轴承振动信号的采集过程中难免会受到噪声的影响,使得轴承部分故障特征难以提取。针对此问题,提出一种基于蜣螂算法(DBO)优化变分模态分解(VMD)并与VGG神经网络相结合的轴承故障诊断方法。使用DBO对VMD进行参数寻优,经过优化后的VMD将原始振动信号分解为多个本征模态函数(IMF),通过皮尔逊相关系数选择合适的IMF对信号进行重构;对重构的信号进行连续小波变换(CWT)生成时频图;最后,通过VGG网络进行训练以完成对轴承的故障诊断分类识别。结果表明与其他诊断方法相比,所提方法降噪效果明显,同时对轴承的故障识别准确率达到了100%。

针对滚动轴承振动信号易受外界噪声干扰、传统的故障诊断方法难以提取故障特征以及准确率低等问题,提出一种基于集合经验模态分解(EEMD)和卷积神经网络结合支持向量机(CNN-SVM)的滚动轴承故障诊断方法。利用EEMD算法对原始振动信号进行分解得到本征模态函数(IMF)分量,再由相关系数筛选最佳分量进行信号重构,得到降噪后的振动信号。将重构降噪后的振动信号转换为二维特征图输入卷积神经网络进行训练提取特征。最后将提取到的稀疏代表特征向量输入到支持向量机进行故障分类。实验结果表明所提方法能有效降低噪声干扰,便于提取故障特征,与传统的故障诊断方法相比准确率更高,诊断速度更快。

针对传统卷积神经网络刀具磨损程度识别方法网络模型体积大、结构复杂以及在线获取刀具磨损图像数据难的问题,提出一种将轻量卷积神经网络应用于刀具磨损程度识别的研究方法。将铣刀加工时产生的力信号与振动信号经格拉姆角场处理转化为图像数据集。再将图像数据分别输入到轻量级卷积神经网络MobilenetV2、MobilenetV3、ShuffleNet模型中进行对比分析。结果表明在初期磨损和正常磨损阶段使用MobilenetV2,在急剧磨损阶段使用MobilenetV3对刀具磨损识别效果能够达到最佳。与一般卷积神经网络进行对比表明,轻量化卷积神经网络对刀具磨损识别效果优于一般卷积神经网络。该方法解决了刀具图像数据在线获取困难的问题,增加了信息处理的容错性,能有效减少模型体积和计算量,便于植入嵌入式系统并集成到机床系统中。

针对电静压伺服机构存在的内泄漏难以直接观测且缺乏有效间接检测方法的问题,利用电机运行状态变化与闭式循环液压系统内泄漏之间的关联关系,提出了一种基于电机电流、转速数据的电静压伺服机构内泄漏检测方法。为从运行状态数据中精准提取微弱故障特征,基于深度学习建立了一种能够定向提取数据特征的卷积神经网络算法。经故障植入实验验证,所提方法的内泄漏检测的准确率高达98.7%,从而为解决电静压伺服机构内泄漏检测难题提供了有效方法。

现代飞机系统的复杂度和集成度均大幅提升,使得其故障诊断存在难度高和准确率低等特点。采用一维卷积神经网络方法对军用飞机液压系统的故障诊断问题进行了研究,构建了满足多传感器数据分析要求的卷积神经网络模型。考虑到神经网络的输入来自不同的传感器数据序列,各数据序列之间的空间关系不明显,因此,即使网络输入是二维形式,而实际的卷积操作均在一维上进行。通过解决某飞机液压系统的故障诊断问题,证明将标准化后的多传感器数据序列及对应故障模式作为训练样本对卷积神经网络模型进行训练时,采用满足训练要求的网络对飞机液压系统进行故障诊断时具有较高的准确率。

针对传统滚动轴承退化指标构建方法高度依赖于人工筛选特征的问题,提出基于卷积神经网络的端到端的滚动轴承性能退化指标构建方法。该方法在Softmax的输出端设置两个节点,分别代表正常和失效状态,以正常状态归一化的幅值谱为训练样本,以待评估数据在正常节点输出概率为基础,构建了滚动轴承性能退化指标。通过在不同实验数据集中的应用,以及与其他指标的对比,验证了该方法的有效性和优越性。

由于抗蛇行减振器在服役过程中发生故障会严重威胁到列车的运行安全,提出一种基于卷积神经网络的抗蛇行减振器故障诊断方法。采集的阻尼力信号通过短时傅里叶变换得到时频图谱,并将其划分为训练集和测试集;然后将训练集输入卷积神经网络模型中,进行训练样本信号的特征提取工作,通过前向传播和反向传播方式得到卷积神经网络的具体模型,并通过多次迭代更新网络参数;最后,将训练好的模型用于测试集,获得蛇行减振器故障诊断的准确率。为了验证

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的

齿轮是机械运动中非常重要的零部件,一旦发生损坏将对机械整体造成不可估量的损失,甚至波及人身安全,因此提前预知齿轮的剩余寿命非常重要。随着深度学习的快速发展,可以采用深度学习对齿轮进行剩余使用寿命的预测。卷积神经网络(CNN)具有权值共享和局部感知的优点,但是在处理时间序列上,CNN还有一定的缺陷;门控循环单元(GRU)可以处理时间序列在长距离上依赖不足的问题且结构简单。为了既可以具有权值共享的特点又可以解决时间序列的问题,提出

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。