为提高滚动轴承故障识别准确率,同时避免繁琐的频谱分析,提出基于GAF与GoogLeNet的轴承故障诊断模型。在实验室中采集滚动轴承正常、内环故障、外环故障和滚动体故障4种工况下的振动信号,利用EMD对振动信号进行分解并提取累积贡献90%的分量;基于重叠采样原理,利用格拉姆算法将选择的EMD分量和原始振动信号处理为二维图片,并构建训练集、校验集和测试集;利用GoogLeNet模型对训练集进行特征学习,并将训练后的GoogLeNet模型用于测试轴承故障样本。结果表明在GAF构建的数据集下,GoogLeNet模型能够使得轴承故障样本被较好地识别。

为了实现经验小波变换中Fourier谱的自适应分割,提出了一种基于能量的尺度空间经验小波变换(Energy Scale Space Empirical Wavelet Transform,ESEWT)方法,并将此方法应用于轴承故障诊断。首先使用尺度空间的方法对傅里叶谱进行自适应划分,得到各频带分界点;接着根据各频带能量筛选频带分界点,使其保留能量大于均值的频带,合并小于均值的相邻频带;然后在得到有效的频带分界点后,设计小波滤波器组,得到分量信号;最后对各分量信号进行Hilbert变换,提取轴承的故障特征频率。通过实验验证,ESEWT方法能够减少频带分界点,在一定程度上改善了频带破裂现象,并且能够精确提取出轴承故障特征频率,凸显了故障频率及其谐波成分,能有效的识别轴承故障。

为了提高轴承在变工况下的故障诊断准确率,提出了融合注意力机制的卷积神经网络诊断方法。分析了卷积神经网络结构工作原理及参数优化方法。给出了注意力机制的实现方法,并将注意力机制融入到卷积神经网络中,帮助卷积神经网络从众多特征中选择对当前任务敏感的深层特征,从而提出了融入注意力机制卷积神经网络的故障诊断方法。明确了融合注意力机制卷积神经网络结构和诊断流程。经过实验验证,在单工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高2.94%;在两工况的变工况下,ATTM-CNN神经网络的识别准确率均值比CNN网络高3.42%,以上数据证明了ATTM-CNN算法具有较高的诊断准确率和较好的泛化能力。

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明:所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

为了提高轴承故障信号的诊断性能,采用小波分析和RBF神经网络相结合的方法对轴承振动信号进行故障分类。首先对轴承振动信号进行小波变化,采用软阈值去噪方法滤除振动信号噪声,然后对振动信号矩阵化处理,接着构建RBF神经网络,输入轴承振动信号特征向量,初始化权重和阈值,最后通过不断反向迭代得到稳定的RBF神经网络故障判别模型。实验证明:通过差异化设置隐藏层神经元数量,确定合适的RBF神经网络规模,经过小波去噪可以有效提高轴承故障判别准确率,相比于常见轴承故障分类算法,算法具有更高的故障判别准确率。

针对故障滚动轴承的振动信号具有非线性、非平稳的特点,提出一种基于时域指标、小波包能量和最小二乘支持向量机(LSSVM)的轴承故障诊断方法。分别对滚动轴承的原始信号进行时域分析计算和小波包分解,并提取状态差异较明显的时域指标和小波包分解后能量差异较大的小波包能量作为故障特征向量;将含有多个特征向量的数据样本分为训练样本和测试样本并进行归一化处理;训练样本作为LSSVM的输入来对该模型进行训练,通过训练好的LSSVM模型对测试样本进行分类和诊断。实验结果表明:采用该方法,轴承状态总体识别率为97.5%。

在强背景噪声干扰下,快速峭度图提取滚动轴承微弱信号故障的特征效果并不明显。将迭代滤波（Iterative Filtering,IF）和快速峭度图相结合用于滚动轴承的微弱故障特征提取。滚动轴承故障振动信号通过迭代滤波进行自适应分解得到一组内禀模态分量,用迭代滤波对强噪声滚动轴承信号进行降噪处理,用快速峭度图构造最优带通滤波器,将滤波后信号的包络谱与轴承故障特征频率进行比较,从而诊断出具体故障。通过仿真和试验验证了所述方法的有效性及优点。

为了解决卷积神经网络权值往往只能随机初始化的问题，提出了一种卷积自编码器。以卷积池化过后的特征为权值，对反卷积核进行叠加，叠加步长为池化时的长度，将信号重构回原信号空间。以原信号与重构信号的差值最小为目标，对卷积核和反卷积核进行优化。进一步，编码特征可以作为新的输入，利用同样的方式进行编码，依次循环，最后给网络加上全连接网络和分类器，用少量带标签样本进行微调，形成具有复杂特征提取能力的深度卷积自编码网络。将该网络用于滚动轴承故障识别，将时域振动信号直接输入网络，在公共数据集——西储大学轴承数据集以及实验室实测数据集上均取得了比传统卷积神经网络要好得多的识别效果，例如在实验室实测数据集上将识别精度从0．799提高到了0．921。将底层提取到的特征通过反卷积核逐层重构，第...

经验模态分解（EMD）方法具有自适应性特点，适用于非平稳、非线性信号的处理。针对轴承故障信号微弱及非平稳的特点，提出了基于经验模态分解结合功率谱的方法来提取轴承故障信号。试验研究中利用电火花加工方法分别在两个轴承上的外圈及滚动体上加工出凹坑，模拟早期剥落故障，并在试验台上获取振动信号。采用传统傅里叶变换方法分别对这些信号进行处理，不能得到有用信息，而采用EMD结合功率谱的方法能有效提取出试验轴承的外圈及滚动体特征频率。对比结果表明了经验模态分解结合功率谱方法对轴承早期故障诊断的有效性。