果表明,该组合网络的在正常和加噪的情况下预测精度分别达到99.94%和98.67%,较单独的深度卷积网络、长短期记忆网络及其他模型精度更高,比较结果充分表明了本文所提方法的优越性。     

基于小波包分析与多核学习的滚动轴承故障诊断

为了更准确地诊断滚动轴承故障,提出了一种基于小波包分析与多核学习的滚动轴承故障诊断方法.该方法首先对振动信号进行3层小波包分解,将振动信号分解为不同频带的信号,提取各频带的相对能量特征,构建特征向量;然后采用多核学习算法从训练样本集中学习核函数与分类器;最后使用训练出的分类器识别滚动轴承故障类型.为了验证方法的有效性,进行了滚动轴承故障诊断实验,实验结果表明该方法的故障诊断准确率达到98.25%,与传统的基于小波包与支持向量机的滚动轴承故障诊断方法相比,其故障诊断准确率更高,同时由于避免了核函数的选择问题,该方法更便于实际应用.      

基于卷积门控循环网络的滚动轴承故障诊断

针对许多基于深度学习的滚动轴承故障诊断方法在小样本数据集下诊断性能下降的问题,提出一种基于卷积门控循环神经网络的轴承故障诊断模型。该模型使用两层的卷积网络来从输入信号中提取特征,同时使用tanh函数作为激活函数,且池化层使用大池化核来进行重叠下采样。将所提取得到的高层特征连接到双向门控循环网络。合并循环网络正向和逆向的最后一个状态,并连接一层全连接层进行输出。选用凯斯西储大学的轴承故障数据集来验证模型在小样本数据集下的诊断性能,实验结果表明,相比于其他类型的模型,该模型在仅有20个训练样本的情况下依然保持97%的识别准确率。      

一种基于Deep-GBM的航空发动机中介轴承故障诊断方法

针对航空发动机中介轴承故障信号难于识别的特点，提出了一种深度梯度提升模型（Deep-GBM）对振动信号特征进行逐层学习以提高分类模型的准确率。开展某型航空发动机中介轴承故障模拟实验，并采用经验模式分解(EMD)方法对采集的振动信号进行分解，提取内蕴模式函数(IMF)分量非线性动力学参数样本熵作为原始故障特征。采用Deep-GBM对中介轴承内环故障、内环和滚动体综合故障、正常、滚棒剥落、滚棒划伤五种不同状态进行识别。实验结果表明，所提出的Deep-GBM故障诊断准确率达到87%，相对于传统的机器学习模型准确率最高提升了28%，并具有良好的泛化能力。      

Fault diagnosis of bearings based on deep separable convolutional neural network and spatial dropout

Bearing pitting, one of the common faults in mechanical systems, is a research hotspot in both academia and industry. Traditional fault diagnosis methods for bearings are based on manual experience with low diagnostic efficiency. This study proposes a novel bearing fault diagnosis method based on deep separable convolution and spatial dropout regularization. Deep separable convolution extracts features from the raw bearing vibration signals, during which a 3 × 1 convolutional kernel with a one-step size selects effective features by adjusting its weights. The similarity pruning process of the channel convolution and point convolution can reduce the number of parameters and calculation quantities by evaluating the size of the weights and removing the feature maps of smaller weights. The spatial dropout regularization method focuses on bearing signal fault features, improving the independence between the bearing signal features and enhancing the robustness of the model. A batch normalization algorithm is added to the convolutional layer for gradient explosion control and network stability improvement. To validate the effectiveness of the proposed method, we collect raw vibration signals from bearings in eight different health states. The experimental results show that the proposed method can effectively distinguish different pitting faults in the bearings with a better accuracy than that of other typical deep learning methods.     

基于一维卷积神经网络和SoftMax分类器的风电机组行星齿轮箱故障检测

将卷积神经网络引入风机故障检测领域,设计了一种一维卷积神经网络的结构,并和SoftMax分类器相结合构造了一种双层智能诊断架构。一维卷积神经网络用于行星齿轮箱数据的特征提取,SoftMax分类器对提取的特征进行分类。与传统智能算法相比,该方法具有训练样本少,可直接使用原始数据训练网络;计算效率高,可以适应实时诊断的需要。试验结果证明,该方法可以有效地诊断出不同工况下的行星齿轮箱中的齿轮故障。     

基于IHT的共振解调技术的滚动轴承故障诊断方法

针对传统解调方法在滚动轴承振动信号故障特征提取中的局限性,在迭代Hilbert变换和共振解调技术基础上,提出了一种新的基于迭代希尔伯特变换(iterated Hilbert transform,简称IHT)的共振解调技术的滚动轴承故障诊断方法.采用IHT将原始振动信号分解为若干个含有故障特征信息的包络幅值分量,然后用共振解调法去除残余的高频干扰噪声并求得各个包络分量的倍频谱,利用轴承理论故障频率与共振解调得到的各倍频进行对比分析,诊断出滚动轴承相应的故障类型.轴承故障实例诊断分析结果表明该方法能有效地提取轴承故障特征.