基于蚁群SVDD和聚类方法的旋转机械故障诊断

摘要：
针对典型故障样本缺乏而使常规机器学习方法无法直接应用的难题,提出了一个基于支持向量数据描述（SVDD）新异类检测与基于Davies Bouldin指数（DBI）的K均值聚类方法相结合的旋转机械故障诊断框架.首先,针对正常状态样本建立SVDD模型,并利用蚁群算法对SVDD模型参数进行优化;然后,当拒绝样本数目累积到设定的阈值时,利用K均值聚类方法对其进行处理而获得能够进行标记的类别,其中,K均值聚类的类型数目由DBI辅助确定;最后,针对所标记的各类样本,分别建立SVDD模型并进行训练,将SVDD分类器按照二叉树形式构建系统状态的完整诊断模型.同时,利用滚动轴承多故障模式样本进行训练测试,以验证所提出算法的有效性.结果表明,所提出算法的训练速度为常规网格搜索算法的近10倍,DBI能够有效确定聚类的数目,对样本状态的识别率达到100%. 关键词：
蚁群支持向量数据描述; K均值聚类; Davies Bouldin指数; 旋转机械; 故障诊断 中图分类号： TP 183
文献标志码： A     

基于HHO-CNN的轴承故障诊断方法研究

轴承是传动系统重要的支撑部件,也是整个系统的薄弱环节,卷积神经网络(convolutional neural network, CNN)强大的特征提取和学习能力为轴承运行状态模式识别提供了可能性.针对CNN处理多分类模式识别过程中,由超参数问题引起的准确率低、收敛速度慢等问题,提出了一种基于哈里斯鹰优化(Harris hawks optimization, HHO)算法优化的CNN分类模型.首先,对不同故障类型和故障程度轴承故障数据集进行划分,初始化CNN模型参数;然后,使用HHO算法对CNN模型的超参数空间进行优化,计算适应度值并获取全连接层的单元数量和迭代次数;最后,利用优化后的CNN模型对轴承数据集进行模式识别.通过不同故障类型和故障程度轴承实验数据验证,表明HHO-CNN模型可以使得全连接层的单元数量和迭代次数迅速收敛,及时准确调整CNN的网络参数,提升分类器的性能,提高了故障模式识别准确性,增强了模型的稳定性.     

基于神经网络的轴承故障诊断方法

研究了基于神经网络的轴承故障诊断方法,应用于球轴承、圆锥轴承和圆柱轴承在轴承疲劳试验机上实际运行产生的各种真实故障的诊断,结果表明:该方法具有较好的效果。     

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.     

基于模型和故障树的飞机故障诊断方法研究

随着科技的进步,航空工业迅速发展,大量高科技机载设备的使用大大增强了飞机的性能,但同时也增加了系统的复杂性和设备之间的耦合度,进一步增加了飞机系统故障诊断的难度。单一的故障诊断方法由于其局限性,很难满足复杂装备的诊断需求,因此,不同故障诊断方法相互融合的综合故障诊断技术成为航空领域研究的热点。本文针对飞机外场排故的实际需求,提出了基于模型和故障树的故障诊断方法,其原理是,根据外场模块化排故的特点和飞机设计知识,建立以LRU(外场可更换单元)为对象的飞机物理模型(基于LRU的简化飞机系统模型),描述针对特定功能的系统结构、行为和功能,再针对LRU建立故障事件,根据LRU之间的连接关系分析故障事件之间的逻辑关系,建立故障的传播路径,通过树的合成算法,生成系统故障树模型。在故障诊断时,通过物理模型和故障树的相互配合进行故障诊断,基本思想是,将物理模型作为故障观察窗口,比较系统在正常情况下的预期行为和实际行为之间的差异,判断故障事件是否发生,利用故障树的逻辑关系进行推理,再将推理过程在物理模型上进行直观展示,模拟LRU之间的故障传播,确定疑似故障件。基于上诉方法,利用Dorado平台和G2开发系统开发了基于模型和故障树的飞机外场故障诊断系统,并结合某型号飞机的刹车系统对该故障诊断方法进行了验证。     

基于黎曼流形的轴承故障诊断方法

为解决传统流形学习方法在轴承数据的非欧氏空间中特征提取时的不佳表现,提出引入黎曼流形学习方法.在黎曼流形的框架下,利用原始数据集构造出黎曼流形,并基于此流形提出了黎曼图嵌入特征提取方法,通过对局部结构编码实现初步降维.然后,在低维黎曼流形的基础上融合主成分分析算法(PCA:Principal Components Analysis)和线性判别分析算法(LDA:Linear Discriminant Analysis)设计分类器并对轴承数据进行了聚类.最后,通过在两个轴承数据集上的实验,分析了该方法提取特征的能力.实验结果表明,与现有的故障诊断方法相比,该方法具有较强的故障诊断能力.     

基于轴承故障诊断的软刚臂模型实验设计研究

针对软刚臂上铰点推力滚子轴承的故障信号易被其他信号干扰的问题,提出了最小熵解卷积(MED)理论,并以明珠号FPSO系泊腿推力滚子轴承为研究对象,设计了大比尺模型实验,模型实验包括单点平台、软刚臂、系泊支架3个部分.试验中,六自由度平台代替浮体做艏摇运动,通过完好的推力滚子轴承与故障的推力滚子轴承加速度信号做比较,对轴承...     

基于特征熵和优化SVM的轴承故障诊断方法

为了对轴承的故障进行有效的识别,提出基于特征熵和优化支持向量机的轴承故障识别新方法.利用EMD分解信号提取分解信号的能量熵,由于这些熵值之间冗余信息较为严重,因此选用主成分分析对这些熵信息进行约简,提取最有效的特征信息,作为支持向量机模型的输入.通过粒子群优化选取最优决策树构造最佳的支持向量机分类模型进行状态的识别和判定,提高了分类的精确度.通过一个滚动轴承的实例说明方法的有效性和准确性.     

基于多维缩放和随机森林的轴承故障诊断方法

为快速准确识别轴承的运行状态,提出了一种基于多维缩放和随机森林的轴承故障诊断方法。该方法采用函数型数据分析,得到轴承振动信号自相关函数的拟合系数,构造故障特征集;使用网格搜索法优化随机森林参数,得到特征重要性排序;然后使用多维缩放方法对特征选择后的故障特征集进行降维;最后采用随机森林对降维后的故障特征进行诊断识别。为验证所提方法的有效性,开展了正常、内圈故障、外圈故障、滚子故障状态下的轴承振动实验,结果表明,函数型数据分析的特征提取方式能有效表征不同状态轴承振动信号的不同特征,与t分布随机邻域嵌入和主分量分析方法相比,多维缩放方法具有更高的类间距和类内距的比值,且优势明显,各类状态的诊断准确率均高达100%,较使用原始特征集的随机森林平均准确率提高了5%。     

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。     

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。     

基于模型和故障树的飞机故障诊断方法

针对飞机外场排故的实际需求,提出了基于模型和故障树的故障诊断方法,其原理是,根据外场模块化排故的特点和飞机设计知识,建立以LRU(外场可更换单元)为对象的飞机物理模型(基于LRU的简化飞机系统模型),描述针对特定功能的系统结构、行为和功能,再针对LRU建立故障事件,根据LRU之间的连接关系分析故障事件之间的逻辑关系,建立故障的传播路径,通过树的合成算法,生成系统故障树模型。在故障诊断时,通过物理模型和故障树的相互配合进行故障诊断,基本思想是,将物理模型作为故障观察窗口,比较系统在正常情况下的预期行为和实际行为之间的差异,判断故障事件是否发生,利用故障树的逻辑关系进行推理,再将推理过程在物理模型上进行直观展示,模拟LRU之间的故障传播,确定疑似故障件。基于上述方法,利用Dorado平台和G2开发系统开发了基于模型和故障树的飞机外场故障诊断系统,并结合某型号飞机的刹车系统对该故障诊断方法进行了验证。     

基于迁移学习的小样本轴承故障诊断方法研究

针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量。采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象。将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布。在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1%目标域训练集数据进行微调时,所使用的方法获得了92.25%的平均分类准确率。所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值。     

轴承疲劳故障诊断方法的实验研究

基于多组轴承实际运行状态的监测实验，对信号变化特征作了全面描述，弥补了依据模拟故障试验的不足．通过多方面的分析、比较，得出了一套用于滚动轴承疲劳故障在线监测和诊断的有效方法．     

基于PF能量特征和SVM的变速箱轴承故障诊断方法

内圈点蚀、外圈压痕是变速箱滚动轴承常见典型故障,为实现其快速、准确诊断,提出基于局部均值分解(Local mean decomposition,简称LMD)的PF(Product Function)分量能量特征和支持向量机(Support Vector Machine,简称SVM)相结合的变速箱滚动轴承诊断方法.将采集的振动信号进行LMD局部均值分解,获得若干个PF分量,并以计算的PF分量的能量熵作为特征量输入支持向量机,进行滚动轴承的故障类型的识别.通过对滚动轴承正常状态、内圈点蚀故障和外圈压痕故障的诊断效果对比分析表明,相对于基于神经网络的轴承故障诊断方法,基于PF分量能量特征和支持向量机的诊断方法有着更高的故障识别率.     

基于卷积神经网络的轴承故障诊断研究

针对复杂工况下的采煤机摇臂轴承故障诊断,以经典AlexNet为基础,为适应一维时域信号,采用滑窗法,以滑窗长度150 ms,移动步长120 ms构建样本,建立一种由池化层和多级交替卷积层组成的轴承故障诊断模型1CNN,可完成原始输入信号特征的自适应提取,并通过全连接层分类识别轴承故障.为验证1CNN模型故障诊断率,利用...     

基于小波分析的轴承故障诊断研究

提出了基于正交变换的滚动轴承故障诊断新方法。利用正交小波基将滚动轴承故障信号变换到时间 -频率域 ,通过小波重构信号的希尔波特变换解调和包络谱分析 ,对轴承的故障进行了有效的诊断。文中实例证明 ,小波变换对处理非平稳信号具有很好的应用效果     

基于能量差值和GA-LIBSVM的电机轴承故障诊断研究

为了解决传统能量谱算法应用于电机轴承故障诊断时仅能表示某一尺度内,而不能显示相邻尺度间故障特征变换趋势的缺陷,提出一种将能量谱、能量差值和遗传算法优化的支持向量机(GA-LIBSVM)相结合的电机轴承故障诊断方法。首先利用小波包将提取到的信号进行去噪处理和频段分解,依据分解出的不同频率信号分量计算出其相对能量谱和能量差值;其次通过遗传算法优化支持向量机形成GA-LIBSVM模型;最终将相对能量谱和能量差值作为特征参数输入到GA-LIBSVM模型中进行识别。实验结果表明,文章中方法的故障诊断率高达95. 5%,其能够有效提高电机轴承的故障诊断率。