基于数据驱动的故障诊断方法已被广泛应用于旋转机械零部件故障诊断领域。目前,大多数诊断方法主要依赖于定长数据分割产生的大量数据,但分割的数据通常为短周期的小片段信号,而实际长周期冗余信号由于数据尺度不匹配,无法直接作为测试样本进行故障识别。针对以上不足,提出了一种新的基于数据概率密度与一维卷积神经网络(Data Probability Density and One-Dimensional Convolutional Neural Network,DPD-1DCNN)的故障诊断方法,其具有两个特点①提取信号的密度特征可抵抗数据的冗余;②适应不同长度的冗余信号可作为诊断模型的输入。该方法采用DDS试验台产生的行星齿轮箱故障数据进行了验证;其在保证高诊断精度的同时,又增强了诊断模型的适应性。

旋转机械振动信号具有较强的非线性、非平稳性的特点,互补集合经验模态分解(CEEMD)克服了传统EEMD的缺陷,提供了对信号从粗到精不同尺度的刻画。针对不同尺度对故障特性描述的差异,提出一种基于多尺度加权CEEMD的一维卷积神经网络(1DCNN)故障诊断方法。利用互补集合经验模态将振动信号分解成一系列本征模态函数(IMFs),然后求取各个IMF分量的峭度值,计算各分量峭度所占权重,根据各个分量权重值对信号进行重构。将数据样本划分为训练集、验证集和测试集,将训练集输入到一维卷积神经网络中学习更新网络参数,然后用验证集进行验证得到最优诊断模型,最后利用测试集对诊断模型进行测试。通过电机轴承数据集和齿轮箱数据集两组实验进行了模型验证,诊断精度分别为99.98%和99.73%,表明所提方法能够快速准确地诊断出不同故障类型,并且具有较高的故障...

针对旋转机械监测中无法随时随地查看其运行状态,监测产生的数据量逐渐加大,以及故障特征提取困难的问题,以轴承作为关键部件,提出一种基于云平台的旋转机械轴承监测系统。系统采用温度和加速度传感器、STM32单片机获得轴承监测所需的数据;然后利用窄带物联网完成数据远程传输,并将其存储到云端数据库中;在云平台利用相关时域频域分析对轴承状态进行监测,并利用设计的一种多尺度一维卷积神经网络模型实现轴承的故障诊断;然后由Web浏览器显示轴承的运行状态和故障诊断结果。实验结果表明提出的故障诊断方法诊断准确率高、效果好,系统能够良好地运行。

在滚动轴承故障自动分类的研究中,使用传统的机器学习方法需要通过手动提取特征,因此特征的提取并不充分且自适应性不强。针对以上问题,提出一种一维卷积神经网络(1D CNN)结合XGBoost算法的单通道滚动轴承故障分类模型。该模型结合1D CNN和XGBoost的优势,对采集到的轴承振动信号进行数据集划分;使用训练集对1D CNN进行训练,把训练好的1D CNN模型进行保存并用来实现轴承数据特征的自动提取;将提取的特征数据集代入XGBoost算法中进行训练和分类。为验证所提

针对滚动轴承振动信号典型非平稳性、非线性的特点,提出一种基于小波变换(WT)和一维卷积神经网络(1DCNN)的轴承故障诊断多尺度卷积神经网络方法。通过小波变换对信号进行多尺度分解,然后对每个尺度成分进行重构,将重构后的信号进行傅里叶变换得到频谱表示,并将各尺度幅值数据构造成一维特征向量作为一维卷积神经网络的输入。最后利用一维卷积神经网络对输入数据进行特征学习,得到轴承故障诊断模型。利用滚动轴承的10个状态数据集验证其性能。