基于卷积脉冲神经网络的故障诊断方法研究

深度学习为轴承故障诊断的智能化发展提供了新思路。本文从类脑计算角度出发，设计一种对轴承数据敏感的脉冲神经网络来完成故障数据分类任务。首先采用信号分解的方式提高原始信号特征提取效果，然后对故障信号进行脉冲编码，并采用多分量混合输入方式填充时间步作为神经网络的输入，最后采用卷积脉冲神经网络(SCNN)进行故障分类。为了验证该模型的分类效果，采用西储大学轴承数据集进行验证，分类准确率达到了99.78%。结果表明该轴承数据编码方案可以充分发挥脉冲神经网络时空动力学特征，且该脉冲神经网络模型在轴承故障诊断问题上具有高精度、高效率的特性。本研究有利于促进脉冲神经网络在故障诊断领域的研究和应用。     

基于改进卷积神经网络CNND的电主轴轴承故障诊断方法

目的解决深度学习方法在建立电主轴轴承故障诊断模型时出现的过拟合现象,提高电主轴轴承故障诊断准确率.方法提出一种基于改进卷积神经网络的诊断方法 ,该方法在卷积神经网络的训练过程中融入Dropout优化方法 ,使整个故障诊断模型按照一定的比例随机"关闭"隐藏层中的神经元,减少模型在每一次训练过程中所需要调整的参数数量.结果将Dropout优化方法与卷积神经网络相结合所建立的电主轴轴承故障诊断模型是可行的,其平均诊断准确率能够达到99.012%,远高于基于CNN、CNN+L2和BPNN这3种神经网络诊断方法的诊断准确率.卷积神经网络方法相比于传统的"基于信号处理提取到的特征和机器学习模型"方法 ,更适用于电主轴轴承故障诊断.结论提出的CNND方法实现了卷积神经网络与Dropout优化方法的有机结合,对原始数据进行降维处理使模型学习到的特征更利于电主轴故障的分类,同时根据故障数据的特点确定相关参数的初始值,克服一般深度学习方法在进行电主轴故障诊断时出现的过拟合现象,提高诊断准确率.     

基于多头卷积和差分自注意力的小样本故障诊断方法

轴承是工业设备中使用最广泛的旋转部件之一，如果轴承在故障状况下运行较长时间，将会造成巨大的经济损失并威胁人身安全，因此，对轴承故障诊断进行研究具有十分重要的意义。基于深度学习的故障诊断技术目前日趋成熟，但在小样本情况下存在过拟合、效果不稳定、准确率不高等问题。为了解决这类问题，文中提出了一种融合多头卷积（Multi-Head Convolution,MC）的数据嵌入新算法和差分自注意力（Differential Self-Attention,DSA）机制的Transformer变种模型MDT(Multi-Head Convolution and Differential Self-Attention Transformer)，以实现端到端的小样本故障诊断。MC算法对样本进行多路径一维卷积，由多通道输出将样本从一维扩展到二维，通过多个卷积核尺寸提取出原样本中各个频域的丰富故障信息。相较于Transformer中原有的点积自注意力机制，DSA机制通过差分为每个特征求得对应的注意力权重向量，从而可从样本中提取出更为深层次的故障特征。MDT继承了Transformer对于处理序列数据的强大能力...     

采用深度迁移学习与自适应加权的滚动轴承故障诊断

针对滚动轴承目标域数据中额外故障状态样本影响其故障诊断精度的问题，提出了采用深度迁移学习与自适应加权的滚动轴承故障诊断方法。建立特征提取模块，利用深度卷积神经网络将轴承样本映射到高维特征空间；利用迁移学习思想设计加权领域鉴别器，对样本进行自适应加权，并通过在特征空间的对抗训练，增大目标域与源域共有健康状态样本的领域相似性，抑制目标域额外故障状态样本与源域样本的领域相似性增强；依据样本权重，度量目标域与源域样本的相似性，设定阈值将目标域额外故障状态样本标记为未知故障；将源域故障诊断知识迁移到目标域共有健康状态样本的故障识别中。利用齿轮箱轴承数据、凯斯西储大学滚动轴承数据和机车轮对轴承数据对提出的方法进行验证，结果表明：所提方法在3个数据集上均达到89%以上的诊断精度，而对比方法的诊断精度均低于80%。所提方法能够克服额外故障状态样本的影响，有效实现滚动轴承故障诊断。     

基于梯度加权类激活热力图的卷积神经网络故障诊断模型鲁棒性分析

深度学习近年来在故障诊断领域受到广泛应用,但基于深度学习的故障诊断模型缺乏工程上的物理解释性,难以保证其故障诊断结果的稳定性。以轴承为例,建立了以小波时频图像为故障诊断依据的卷积神经网络模型(convolutional neural network, CNN),提出了一种基于梯度加权类激活热力图(gradient-weighted class activation map, Grad-CAM)的网络模型鲁棒性分析方法,并利用美国凯斯西储大学(Case Western Reserve University, CWRU)轴承数据集进行验证。首先,将故障直径轴承数据以不同方式混合并训练大、小多个模型。其次,利用Grad-CAM方法,建立时频区域与故障模式之间的联系。最后,利用其他工况下的轴承故障数据,以及含噪数据进行测试,并根据结果结合模型最注重的时频区域进行分析。结果表明,基于深度学习的轴承故障诊断模型在参数较少时更加注重低频区域,并能使其具有更好的鲁棒性。     

基于FSK-CNN的轴承故障诊断研究

在旋转机械设备的运维保障过程中，采用基于专家经验的传统故障检测方法难以对轴承的健康状态做出实时的状态检测。针对这一问题，本文提出一种基于快速谱峭度与卷积神经网络（FSK-CNN）的故障诊断方法。首先采用快速谱峭度（FSK）法对振动信号进行特征提取，将一维时域信号转化为二维的谱峭度图；之后，采用一种结合卷积注意力模块（CBAM）的卷积神经网络模型完成故障分类。试验结果表明，快速谱峭度法可以有效提取轴承振动信号故障特征，引入卷积注意力模块对传统卷积神经网络模型具有明显的优化作用，FSK-CNN的故障诊断方法对于10种不同的轴承故障类型的诊断准确率可以达到99%。     

基于多输入卷积神经网络的轴承故障诊断方法

为了解决现有轴承故障诊断方法提取特征能力不足的问题,提出了一种基于多输入卷积神经网络的诊断方法。首先对原始的轴承一维振动信号分别通过短时傅里叶变换(STFT)和连续小波变换(CWT)转换为两种时频域图像信号;然后将两种时频图像输入到相应的具有不同卷积网络结构的特征提取层进行特征提取;最后将提取的故障特征图进行叠加后输入到分类层实现故障分类。采用t-分布随机邻域嵌入算法(t-SNE)对所提方法的特征提取效果进行了可视化分析。结果表明,与传统的轴承故障诊断方法相比,所提方法具有更强的故障特征提取能力且故障分类准确率达到了99.6%。     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法.该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后...     

基于WGAN和CNN的轴承故障诊断研究

轴承作为机械系统的关键部件,可以解析出整个机械系统的故障信息和健康状态,提出一种基于改进生成对抗网络和卷积神经网络的轴承故障诊断方法.首先通过小波变换将一维轴承振动数据转换为二维时频图像数据;然后经设计的改进生成对抗网络训练轴承的二维图像数据,将达到纳什平衡后生成的数据补充到原始数据中增加轴承样本数据;最后将扩充完成的数据集输入卷积神经网络进行训练.测试结果显示轴承故障诊断平均准确率达94%,验证了故障数据不充足时该方法用于轴承故障诊断的可行性.     

基于改进型深度网络数据融合的滚动轴承故障识别

针对传统智能诊断方法依赖于信号处理和故障诊断经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合softmax分类器,针对数据集不平衡问题引入加权损失函数、正则化以及批量归一化等模型优化技术搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。模型从原始实测轴承振动信号出发逐层学习实现特征提取与目标分类。实验结果表明,优化后的深度学习模型可实现对早期微弱故障、不同程度故障的精确识别,在不平衡数据集上也可达到95%的识别准确率,并且模型拥有较快的收敛速度和较强的泛化能力。     

基于GAF和卷积神经网络的轴承故障诊断研究

针对深度学习在轴承故障诊断中出现的多分类时测试准确率低、数据集不足的情况,提出基于格拉姆角场(GAF)法和卷积神经网络(CNN)的轴承故障诊断模型以及采用重叠采样20%的方法扩充数据集。通过对轴承振动信号采用格拉姆角场法变换构建数据集,导入到搭建的六层卷积神经网络中实现故障分类。在搭建的CNN中测试了不同的轴承数据集以及不同数据长度下的测试准确率和抗噪性能。结果表明,在不同数据集的测试中,所搭建的模型最高测试准确率可达100%,搭建的CNN有着良好的性能,在多分类问题上具有较高的精度;扩充数据集的方法具有一定的可行性,可以有效提升模型的测试性能。     

多通道卷积神经网络图像识别方法

为了更好地利用图像数据中隐含的特征信息,将多方向梯度信息作为边缘信息的基本表达,提出了一种基于图像梯度的多通道卷积神经网络图像识别方法。先将图像进行Sobel算子处理,得到水平方向、垂直方向及两个对角方向的4个梯度图像。然后,建立4个多层卷积神经网络,学习4个不同方向梯度图像的特征。再将4个不同方向的特征进行随机化特征融合,得到样本的特征后经过批标准化处理。最后,通过分类器得到分类结果。在数据库Cifar-10和MNIST上进行了验证,验证结果表明:本文提出的模型具有较好的泛化能力,相比单通道卷积神经网络,在两个数据库中识别错误率分别降低了9.85%和0.38%。     

基于改进GAN的水力测功器轴承故障在线诊断方法

基于数据驱动的轴承故障诊断方法已成为轴承故障诊断领域研究的重点,但由于水力测功器轴承故障情况极少,导致基于数据驱动的轴承故障诊断准确率低。针对上述问题,本文提出了一种基于改进生成对抗神经网络（Generative Adversarial Networks）的水力测功器轴承故障在线诊断方法,首先对生GAN训练方法进行改进,用改进的GAN交替训练判别器和生成器学习原始数据的分布特性,建立了水力测功器轴承故障数据增强模型得到合成数据。然后结合原始数据和合成数据训练得到基于SVM的轴承故障诊断模型。最后采用该轴承故障诊断模型实现水力测功器轴承故障在线诊断。仿真结果表明,所提出的故障在线诊断方法通过改进GAN增强训练极大提升了轴承故障诊断的实时准确率,并具有抗噪声干扰性强的特点。     

基于卷积神经网络的大容量汉语孤立字语音识别方法

使用录音设备对1 605个常用汉字进行录音,得到920个孤立字发音、3 680个非特定人的语音样本库.采用语音语谱图作为汉语单字语音识别的特征,构建了6层卷积神经网络应用于模型库的语音识别.通过深度学习方法对语音样本进行了训练和识别.实验结果表明,所构造的20-40-3500结构的卷积神经网络模型对语音样本库具有最好的识别效果,对测试样本的识别率达到97.87%,对全部样本的识别率达到99.32%.     

基于卷积神经网络的抽油机故障诊断

抽油机故障诊断对于保障油气田的稳定运行至关重要。针对已有基于深度学习的故障诊断模型参数量大导致应用范围受限的问题,提出一种基于空洞卷积和惩罚机制的卷积神经网络模型。该模型在浅层神经网络部署不同空洞卷积率的空洞残差模块,高效获取示功图轮廓特征的同时降低了模型参数量。其次,将惩罚机制融入Softmax损失函数,增强模型诊断气体影响等难分样本的故障准确率。采用抽油机实况数据集进行实验验证,结果表明该模型参数量为0.94 M,浮点型计算量为165.24 M。与MobileNetV3相比,改进后的算法模型在准确率同为96.6%的前提下参数量减少了3.30 M,浮点型计算量减少了52.22 M,更易部署在资源受限的故障诊断平台。     

基于无监督迁移学习的核范数最大化轴承故障诊断方法

针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning, TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks, SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy, MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization, FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明：所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。     

变负载轴承故障诊断卷积神经网络模型

针对轴承故障在实际环境中存在负载变化导致故障难以诊断的问题,提出一种基于一维卷积神经网络的变负载适应轴承故障诊断模型,卷积结构使用小卷积核卷积层堆叠的形式,训练时对输入层进行均匀分布失活率的随机失活,以提高网络的变负载适应能力,且采用全局平均池化降低模型计算量和减轻过拟合程度;在实验验证阶段,提出以两种近邻负载条件的轴承数据构成变负载数据集,充分验证轴承故障诊断的变负载适应性。实验结果表明:本文模型在各测试集均能达到96%以上的准确率且平均准确率达到98.36%,能够在变负载环境下实现准确、稳定的轴承故障诊断,具有良好的泛化能力。     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。     

基于网格搜索与支持向量机的轴承故障诊断

针对轴承故障诊断问题,提出一种基于相关度分析与网格搜索算法(GS)优化支持向量机(SVM)的轴承故障诊断方法。采用GS算法对SVM的惩罚参数c和核函数参数g进行寻优,以此建立分类器用于识别轴承故障类型。在模型建立方面巧妙地加入了分层的思想,通过相关度分析之后采用多层GS-SVM模型使轴承的故障诊断准确率相对于近年来的研究得到了明显的提升。最后,采用凯斯西储大学轴承数据中心的滚动轴承故障数据进行了分类识别实验。实验表明,研究提出的轴承故障诊断方法在直接作用于原信号的基础上不仅能够有效的识别轴承正常状态、内圈故障、外圈故障以及滚珠故障,而且还对每一类故障的严重程度有很好的区分,提高了故障类样本的诊断正确率,具有较强的实用性。     

基于频域降采样和CNN的轴承故障诊断方法

在工业领域,设备运行过程中采集的原始故障信号具有强噪声以及多工况的特点,现有的基于数据的轴承故障诊断模型的抗噪能力与泛化能力相对较弱。针对以上问题,提出一种基于频域降采样(down-sampling)和卷积神经网络(CNN)的轴承故障诊断方法 Ds-CNN。频域降采样包含最大偏移降采样和噪声横截断两个部分,可以实现样本增强,降低样本在频域的差异性,同时减弱噪声对频域信号的影响。基于频域信号建立的CNN模型能够自动提取降采样后频域信号的故障特征,并完成对轴承故障的识别分类。实验结果表明,在强噪声环境和多工况条件下,与目前常用模型相比, Ds-CNN具有更高的识别准确率。