针对一维滚动轴承振动信号输入神经网络无法保留原始振动信号的时域信息、易受强噪声干扰和胶囊网络分类精度不高的问题,提出一种基于MTFSK-CapsNet滚动轴承故障诊断方法。构建基于马尔可夫变换场和改进胶囊网络的轴承故障诊断模型,利用MTF对原始振动信号进行重新编码,保留振动信号的时频序列。通过改进后具有更强特征提取能力的选择核网络进行初步特征提取。引入改进后的胶囊网络进行特征集合的二次提取,并使用Softmax分类器完成对故障特征的分类。最后,为了验证模型的性能,在凯斯西储大学和实验室轴承数据集上进行了测试。结果表明该方法在两个轴承数据集上都具有较高的准确率,证明该模型具有较好的泛化能力和抗噪能力。

液压泵作为液压系统中的主要动力提供者,其内部若发生故障,将对液压系统运行稳定性和可靠性产生威胁。针对其在多故障模式下的故障程度诊断问题,提出一种将深度神经网络(Deep Neural Network,DNN)与胶囊网络(Capsule Network,CapsNet)相结合的液压泵故障程度诊断方法。首先,采用DNN网络替换胶囊网络中的特征提取层来充分挖掘液压泵故障数据中的关键特征;其次,利用胶囊网络数字胶囊层中的动态路由算法更新模型参数;最后,计算输出层输出向量模长实现对液压泵多故障模式下故障程度的准确识别。通过搭建液压泵数字孪生体采集压力故障数据来进行实验。结果表明:相比于传统深度神经网络、胶囊网络,该方法对于液压泵故障程度诊断的准确率达到99.67%。