一、滚动轴承故障特征信息的自动提取方法研究（论文文献综述）
赵孝礼[1]（2021）在《基于图嵌入自编码的滚动轴承故障诊断方法研究》文中进行了进一步梳理滚动轴承作为旋转机械系统最为常见的零部件之一,被广泛应用于航空、航天、智能制造、交通运输、石油化工等诸多工业领域,承担着支撑、固定、导向或降低摩损等作用,被称之为“工业关节”。因此,对旋转机械核心部件如滚动轴承等进行有效的健康监测与故障诊断,对于保障机械设备安全稳定的运行有着积极的研究意义。随着测量、传感、计算等技术飞速发展,测量的工业数据呈现出高维、海量的分布现状,带来了“维数灾难”、类别不平衡、有标记信息短缺、有价值信息稀疏、无标记等工业问题。为此,数据驱动型的滚动轴承故障诊断方法应运而生,该类方法可从大量的工业数据中挖掘出有效、有价值的健康监测与故障诊断信息。近年来,深度学习已成为数据驱动型滚动轴承故障诊断领域广泛流行的方法之一,尤其是自编码（Auto-encoder,AE）模型,该类模型可自动地学习到潜藏在高维数据的多层敏感特征信息,从而提升分类、聚类或预测的准确性。然而,由于深度学习参数较多,训练样本与标记信息需求量过大,导致其训练过程比较复杂。与此同时,传统深度学习模型在面对新样本、标签少、类别不平衡、无标记等工业场景时比较困难,需要引入一种更为强大的数据驱动型故障诊断技术。图嵌入自编码作为一种新型的图神经网络,它能将图谱理论与深度学习很好的结合在一起,通过建立的图谱关系提取出数据的局部、判别、稀疏等结构信息,以此来辅助不同的工业任务。综上,本论文将图嵌入自编码理论引入到滚动轴承故障诊断领域,针对轴承故障诊断所存在的现实问题,开展了如下几个方面的研究工作:（1）以自编码为基础,从正则化自编码原理出发,结合拉普拉斯局部图嵌入,提出了深度拉普拉斯自编码（Deep Laplacian auto-encoder,DLap AE）算法。该算法是将拉普拉斯局部图嵌入到自编码模型形成拉普拉斯自编码,然后再堆栈多层拉普拉斯自编码构成DLap AE算法。在此基础上,针对轴承健康数据类别不平衡的问题,提出了基于DLap AE的滚动轴承故障特征提取方法。首先,该方法通过拉普拉斯局部图改进了自编码模型对类别不平衡数据的流形平滑与特征提取的性能;然后将所提取的敏感特征输入到分类器进行故障诊断与识别。实验轴承数据验证了该类别不平衡诊断方法的可行性。实验结果表明:该方法提高了类别不平衡健康数据的特征提取性能与故障诊断精度。（2）以稀疏自编码模型为基础,从半监督化的稀疏自编码原理出发,结合局部-非局部图嵌入与半监督学习,提出了半监督深度稀疏自编码（Semi-supervised deep sparse auto-encoder,SSDSAE）算法。该算法主要是利用局部与非局部图嵌入约束矩阵描述数据的无标记信息,然后再利用加权交叉熵定义数据的有标记信息,结合半监督学习实现了有标记信息与无标记信息的联合优化。在SSDSAE基础上,针对有标记样本少的问题,提出了基于SSDSAE的滚动轴承故障特征提取方法。首先,将采集到的振动频谱信号输入到SSDSAE算法进行特征提取,再将所提取的稀疏判别特征输入到反向传播分类器进行诊断与识别。基于滚动轴承实验数据的分析说明了提出方法的先进性。分析结果表明:相比其他半监督学习,该方法能充分利用故障数据的有标记与无标记信息,所提取的故障特征可分性更强,诊断结果更稳定。（3）以压缩自编码为研究基础,从稀疏化压缩自编码原理出发,结合稀疏图嵌入与同伦正则化,提出了自适应稀疏压缩自动编码（Adaptive sparse contrative auto-encoder,ASCAE）算法。该算法利用稀疏图嵌入实现压缩自编码的稀疏化性能提升,然后再利用同伦正则化实现核心参数的自适应优化。进一步的,为了克服滚动轴承数据中有价值信息稀疏的缺陷,提出了基于自适应压缩自编码结合优化无监督极限学习机（ASCAE-OUSELM）的滚动轴承故障诊断方法。该方法首先将轴承的振动频谱信号输入到ASCAE模型实现多层敏感特征的提取,再将所提取的特征输入到OUSELM分类器进行无监督的故障诊断与分离。滚动轴承实验数据验证了该方法的有效性与自适应性。实验结果表明:该方法实现了诊断模型的参数自适应优化,提高了诊断的自动化程度。（4）以极限学习机-自编码为研究基础,从无监督化的极限学习机-自编码原理出发,结合多阶图嵌入与无监督学习,提出了多阶图嵌入深度极限学习机-自编码（MGDELM-AE）算法。然后,再结合模糊C聚类（FCM）,提出了基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法,实现了滚动轴承的智能故障诊断。该方法的MGDELM-AE算法可利用柯西图嵌入的一阶接近度提取振动信号的局部结构信息,同时利用二阶接近度挖掘振动信号的全局结构信息实现了无监督的特征提取,然后将所提取的特征输入到FCM进行无监督故障聚类。轴承实测数据验证了该方法的高效性。分析结果表明:与其他相关方法相比,MGDELM-AE模型取得了具有一定竞争力的快速、精确的诊断效果。（5）通过轴承故障模拟实验与工业石化现场轴承数据对上述研究方法进行了应用性的验证。首先介绍了转子-轴承系统综合故障实验台的实验概况,然后分别通过上述四种故障诊断方法（即DLap AE、SSDSAE、ASCAE-OUSELM、MGDELM-AE）对实验数据与工程数据进行了分析与讨论。分析结果表明:四种诊断方法的有效性及其不同的适用场景都得到了进一步的验证与补充,DLap AE适用于健康数据类别不平衡的诊断、SSDSAE适用于类别标记少的诊断、ASCAE-OUSELM与MGDELM-AE适用于无监督故障诊断。
师诗[2]（2021）在《基于深度自编码神经网络的滚动轴承故障诊断方法研究》文中研究指明随着工业化的快速发展,保证机械特别是大型旋转机械的正常有序运行,对工业生产和生活起着至关重要的作用。滚动轴承是许多大型旋转机械的关键部件,旋转机械的长期安全运行与滚动轴承的稳定性密切相关。因此,研究针对于滚动轴承的故障诊断方法具有十分重要的意义。大数据时代以来,传统的故障诊断方法需要大量的人工处理过程,已经无法顺应大数据时代的发展要求。由于可以从原始数据中自动提取特征的优势,深度学习在机械故障诊断领域得到了越来越多的青睐。然而,深度学习暴露出参数选择困难、训练困难以及训练时间长的问题,因此很难训练出泛化性好、精度高的深度学习模型。为了解决这些问题,本文提出了一种基于改进的深度堆栈自编码神经网络（DSAE）的故障诊断模型。为了对DSAE网络模型的超参数设置对模型性能的影响进行研究,本文构建了振动仿真信号对网络中各类超参数设置了对比实验,通过学习率、训练时间以及误差收敛曲线等对性能进行了衡量。并针对DSAE网络对大样本的需要,而传统的时频预处理方法处理时间较长的问题,提出了一种新的数据预处理方案,其可以在较短时间内提取数据的复合信息。确定了基于DSAE的故障诊断模型基本框架。神经网络的性能在很大程度上取决于它的模型结构和相应的学习优化算法。针对深度自编码神经网络（DSAE）在微调过程中受内部协变量迁移导致梯度传递缓慢问题,基于批量归一化（BN）算法在DSAE网络微调阶段加入自适应平衡处理层对编码层的输入进行正则化处理,以自适应地纠正特征空间以提升训练效果。在DSAE网络中,针对基于梯度算法的固定学习率导致网络参数更新缓慢且适应度不够的问题,本文对比了各个基于梯度的优化算法,选定有自适应学习率的Adam算法对网络进行学习。并针对Adam算法中矩估计的指数衰减速率的设定问题,用自适应机制对Adam算法进行了改进,使得此新增超参数可以实现自适应变化。然后用改进的Adam算法优化了BN-DSAE网络的权重分布。为检验所提方法的有效性,在MATLAB平台上分别将改进的BN-DSAE网络、改进带自适应机制的Adam算法以及最终提出的BN-DSBAE故障诊断框架在电机滚动轴承数据集上进行了验证,并与DSAE以及常见的学习分类算法BP以及SVM进行对比,实验结果验证了所提方法在分类准确度以及损失值方面均使得DSAE网络有效的提升,经过优化后的DSAE框架也优于其它深度学习方法和传统的机器学习方法。
陈晶城[3]（2021）在《基于深度学习的旋转机械智能故障诊断算法研究》文中进行了进一步梳理随着工业大数据时代的到来,故障预测与健康管理（PHM）技术得到迅速发展,故障诊断技术作为PHM的核心理念之一,在机械设备智能维修中占据重要的位置。旋转机械是最常见工业机械设备,准确可靠地对其作出监测诊断,对于保障设备运行安全、提高生产效率及节省维修成本具有重要意义。本文以旋转机械中的滚动轴承和齿轮作为核心研究对象,以深度学习技术作为核心研究方法,基于现有方法的不足,从卷积神经网络、全卷积降噪自编码器以及多信号源融合三个方面深入研究了基于深度学习的旋转机械智能故障诊断算法。论文首先详细介绍了基于特征工程、机器学习和深度学习三个故障诊断研究分支的国内外现状,指出基于深度学习的诊断方法是工业大数据时代的研究趋势。研究了滚动轴承和齿轮两种典型旋转机械核心零部件的振动机理,分别探讨了两种元件的基本结构、失效形式、失效特点及原因,并进一步分析了其振动机理和故障特征频率,为后面的智能诊断算法奠定基础。针对传统信号处理结合人工分析方法以及特征提取结合模式识别的方法的不足,构建了基于一维深度卷积神经网络（1D-CNN）的故障诊断算法模型,在给出其基本理论后,基于实验采集的旋转机械故障数据集,探讨了样本长度、批大小、优化算法等对网络的影响,并与传统算法的进行了对比实验,验证了深度学习算法的诊断优越性。针对噪声覆盖故障特征使得许多诊断方法的性能恶化以及现有深度学习方法无法很好地兼顾强弱故障特征两种不足,提出一种基于残差空洞金字塔网络和全卷积降噪自编码器（RDPN-FCDAE）的旋转机械智能故障诊断算法。该方法构建了一个深度二阶RDPN-FCDAE模型,分为编码、解码和分类网络三个部分。为了有效表达编码网络的数据去噪特征,将小波时频图像输入编解码网络进行无监督预训练,然后将预训练好的编码网络和分类网络相结合,进行参数微调。将该方法应用于实验台采集的数据集进行验证,通过与其它方法进行比较,结果表明,该算法在诊断精度、噪声鲁棒性和特征分割能力等方面均优于其他方法。针对单一信号源故障诊断精度较低且可靠度低的问题,提出了一种基于多信号源信息流重组和特征序列注意力融合的故障诊断网络模型（IFR-FSAFNet）。首先,提出了多信号源信息流重组（IFR）机制,有效解决了网络分支之间的信息通信问题。其次,设计了特征序列注意力融合（FSAF）方案,该方案自适应融合了与多个特征序列信息。基于实验台采集的两个旋转机械数据集,验证了该方法在较少参数的情况下诊断结果更准确可靠,将该方法与其它几种文献方法进行了对比,表现出更大的诊断优势,并且该模型在跨噪声适应能力方面更具竞争力。本文提出的方法不仅适用于滚动轴承和齿轮的故障诊断任务,也可以应用于其它旋转机械零部件设备的故障诊断任务。
彭勃[4]（2021）在《基于遗传编程的滚动轴承故障诊断方法研究》文中进行了进一步梳理滚动轴承是旋转机械中不可或缺的重要部件,其服役状态会影响整个设备的运行。开展滚动轴承故障诊断技术研究,对于保证旋转机械设备安全稳定运行具有重大意义。传统滚动轴承故障诊断方法的设计性和专属性较强而智能性和适应性较弱。因此,探索一种能根据滚动轴承监测信号自适应完成故障诊断工作的智能方法,有利于在工况复杂多变的实际工程环境中更好地保障旋转机械设备安全运行。遗传编程（Genetic Programming,GP）是一种能够根据问题自动生成解决方案的计算智能方法,对其进行研究开发可以实现滚动轴承故障的智能诊断。本文以滚动轴承振动信号为研究对象,以GP为技术手段,以使用GP解决滚动轴承故障检测、故障类型识别以及小样本下故障类型识别为研究工作,主要内容及创新点如下:（1）传统的轴承故障检测方法侧重于使用信号处理算法,从监测信号中捕获故障相关脉冲。然而这些算法的提出与改进需要大量的先验知识,且很难提出一种算法能有效处理各种工况信号。针对此问题,本文提出了基于GP设计复合形态学滤波器（Genetic Programming Design Composite Morphological Filter,GPDCMF）的滚动轴承故障检测方法,根据待检测信号的自身特点,自动设计出一个复合形态学滤波器捕获故障相关脉冲后,进行包络谱分析,辨识故障特征频率谱线,实现故障检测。运用GPDCMF方法处理滚动轴承故障仿真和实验信号,结果表明所提方法可以有效检测轴承故障。（2）传统的轴承故障类型识别方法通常包含信号检测、特征提取、特征约简、分类器优化等多个步骤。每一步骤的结果均会影响到最终的诊断,需要丰富的专家经验对相关方法进行设计与组合,并且所建立的模型可能只对某一故障诊断任务有效。因此,本文提出了基于GP自动特征提取与构造（Genetic Programming Automatically Feature Extraction and Construction,GPAFEC）的滚动轴承故障类型识别方法,根据已有轴承样本信号的自身特点,自动从原始振动信号中获得代表性特征后,配合使用k-Nearest Neighbors（KNN）进行故障类型识别。使用三个滚动轴承故障数据集对GPAFEC方法进行测试,结果表明所提方法可以准确辨识不同类型的轴承故障。（3）现有故障类型识别方法多是假设有足够多的样本来建立诊断模型。然而,现实工程环境中获得大量故障样本困难,小样本情况下的滚动轴承故障类型识别亟待研究。为解决此问题,本文提出了基于GP多视角特征构造和集成（Genetic Programming Multi-view Feature Construction and Ensemble,GPMFCE）的滚动轴承小样本故障类型识别方法,将轴承样本信号三个不同视角的低级特征自动构造为高级特征,并利用三个视角高级特征所具有的多样性和辨识性,组建一个基于KNN的集成诊断系统,以提高识别的泛化性和准确性。使用三个滚动轴承小样本故障数据集验证GPMFCE方法的有效性,结果表明所提方法可以在小样本情况下精准判断轴承故障类型。
陈意伟[5]（2021）在《基于改进LeNet-5网络的滚动轴承故障诊断方法研究》文中认为滚动轴承作为机械设备中最易发生故障的部件之一,其工作状态直接影响着整台设备的性能及生产效率,会造成经济损失,甚至是灾难性的后果。所以,对滚动轴承进行故障诊断是保障现代机械设备安全稳定运行必不可少的。鉴于此,本文提出了一种基于深度学习的滚动轴承故障诊断方法。针对传统LeNet-5网络在滚动轴承故障诊断中存在识别准确率不高、收敛速度慢和泛化能力不强等问题,提出了一种基于改进2D LeNet-5网络的滚动轴承故障诊断方法。首先,对传统LeNet-5网络进行改进,合理设计了卷积层和池化层并仔细调整卷积核的大小和数目,以提高故障分类能力。在每个卷积层后采用批量归一化处理以加快收敛速度,为加强改进2D LeNet-5网络的泛化能力在除最后一层的全连接层后引入了Dropout操作。接着,将一维原始振动信号转为二维灰度图像,并进行直方图均衡化操作以解决局部特征不明显的问题。实验结果表明,所提基于改进2D LeNet-5网络的滚动轴承故障诊断方法可实现滚动轴承多状态识别与分类,故障识别平均准确率能达到99.25%,与其他滚动轴承故障诊断方法相比,其以更低的计算代价获得了更高的准确率。为了进一步提高故障诊断的效率和有效性,在改进2D LeNet-5网络的基础上,提出了基于改进1D LeNet-5网络的自适应滚动轴承故障诊断方法。首先,设计了用于滚动轴承故障诊断的改进1D LeNet-5网络,与改进2D LeNet-5网络结构类似,包括5个卷积层、5个池化层和3个全连接层,可以直接对原始振动信号进行一维卷积和池化操作,无需任何数据预处理。然后,利用人工蜂群算法寻找的最优蜜源作为改进1D LeNet-5网络的初始权值和偏置值,进一步提高了诊断模型的收敛速度和分类精度,增强了改进1D LeNet-5网络的自适应性。实验结果表明,自适应1D LeNet-5网络在大多数情况下具有更高的故障诊断精度和较少的训练时间,但是在较小的训练样本和强噪声环境下,改进2D LeNet-5网络的性能优于自适应1D LeNet-5网络。
杨静[6]（2020）在《旋转机械早期故障诊断关键技术研究》文中研究说明旋转机械是航空航天、电力、交通、石油化工和国防工业等领域广泛使用的关键设备,其作业环境恶劣、作业条件复杂,在长期作业过程中,机械性能不断退化,故障频发。一旦出现故障,不仅严重制约企业的生产效率、降低产品质量、影响企业的市场竞争力,使企业蒙受巨大经济损失,甚至造成无法弥补的人员伤亡。通过振动监测可以获得大量含有设备运行信息的数据和参数图形,如频谱图、三维谱图、阶比图等。如何利用振动数据和参数图形及时准确地提取表征设备健康状态的信息,从而发现设备异常并确定故障的严重程度,对提高旋转机械运行的可靠性和稳定性具有重要意义。目前的研究主要针对特征明显、数据无关联关系、样本平衡且信息完整的故障诊断问题,这些研究成果能够提取故障特征并准确判定故障类型。但随着维修模式从被动向主动方向发展,故障诊断技术的智能化和实用化程度要求不断提高,诊断方法需要能够自适应地及时发现实际工业系统中设备的早期故障,为设备后期维护提供可靠依据,而现有研究成果难以满足要求。因此,为了解决以上问题,并考虑到早期故障具有特征微弱、特征信息耦合和不完备等特点,开展旋转机械早期故障诊断关键技术研究工作,具有重要的学术意义和工程应用价值。本论文开展的研究工作主要包括以下几个方面。（1）基于振动信号分析的旋转机械早期故障诊断方法研究旋转机械在运行过程中会产生含有多种频率成分的周期性振动信号,这些信号通常分为两类:1)仅与旋转部件本身弹性有关的振动;2)反映旋转部件损伤情况的振动。因此,基于振动信号分析可以有效地实现旋转机械故障诊断。然而,由于工业过程的复杂性和作业环境的恶劣性,旋转机械产生的振动信号通常是非平稳、非线性且含有强背景噪声。直接利用原始振动信号难以挖掘出隐含在其中的早期微弱故障特征。考虑到深度自编码器具备自动提取特征的优良性能,本论文提出了一种基于改进深度稀疏自编码器网络的故障诊断方法,以99%以上的平均识别准确度实现对旋转机械（无论加载与否）早期故障模式识别和严重程度确定。（2）数据相关条件下的旋转机械复合故障诊断方法研究现代旋转机械的组成单元之间相互关联且相互影响,整个设备系统具有强烈的不确定性和非线性特征;表征设备运行模态的参数种类繁多、高维稀疏、不易量化且难以区分。导致监测系统获取的反映系统运行机理和状态参数的数据具有海量性和相关性,使得早期复合故障普遍存在于各类旋转机械中。然而,现有的针对单一设备、子系统和子单元的故障诊断方法难以发现组成单元之间的关联关系,从而导致对复合故障的误诊率和漏诊率非常高。因此,本论文通过对关联数据进行分析与处理,并考虑到深度稀疏自编码器自适应提取特征和数据降维的性能,提出了一种基于相关分析和改进稀疏自编码器网络的故障诊断方法,以99.4%以上的平均诊断准确度实现加载旋转机械早期复合故障诊断。（3）数据非完备条件下的旋转机械故障诊断方法研究目前,旋转机械故障诊断方法的设计大都基于类分布大致平衡和获取的数据完整这一假设,通常假定用于训练的设备的各类健康状态样本数量大致相等,并且构成样本的数据没有缺失。事实上,由监测系统获取的大部分都是正常状态数据,只有极少量故障状态数据。此外,受传感器故障、通信线路以及人为因素等影响,实际采集的信号可能是不完整的,从而造成隐含在信号中的信息丢失。以上数据非完备普遍存在的现状极大地影响了故障诊断方法的有效性和准确性。因此,本论文在设计变尺度重采样策略和多水平去噪策略的基础上,提出了一种基于集成融合自编码器网络的故障诊断方法,以99.69%以上的平均诊断准确度实现数据不平衡和数据局部缺失条件下的旋转机械故障诊断。（4）基于振动双谱图识别的旋转机械早期故障诊断方法研究旋转机械早期故障的特征信号非常微弱且具有稀疏性,背景噪声的幅值远大于特征信号且几乎分布在整个频带范围内,信噪比很低。相比一维振动数据,具有强去噪能力的双谱图中包含设备运行状态的信息量更丰富。因此,考虑到双谱图和增强型超分辨率生成对抗网络（Enhanced Super-Resolution Generative Adversarial Networks,ESRGAN）的优良性能,本论文首先基于双谱分析技术获取旋转机械的振动双谱图,并将其转换为存储需求更小的二维灰度图;然后,基于ESRGAN设计超分辨率重建策略,对灰度图进行清晰化处理,提高图像的分辨率。在此基础上,提出了适用于振动双谱图识别的改进卷积神经网络（Convolutional Neural Network,CNN）分类模型,以99.99%和100%的平均识别准确度分别检测出不同型号滚动轴承早期故障信号。以更加直观、更易被操作人员理解的可视化方式,实现旋转机械早期故障诊断。
张臣臣[7]（2020）在《基于深度降噪自编码的轴承性能退化状态识别》文中认为近年来,随着各领域的飞速发展,机械设备得到越来越多的应用,而滚动轴承作为旋转机械中应用最广泛而又极易损坏的部件之一,被人们广泛研究。随着人工智能领域的发展,设备由原来的机械化发展转变为智能化,如何有效自动获取轴承的故障特征信息成为故障诊断与健康管理领域的研究热点。因此,本文将深度学习中的深度降噪自编码用于自动提取复杂振动信号中的特征信息,结合单类支持向量机,用于轴承的性能退化评估。根据自回归模型的特点,将其模型的自回归系数与残差当作提取的特征矩阵;性能退化评估距离模型中常用欧氏距离作为退化指标,而马氏距离具有不考虑样本量纲的影响、模型简单的优点,所以本文将马氏距离作为轴承性能退化的模型,并结合隶属度函数对退化曲线进行优化,更方便退化分析。但是使用马氏距离模型需利用故障样本做训练,考虑深度降噪自编码具有特征提取的优势,将马氏距离与其相结合,使用辛辛那提大学的轴承数据来验证模型有效性。将单类支持向量机用作轴承性能退化的评估模型,结合单分类的特性,使用XJTU-SY数据集的不同工况下的数据验证模型的有效性,并使用包络谱分析验证轴承初始故障频率点。针对传统特征提取的方法无法自动获取特征信息的问题,提出使用深度降噪自编码用于自动提取原始振动数据的深层特征,并说明了降噪自编码的参数选取过程,结合单类支持向量机的训练优势,用于轴承性能退化评估;为了证明提取深层特征有效性与融合模型的实用性,使用常用的时频域、自回归模型、小波包特征进行实验对比,说明深度降噪自编码特征鲁棒性强、可以减少特征信息流失的特点。使用辛辛那提大学的轴承实验数据对模型方法进行验证,证明所提出的方法能够有效分析轴承各阶段的性能退化状态,具有一定工程实践性。
孙文卿[8]（2020）在《基于多源信息融合的风电滚动轴承故障诊断研究》文中提出风电作为一种储能丰富、低碳无污染的绿色能源,是解决生态环境问题和能源短缺的重要选择。近年来,我国风电累计装机容量和新增装机容量均位列全球第一,装机规模和单机容量也在不断的提高。随着风电事业的迅猛发展,机组部件的故障率也受到越来越多的关注。对机组进行实时有效的评估,避免重大事故的发生,是风电领域研究的热点。风电滚动轴承是风电传动系统的关键部件,在运行中承受着很强的时变载荷和冲击载荷,经常出现故障导致机组停运。大数据时代下,将统计学习模型与风电领域海量运行数据相结合,运用多源信息融合的方法,能够全面地把握风电关键部件的健康状态、减少故障诊断过程中对专业知识的依赖。基于此,本文提出了基于多源信息融合的风电滚动轴承故障诊断方法。主要内容如下:（1）介绍了风电传动链模拟试验台的组成部件及相应的信号采集系统,分析了振动信号和声发射信号（Acoustic Emission,AE）的故障敏感程度。（2）提出了滚动轴承多视角特征提取方法。针对传统方法的特征集维度低、单视角特征无法全面把握轴承状态的问题,将Tsfresh和信号处理技术相结合,从时域、频域和时频域的角度,考察信号的原始波形、频谱、包络谱、经验模态分解（Empirical Mode Decomposition,EMD）分量以及连续小波变换（Continuous wavelet transform,CWT）二维系数矩阵,构造了高维的特征集。实验证明了振动与声发射信号特征的互补性以及振动信号多视角特征的有效性。（3）基于机器学习模型,提出了特征融合的方法。针对轴承振动信号高维特征集中无效特征和冗余特征的问题,将随机森林模型和自编码模型相结合对高维特征进行筛选和降维。首先,利用随机森林模型计算出每一个特征的重要度并将特征排序,选择合适数量的重要特征并剔除与故障诊断关联较小的特征;然后将选择出的特征送入到自编码器中进行非线性映射实现降维,进一步减少特征中的冗余;最后将形成的冗余小的低维特征集作为分类模型的输入进行诊断。实验中利用凯斯西储大学的轴承振动信号数据来构造高维特征集并进行特征融合,进而对9种不同的轴承故障状态进行分类识别,结果表明,与PCA、KPCA和LLE等常见的融合模型相比,该方法具有最佳的分类准确率。（4）针对齿轮箱中滚动轴承与其他部件的复合故障现象,提出了基于第6类比例冲突分配规则（Proportional conflict redistribution No.6,PCR6）的多模型融合的故障诊断方法。为保证子模型差异性,选择支持向量机、逻辑斯蒂回归、梯度提升树和深度信念网络等4种子模型进行初步诊断,并输出每个样本的分类概率;然后将子模型分类概率进行匹配和折扣后送入到PCR6中进行最后的决策融合。实验结果证明,该方法取得了比常见投票表决法和Stacking方法更加可靠和稳定的诊断结果。
贺婧[9]（2020）在《早期微弱样本失衡条件下滚动轴承故障诊断方法研究》文中研究表明故障诊断是一种保障机械装置安全运行,减少在生命周期内因故障带来的维修成本,提高机械装置稳定性和可靠性的技术。而滚动轴承是旋转机械装置的关键组成部分,被广泛应用于齿轮箱、破碎机、燃气轮机以及发电机等装置中,滚动轴承性能的好坏将直接影响到整个装置的运转状态,进而影响工业生产的安全性和经济水平。因此,对滚动轴承进行故障诊断技术的研究就具有重要的意义。然而,如何发现滚动轴承在运行过程中所产生的早期故障,精确提取微弱的故障特征,及时检测并对其故障进行诊断;如何在故障样本收集困难,数据不完备的情况下,对只带有少量标签的数据样本进行故障诊断成为当今研究的热点与难点。基于上述背景,以滚动轴承为研究对象,结合机器学习与迁移学习,针对早期故障特征微弱和标签故障样本少的问题,对滚动轴承进行故障诊断技术的研究,主要内容如下:1.研究了一种基于双维度EKNN的滚动轴承早期故障诊断方法。首先采集早期故障的声发射（AE）信号,实时提取最能表征轴承运行状态的特征信息,构造由AE信号的波性特征、时域和频域的统计特征组成的混合特征集。其次采用隶属度矩阵计算类内紧致性和类间重叠性参数,并将二者的比值作为SFS算法进行特征选择的目标函数,同时引入反馈停止策略和早弃策略。最后将一种新的密度计算方法用于传统KNN分类器,采用了密度和距离双维度计算的EKNN分类器,降低了对K值的敏感性,能更稳定地识别出最优特征组,实验结果表明提出的方法具有有效性,且能精确地对早期故障进行诊断。2.研究了一种基于深度迁移学习TD-DCSAE在滚动轴承故障数据标签样本极少情况下的故障诊断方法。首先,采用一种新的约束来增强稀疏自动编码器（CSAE）的稀疏性,再将堆叠多个CSAE而形成的深度约束稀疏自动编码器（DCSAE）作为生成对抗网络中的鉴别网络,利用生成对抗网络（GAN）的对抗机制、迭代优化,逐步提高鉴别网络的故障识别能力。然后利用参数迁移学习策略解决了只含有少量标签样本的故障诊断问题。最后,采用不同域的两个数据集验证所提方法的有效性。实验结果表明,该方法具有良好的故障诊断性能,在只有少量标签数据的情况下比现有的智能方法更有效。
石大磊[10]（2020）在《基于CNN和领域自适应的滚动轴承故障诊断方法研究》文中认为作为旋转机械中应用最为广泛的一种零部件,滚动轴承的健康状态直接决定着整个机械设备能否安全可靠地运行。深入开展滚动轴承状态监测与故障诊断技术的研究,能够有效确保人员和设备的安全并减少经济损失,具有重要的学术和工程应用价值。此外,随着机械故障诊断步入“大数据”时代,如何有效挖掘海量监测数据中隐藏的故障信息,智能识别设备的健康状态,成为了研究的热点与难点。深度卷积神经网络具有对数据深层特征的提取能力,可以自动学习数据的内在特点进而获得良好的特征表达,实现端到端的诊断模式。作为一种机器学习新方法,迁移学习可以充分利用辅助领域中丰富的标注数据,对具有不同分布的目标领域未标注数据进行知识的复用与迁移。本文针对滚动轴承的故障诊断问题,将深度学习中的卷积神经网络（CNN）和迁移学习中的领域自适应相结合,基于深度残差网络,提出了两种滚动轴承故障的深度迁移诊断方法。论文主要工作如下:针对工程实际中真实轴承损伤数据稀缺、健康标记信息匮乏,导致训练的智能故障诊断模型精度低的问题,利用实验室环境中人工轴承损伤数据充足、健康标记信息丰富,且两种数据间存在相关的故障信息,提出了一种基于特征映射与深度联合适配的轴承故障深度迁移诊断方法DCJAN,将实验室环境中的轴承故障诊断知识迁移应用到工程实际中。首先利用深度卷积神经网络进行特征提取,然后通过JMMD来对齐源域和目标域的多个域特定层的激活的联合分布,同时在卷积层后添加了一个域判别器。域判别器和特征提取器的训练目标相反,两者形成一种对抗关系。当网络训练完成后,就可以利用得到的域不变特征进行故障分类。通过不同轴承损伤模式间的迁移诊断实验对提出的方法进行了验证,在四种不同工况下的平均准确率和平均Macro-F1得分分别达到85.55%和85.70%。结果表明,DCJAN能够利用实验室中轴承的故障诊断知识,对工程实际中轴承的健康状态进行识别。针对工程实际中很难从某些机器获得大量带标记的轴承故障数据去训练诊断模型,以及由于数据分布差异,利用从一台机器获取的标记数据训练的智能故障诊断模型可能无法对从其他机器获取的未标记数据进行分类的问题,提出了一种基于域分离与对抗学习的轴承故障深度迁移诊断方法DSRAN。首先利用域差异特征提取器和域不变特征提取器分别提取源域和目标域的域差异特征和域不变特征。为了保证特征的完整性,将两种特征组合后进行重构,然后利用生成对抗网络的思想进行训练。当分类器能够正确分类源域数据时,就可以利用共享的域不变特征进行跨领域的应用。通过六组迁移诊断实验验证了所提出方法的有效性,六组实验的平均准确率达到89.68%。结果表明,DSRAN能够利用从一台机器获取的大量标记数据进行训练,然后推广到从其他不同但相关机器获取的未标记数据。此外,为了将提出的迁移诊断模型应用到实际场景中,开发了一套软件系统,将训练好的模型部署成一个Web应用程序,同时集成各种辅助功能,为用户提供端对端的轴承故障迁移诊断解决方案。
二、滚动轴承故障特征信息的自动提取方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、滚动轴承故障特征信息的自动提取方法研究（论文提纲范文）
（1）基于图嵌入自编码的滚动轴承故障诊断方法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 缩写符号注释 |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断技术的研究现状 |
| 1.2.1 基于传统数据驱动型的滚动轴承故障诊断方法研究现状 |
| 1.2.2 基于深度学习的滚动轴承故障诊断方法研究现状 |
| 1.2.3 基于自编码的滚动轴承故障诊断方法研究现状 |
| 1.2.4 基于图嵌入自编码的滚动轴承故障诊断方法研究现状 |
| 1.3 亟待解决的问题与进一步的研究方向 |
| 1.4 论文主要内容和技术路线 |
| 第2章 图嵌入及自编码基础理论 |
| 2.1 引言 |
| 2.2 图嵌入基本理论 |
| 2.2.1 图谱理论概述 |
| 2.2.2 图嵌入框架的假设 |
| 2.2.3 流形正则化技术 |
| 2.2.4 图嵌入一般框架 |
| 2.3 自编码及其变种 |
| 2.3.1 自编码 |
| 2.3.2 稀疏自编码 |
| 2.3.3 降噪自编码 |
| 2.3.4 压缩自编码 |
| 2.3.5 深度自编码 |
| 2.4 本章小结 |
| 第3章 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法研究 |
| 3.1 引言 |
| 3.2 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法 |
| 3.2.1 拉普拉斯图嵌入 |
| 3.2.2 拉普拉斯自编码 |
| 3.2.3 深度拉普拉斯自编码模型 |
| 3.2.4 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法流程 |
| 3.3 实验验证与分析 |
| 3.3.1 CWRU轴承数据采集与参数设置 |
| 3.3.2 类别平衡数据与类别不平衡数据的诊断结果 |
| 3.3.3 提取特征的评估和分析 |
| 3.3.4 全寿命轴承数据的实验验证和分析 |
| 3.4 本章小结 |
| 第4章 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法研究 |
| 4.1 引言 |
| 4.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法 |
| 4.2.1 半监督深度稀疏自编码的整体思路 |
| 4.2.2 局部与非局部图嵌入 |
| 4.2.3 有标记样本的重构约束矩阵 |
| 4.2.4 半监督深度稀疏自编码的目标函数 |
| 4.2.5 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法流程 |
| 4.3 实验验证与分析 |
| 4.3.1 实验设置和实施细节 |
| 4.3.2 故障诊断结果 |
| 4.3.3 与相关半监督学习故障诊断方法比较 |
| 4.4 本章小结 |
| 第5章 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法研究 |
| 5.1 引言 |
| 5.2 布谷鸟搜索算法与无监督极限学习机 |
| 5.2.1 布谷鸟搜索算法(CSA) |
| 5.2.2 无监督的极限学习机(USELM)算法 |
| 5.3 基于自适应稀疏压缩自编码的滚动轴承故障诊断方法 |
| 5.3.1. 稀疏图嵌入的自适应稀疏自编码(ASCAE)算法 |
| 5.3.2. 优化的无监督极限学习机(OUSELM)分类器 |
| 5.3.3 基于ASCAE-OUSELM的滚动轴承故障诊断方法流程 |
| 5.4 实验验证与分析 |
| 5.4.1 滚动轴承HRB6205数据集 |
| 5.4.2 参数设置与优化 |
| 5.4.3 故障诊断结果 |
| 5.4.4 与其他故障诊断方法对比 |
| 5.5 本章小结 |
| 第6章 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法研究 |
| 6.1 引言 |
| 6.2 相关概念与多阶图嵌入框架 |
| 6.2.1 相关概念 |
| 6.2.2 多阶图嵌入 |
| 6.3 基于多阶图深度极限学习机-自编码的滚动轴承故障诊断方法 |
| 6.3.1 多阶图嵌入深度极限学习机-自编码算法 |
| 6.3.2 基于多阶图嵌入深度极限学习机-自编码的滚动轴承故障诊断方法流程 |
| 6.4 实验验证与分析 |
| 6.4.1 实验设置与数据说明 |
| 6.4.2 多阶约束惩罚项的评估与分析 |
| 6.4.3 计算效率和算法性能的评估 |
| 6.4.4 与其他相关方法进行对比 |
| 6.5 本章小结 |
| 第7章 图嵌入自编码在滚动轴承故障诊断中的应用研究 |
| 7.1 引言 |
| 7.2 实验方案概况 |
| 7.2.1 双跨度转子-轴承系统实验描述与数据采集 |
| 7.2.2 故障信号的预处理与分析 |
| 7.3 滚动轴承的实验应用研究 |
| 7.3.1 基于深度拉普拉斯自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.2 基于半监督深度稀疏自编码的滚动轴承故障特征提取方法的验证 |
| 7.3.3 基于自适应稀疏压缩自编码与多阶图嵌入深度极限学习机算法的验证 |
| 7.3.4 不同诊断方法的特征提取性能比较与分析 |
| 7.3.5 诊断方法的性能评估与分析 |
| 7.4 工程应用实例 |
| 7.4.1 工业石化泵的轴承性能退化数据采集与分析 |
| 7.4.2 工业石化泵的轴承故障诊断 |
| 7.5 本章小结 |
| 第8章 总结与展望 |
| 8.1 全文工作总结 |
| 8.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读博士学位期间取得的研究成果 |
（2）基于深度自编码神经网络的滚动轴承故障诊断方法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及研究意义 |
| 1.2 滚动轴承故障诊断技术发展现状 |
| 1.2.1 滚动轴承基本结构及运行机理分析 |
| 1.2.2 滚动轴承典型故障振动信号特征 |
| 1.2.3 滚动轴承传统故障诊断方法研究现状 |
| 1.3 深度学习概述及研究现状 |
| 1.3.1 深度学习发展及基本模型 |
| 1.3.2 深度学习在故障诊断中的应用 |
| 1.3.3 深度自编码神经网络存在的问题 |
| 1.4 本文主要研究工作及结构安排 |
| 2 深度自编码神经网络原理及相关工作基础 |
| 2.1 自动编码器 |
| 2.1.1 自动编码器的基本结构 |
| 2.1.2 自动编码器的训练 |
| 2.1.3 稀疏约束 |
| 2.2 深度堆栈自编码神经网络 |
| 2.2.1 贪心逐层无监督预训练 |
| 2.2.2 有监督的全局微调 |
| 2.2.3 深度堆栈自编码神经网络模型 |
| 2.3 分类器训练 |
| 2.4 仿真信号的构建 |
| 2.5 深度自编码网络的特征提取性能研究 |
| 2.5.1 基于DSAE的数据重构性能研究 |
| 2.5.2 常用特征提取方法 |
| 2.5.3 基于DSAE的特征提取性能对比分析 |
| 2.5.4 DSAE网络特征提取可视化 |
| 2.6 本章小结 |
| 3 基于DSAE的故障诊断模型及其关键参数研究 |
| 3.1 基于DSAE的故障诊断模型 |
| 3.2 数据预处理方案设计 |
| 3.3 网络参数研究 |
| 3.3.1 隐层节点数 |
| 3.3.2 隐层层数 |
| 3.3.3 迭代次数 |
| 3.4 正则化参数研究 |
| 3.5 优化参数研究 |
| 3.5.1 小批量梯度下降算法 |
| 3.5.2 动量算法 |
| 3.5.3 Adam算法 |
| 3.6 本章小结 |
| 4 基于DSAE故障诊断模型的优化研究 |
| 4.1 基于自适应机制的Adam优化算法研究 |
| 4.1.1 自适应机制原理 |
| 4.1.2 改进的自适应学习率的Adam算法 |
| 4.1.3 AEDR-Adam优化算法的仿真分析 |
| 4.2 自适应平衡标准化优化算法 |
| 4.2.1 批量标准化 |
| 4.2.2 带自适应平衡层的DAE |
| 4.2.3 BN-DSAE模型的仿真分析 |
| 4.3 基于改进算法的DSAE故障诊断模型 |
| 4.3.1 基于改进算法的DSAE故障诊断模型框架 |
| 4.3.2 基于改进算法的DSAE故障诊断模型仿真分析 |
| 4.4 本章小结 |
| 5 基于改进的DSAE模型在滚动轴承故障诊断中的应用 |
| 5.1 滚动轴承数据集描述及分析 |
| 5.2 基于DSAE模型优化算法性能的验证 |
| 5.2.1 基于改进的Adam算法性能验证 |
| 5.2.2 基于BN-DSAE模型性能验证 |
| 5.3 与其他学习模型对比分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 学位论文数据集 |
（3）基于深度学习的旋转机械智能故障诊断算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 旋转机械故障诊断技术的发展历程 |
| 1.2.2 基于特征工程方法的故障诊断研究现状 |
| 1.2.3 基于深度学习方法的故障诊断技术研究现状 |
| 1.2.4 研究现状总结 |
| 1.3 论文主要研究内容 |
| 2 滚动轴承和齿轮故障类型与机理分析 |
| 2.1 滚动轴承故障类型与机理分析 |
| 2.1.1 滚动轴承基本结构 |
| 2.1.2 滚动轴承的失效形式 |
| 2.1.3 滚动轴承的振动机理分析 |
| 2.1.4 滚动轴承的故障特征频率 |
| 2.2 齿轮故障类型与机理分析 |
| 2.2.1 行星齿轮箱基本结构 |
| 2.2.2 齿轮的失效形式 |
| 2.2.3 齿轮的振动机理 |
| 2.2.4 齿轮的故障特征频率 |
| 2.3 本章小结 |
| 3 基于卷积神经网络的故障诊断方法 |
| 3.1 卷积神经网络简介 |
| 3.2 卷积神经网络结构 |
| 3.2.1 卷积层 |
| 3.2.2 池化层 |
| 3.2.3 全连接和分类层 |
| 3.2.4 卷积神经网络整体结构 |
| 3.3 卷积神经网络反向传播算法 |
| 3.4 优化算法 |
| 3.4.1 小批量梯度下降 |
| 3.4.2 AdaGrad算法 |
| 3.4.3 RMSprop算法 |
| 3.4.4 Adam算法 |
| 3.5 基于卷积神经网络的旋转机械故障诊断 |
| 3.5.1 实验装置和数据获取 |
| 3.5.2 卷积神经网络模型结构 |
| 3.5.3 模型验证与评价 |
| 3.6 本章小结 |
| 4 基于RDPN-FCDAE算法的旋转机械故障诊断 |
| 4.1 基础理论 |
| 4.1.1 小波时频图像 |
| 4.1.2 空洞卷积 |
| 4.1.3 残差学习 |
| 4.1.4 卷积去噪自编码器 |
| 4.2 基于RDPN-FCDAE的故障诊断模型 |
| 4.2.1 空洞金字塔网络结构 |
| 4.2.2 RDPN-FCDAE模型结构 |
| 4.2.3 RDPN-FCDAE模型训练方法 |
| 4.2.4 RDPN-FCDAE模型诊断流程 |
| 4.3 RDPN-FCDAE算法实验评估 |
| 4.3.1 实验装置和数据预处理 |
| 4.3.2 故障诊断结果和分析 |
| 4.3.3 消融实验研究 |
| 4.3.4 算法性能对比 |
| 4.4 本章小结 |
| 5 基于IFR-FSAFNet算法的旋转机械故障诊断 |
| 5.1 基础理论 |
| 5.1.1 多信号源数据融合 |
| 5.1.2 注意力机制 |
| 5.2 基于IFR-FSAFNet的故障诊断模型 |
| 5.2.1 多信号源信息流重组 |
| 5.2.2 特征序列注意力融合机制 |
| 5.2.3 IFR-FSAFNet结构 |
| 5.2.4 IFR-FSAFNet模型训练方法 |
| 5.3 模型验证 |
| 5.3.1 实验台和数据获取 |
| 5.3.2 多信号源诊断实验研究 |
| 5.3.3 消融实验研究 |
| 5.3.4 对比实验研究 |
| 5.3.5 噪声域适应实验研究 |
| 5.3.6 网络可视化研究 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 作者简历及攻读硕士学位期间取得的研究成果 |
| 一、作者简历 |
| 二、发表论文 |
| 三、参与科研项目 |
| 学位论文数据集 |
（4）基于遗传编程的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 课题背景及意义 |
| 1.2 滚动轴承故障诊断研究现状 |
| 1.2.1 滚动轴承故障形式 |
| 1.2.2 滚动轴承故障诊断研究内容 |
| 1.2.3 滚动轴承故障检测方法研究现状 |
| 1.2.4 滚动轴承故障类型识别方法研究现状 |
| 1.3 遗传编程算法工程应用研究现状 |
| 1.4 论文研究动机与主要内容 |
| 1.4.1 研究动机 |
| 1.4.2 研究内容 |
| 第2章 遗传编程基本理论 |
| 2.1 引言 |
| 2.2 遗传编程算法 |
| 2.2.1 经典遗传编程算法 |
| 2.2.2 强类型遗传编程算法 |
| 2.3 遗传编程的优势与难点 |
| 2.3.1 算法优势 |
| 2.3.2 算法难点 |
| 2.4 本章小结 |
| 第3章 基于GP设计复合形态学滤波器的滚动轴承故障检测方法 |
| 3.1 引言 |
| 3.2 形态学滤波器 |
| 3.3 GP设计复合形态学滤波器 |
| 3.3.1 程序结构 |
| 3.3.2 函数集 |
| 3.3.3 终止符集 |
| 3.3.4 适应度评价 |
| 3.3.5 方法实现与参数设置 |
| 3.4 故障检测过程概述 |
| 3.5 滚动轴承故障仿真信号分析 |
| 3.5.1 信号仿真模型 |
| 3.5.2 测试结果 |
| 3.5.3 讨论 |
| 3.6 滚动轴承故障实验信号分析 |
| 3.6.1 实验装置与信号采集 |
| 3.6.2 测试结果 |
| 3.6.3 讨论 |
| 3.7 本章小结 |
| 第4章 基于GP自动特征提取与构造的滚动轴承故障类型识别方法 |
| 4.1 引言 |
| 4.2 GP自动特征提取与构造 |
| 4.2.1 程序结构 |
| 4.2.2 函数集 |
| 4.2.3 终止符集 |
| 4.2.4 适应度评价 |
| 4.2.5 故障类型识别过程概述 |
| 4.3 实验设计 |
| 4.3.1 故障数据集 |
| 4.3.2 对比方法 |
| 4.3.3 方法实现与参数设置 |
| 4.4 实验结果 |
| 4.5 分析与讨论 |
| 4.5.1 收敛行为 |
| 4.5.2 计算时间 |
| 4.5.3 特征可视化 |
| 4.5.4 模型分析 |
| 4.5.5 讨论 |
| 4.6 本章小结 |
| 第5章 基于GP多视角特征构造与集成的小样本滚动轴承故障类型识别方法 |
| 5.1 引言 |
| 5.2 GP多视角特征构造与集成 |
| 5.2.1 程序结构 |
| 5.2.2 函数集 |
| 5.2.3 终止符集 |
| 5.2.4 适应度评价 |
| 5.2.5 集成诊断 |
| 5.2.6 小样本故障类型识别过程概述 |
| 5.3 实验设计 |
| 5.3.1 小样本故障数据集 |
| 5.3.2 对比方法 |
| 5.3.3 方法实现与参数设置 |
| 5.4 实验结果 |
| 5.5 深入分析 |
| 5.5.1 模型分析 |
| 5.5.2 构造特征可视化 |
| 5.5.3 识别结果可视化 |
| 5.6 本章小结 |
| 第6章 结论与展望 |
| 6.1 结论 |
| 6.2 创新点 |
| 6.3 展望 |
| 参考文献 |
| 攻读博士学位期间发表的论文及其它成果 |
| 攻读博士学位期间参加的科研工作 |
| 致谢 |
| 作者简介 |
（5）基于改进LeNet-5网络的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景与意义 |
| 1.2 轴承故障诊断国内外研究现状 |
| 1.2.1 基于机器学习的滚动轴承故障诊断 |
| 1.2.2 基于深度学习的滚动轴承故障诊断 |
| 1.3 基于CNN的轴承故障诊断研究现状 |
| 1.4 论文研究内容及文章结构 |
| 第二章 相关理论与技术 |
| 2.1 深度学习基本理论 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积神经网络结构 |
| 2.2.2 卷积神经网络训练过程 |
| 2.2.3 传统LeNet-5 网络概述 |
| 2.3 人工蜂群算法 |
| 2.3.1 人工蜂群算法的基本原理 |
| 2.3.2 人工蜂群算法的蜜源选择 |
| 2.4 本章小结 |
| 第三章 基于改进2D LeNet-5 网络的滚动轴承故障诊断方法 |
| 3.1 基于改进2D LeNet-5 网络的故障诊断流程 |
| 3.2 改进2D LeNet-5 网络结构设计 |
| 3.3 数据预处理 |
| 3.4 实验结果及分析 |
| 3.4.1 实验设置 |
| 3.4.2 故障诊断模型的训练与验证 |
| 3.4.3 BN对改进2D LeNet-5 网络的影响分析 |
| 3.4.4 与基于传统机器学习故障诊断方法的比较 |
| 3.4.5 与基于深度学习故障诊断方法的比较 |
| 3.5 本章小结 |
| 第四章 基于自适应1D LeNet-5 网络的滚动轴承故障诊断 |
| 4.1 基于自适应1D LeNet-5 网络的滚动轴承故障诊断流程 |
| 4.2 自适应1D LeNet-5 网络的初始结构设计 |
| 4.3 基于人工蜂群算法的1D LeNet-5 网络的参数优化 |
| 4.4 实验结果及分析 |
| 4.4.1 故障诊断模型的训练与验证 |
| 4.4.2 人工蜂群算法优化效果分析 |
| 4.4.3 故障诊断模型泛化性分析 |
| 4.4.4 不同噪声环境下的故障准确率分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要研究成果 |
| 5.2 研究工作展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（6）旋转机械早期故障诊断关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 引言 |
| 1.2 旋转机械故障诊断概述 |
| 1.2.1 旋转机械故障诊断基本方法 |
| 1.2.2 旋转机械故障诊断技术研究现状 |
| 1.2.3 旋转机械振动故障诊断 |
| 1.3 旋转机械早期故障诊断的关键问题 |
| 1.3.1 旋转机械早期故障诊断概述 |
| 1.3.2 早期故障诊断的关键问题 |
| 1.4 本文研究工作 |
| 1.4.1 论文研究内容与创新点 |
| 1.4.2 论文总体框架 |
| 2 旋转机械故障诊断基本理论 |
| 2.1 引言 |
| 2.2 滚动轴承振动故障机理 |
| 2.3 滚动轴承故障特征 |
| 2.4 本章小结 |
| 3 基于振动信号分析的旋转机械早期故障诊断方法 |
| 3.1 引言 |
| 3.2 基于振动信号分析的旋转机械早期故障诊断算法原理 |
| 3.2.1 稀疏自编码器的基本原理 |
| 3.2.2 L-BFGS优化算法的基本原理 |
| 3.2.3 基于改进稀疏自编码器的早期故障诊断算法 |
| 3.3 诊断算法的流程 |
| 3.4 实验验证与分析 |
| 3.4.1 滚动轴承试验台简介 |
| 3.4.2 故障诊断与结果分析 |
| 3.4.3 对比实验及分析 |
| 3.5 本章小结 |
| 4 数据相关条件下的旋转机械复合故障诊断方法 |
| 4.1 引言 |
| 4.2 数据相关条件下的旋转机械复合故障诊断算法原理 |
| 4.2.1 复合故障及其特征分析 |
| 4.2.2 复合故障诊断模型 |
| 4.2.3 数据相关度评估准则 |
| 4.3 诊断算法的流程 |
| 4.4 实验验证与分析 |
| 4.4.1 滚动轴承试验台简介 |
| 4.4.2 故障诊断与结果分析 |
| 4.4.3 对比实验及分析 |
| 4.5 本章小结 |
| 5 数据非完备条件下的旋转机械故障诊断方法 |
| 5.1 引言 |
| 5.2 数据非完备条件下的旋转机械故障诊断算法原理 |
| 5.2.1 理论基础 |
| 5.2.2 数据非完备特征分析 |
| 5.2.3 基于EFAE模型的故障诊断算法 |
| 5.3 诊断算法的流程 |
| 5.4 实验验证与分析 |
| 5.4.1 故障诊断与结果分析 |
| 5.4.2 对比实验及分析 |
| 5.5 本章小结 |
| 6 基于振动双谱图识别的旋转机械早期故障诊断方法 |
| 6.1 引言 |
| 6.2 基于振动双谱图识别的旋转机械早期故障诊断算法原理 |
| 6.2.1 双谱分析的基本原理 |
| 6.2.2 ESRGAN的基本原理 |
| 6.2.3 图像转换与清晰化技术 |
| 6.2.4 卷积神经网络基本理论 |
| 6.2.5 故障诊断模型设计 |
| 6.3 诊断算法的流程 |
| 6.4 实验验证与分析 |
| 6.4.1 6203 型滚动轴承简介 |
| 6.4.2 6203 型滚动轴承诊断样本集描述及网络配置 |
| 6.4.3 6203 型滚动轴承故障诊断与结果分析 |
| 6.4.4 LDK UER204 滚动轴承简介 |
| 6.4.5 LDK UER204 滚动轴承诊断样本集描述及网络配置 |
| 6.4.6 LDK UER204 滚动轴承故障诊断与结果分析 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读博士学位期间发表的学术论文和发明专利 |
| 攻读博士学位期间获得资助和参加的主要科研项目 |
（7）基于深度降噪自编码的轴承性能退化状态识别（论文提纲范文）
| 摘要 |
| abstract |
| 主要符号说明 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 特征提取方法研究现状 |
| 1.2.2 状态评估方法研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 基于马氏距离模型的轴承性能退化状态识别 |
| 2.1 特征提取方法 |
| 2.1.1 振动信号时频域特征提取 |
| 2.1.2 AR特征提取 |
| 2.1.3 深度降噪自编码网络 |
| 2.2 特征降维 |
| 2.3 轴承性能退化评估的实例应用 |
| 2.3.1 辛辛那提大学实验数据介绍 |
| 2.3.2 马氏距离的概念与计算方法 |
| 2.3.3 隶属度函数的概念 |
| 2.3.4 基于马氏距离轴承性能退化研究 |
| 2.4 结合深度降噪自编码与马氏距离的轴承性能退化评估 |
| 2.5 本章小结 |
| 第三章 基于单类支持向量机的轴承性能退化状态识别 |
| 3.1 统计学习理论 |
| 3.1.1 VC维与推广界 |
| 3.1.2 结构风险最小化 |
| 3.2 支持向量机的理解 |
| 3.2.1 超平面 |
| 3.2.2 支持向量机介绍 |
| 3.3 单类支持向量机 |
| 3.3.1 原理介绍 |
| 3.3.2 计算步骤及应用 |
| 3.4 单类支持向量机在滚动轴承性能退化评估中的应用 |
| 3.4.1 实验数据介绍 |
| 3.4.2 特征提取与模型构建 |
| 3.4.3 结果与对比分析 |
| 3.5 本章小结 |
| 第四章 基于DDAE-OCSVM的轴承性能退化评估 |
| 4.1 融合型性能退化评估方法 |
| 4.1.1 特征提取与指标构建 |
| 4.1.2 结果与分析 |
| 4.2 实验对比与分析 |
| 4.2.1 不同模型的实验对比 |
| 4.2.2 不同特征提取方法的实验对比 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 主要创新点 |
| 5.3 研究展望 |
| 参考文献 |
| 个人简历 在读期间发表的学术论文 |
| 致谢 |
（8）基于多源信息融合的风电滚动轴承故障诊断研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 多源信息融合的故障诊断技术研究现状 |
| 1.2.1 多视角特征提取技术 |
| 1.2.2 特征融合研究 |
| 1.2.3 模型融合研究 |
| 1.3 主要研究内容及安排 |
| 第二章 风电机组传动试验系统 |
| 2.1 前言 |
| 2.2 传统系统模拟试验台 |
| 2.2.1 驱动电机和负载电机 |
| 2.2.2 转矩转速传感器 |
| 2.2.3 联轴器 |
| 2.2.4 齿轮箱 |
| 2.2.5 滚动轴承及其典型故障 |
| 2.3 信号采集系统 |
| 2.3.1 振动信号采集系统 |
| 2.3.2 声发射信号采集系统 |
| 2.4 本章小结 |
| 第三章 风电滚动轴承多视角特征提取研究 |
| 3.1 引言 |
| 3.2 Tsfresh介绍 |
| 3.2.1 简单特征 |
| 3.2.2 组合特征 |
| 3.3 频谱及时频分析方法 |
| 3.3.1 傅里叶变换 |
| 3.3.2 Hilbert变换及包络谱分析 |
| 3.3.3 经验模态分解 |
| 3.4 实验验证 |
| 3.4.1 风电传动链试验台3 分类轴承数据集 |
| 3.4.2 凯斯西储大学多分类轴承数据集 |
| 3.5 本章小结 |
| 第四章 基于随机森林和自编码器的滚动轴承多视角特征融合 |
| 4.1 引言 |
| 4.2 特征选择 |
| 4.2.1 随机森林原理 |
| 4.2.2 随机森林特征选择 |
| 4.2.3 支持向量机特征有效性验证 |
| 4.2.4 实验验证 |
| 4.3 自编码非线性降维 |
| 4.3.1 自编码模型 |
| 4.3.2 参数寻优及SVM分类结果分析 |
| 4.4 本章小结 |
| 第五章 基于模型融合的风电机组轴承复合故障诊断 |
| 5.1 引言 |
| 5.2 小波时频特征提取原理 |
| 5.2.1 连续小波变换 |
| 5.2.2 卷积神经网络原理 |
| 5.3 故障诊断子模型 |
| 5.3.1 逻辑斯蒂回归(LR) |
| 5.3.2 深度信念网络(DBN) |
| 5.3.3 梯度提升树(GBDT) |
| 5.4 模型融合算法 |
| 5.4.1 Stacking融合 |
| 5.4.2 第6 类比例冲突分配规则(PCR6) |
| 5.5 实验验证 |
| 5.5.1 构造数据集 |
| 5.5.2 多视角特征集提取 |
| 5.5.3 诊断及融合 |
| 5.5.4 实验结果分析 |
| 5.6 本章小结 |
| 第六章 总结与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间研究成果 |
（9）早期微弱样本失衡条件下滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断的研究现状 |
| 1.2.1 故障诊断技术发展概况 |
| 1.2.2 早期故障诊断研究现状 |
| 1.2.3 少样本标签下的故障诊断研究现状 |
| 1.3 滚动轴承故障诊断方法概述 |
| 1.3.1 传统机器学习故障诊断方法概述 |
| 1.3.2 深度学习故障诊断方法概述 |
| 1.3.3 迁移学习故障诊断方法概述 |
| 1.4 本文的主要内容 |
| 第二章 滚动轴承结构介绍及声发射检测技术原理 |
| 2.1 滚动轴承的基本结构与振动机理 |
| 2.2 声发射检测技术 |
| 2.2.1 声发射技术基本原理 |
| 2.2.2 声发射信号的优势特点 |
| 2.2.3 声发射信号的参数分析方法 |
| 2.3 本章小结 |
| 第三章 基于双维度EKNN的滚动轴承早期故障诊断 |
| 3.1 混合特征提取 |
| 3.2 基于M-SFS算法的早期特征选择 |
| 3.3 基于双维度EKNN的滚动轴承早期故障诊断 |
| 3.4 实验及结果分析 |
| 3.4.1 实验数据 |
| 3.4.2 实验方案 |
| 3.5 本章小结 |
| 第四章 少样本标签下的TD-DCSAE滚动轴承故障诊断 |
| 4.1 稀疏自动编码器 |
| 4.2 生成对抗网络 |
| 4.3 基于D-DCSAE的故障诊断模型 |
| 4.4 少样本标签下的TD-DCSAE滚动轴承故障诊断 |
| 4.4.1 实现步骤 |
| 4.4.2 实验数据 |
| 4.4.3 实验参数选取 |
| 4.4.4 实验结果与分析 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 本文主要研究成果 |
| 5.2 不足和展望 |
| 参考文献 |
| 攻读学位期间主要的研究成果 |
| 致谢 |
（10）基于CNN和领域自适应的滚动轴承故障诊断方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 滚动轴承故障诊断的国内外研究现状 |
| 1.2.1 滚动轴承故障诊断的信号检测方法 |
| 1.2.2 基于数据驱动的滚动轴承故障诊断 |
| 1.3 轴承故障诊断中卷积神经网络的研究现状及发展趋势 |
| 1.4 领域自适应在轴承故障诊断中的研究现状及应用前景 |
| 1.5 主要研究内容与技术路线 |
| 1.5.1 主要研究内容 |
| 1.5.2 技术路线 |
| 第2章 卷积神经网络与领域自适应理论 |
| 2.1 引言 |
| 2.2 卷积神经网络理论 |
| 2.2.1 卷积神经网络的基本结构 |
| 2.2.2 卷积神经网络的基本特征 |
| 2.2.3 卷积神经网络的训练过程 |
| 2.3 领域自适应理论 |
| 2.3.1 领域自适应的表示方法 |
| 2.3.2 领域自适应问题的定义方式 |
| 2.3.3 领域自适应的关键问题 |
| 2.3.4 领域自适应的处理方法 |
| 2.4 本章小结 |
| 第3章 基于深度卷积神经网络的轴承故障诊断技术 |
| 3.1 引言 |
| 3.2 深度卷积神经网络简介 |
| 3.2.1 深度卷积神经网络概述 |
| 3.2.2 深度卷积神经网络相关文献调研 |
| 3.3 用于轴承故障诊断的一维深度卷积神经网络 |
| 3.3.1 残差学习原理 |
| 3.3.2 神经网络训练中的批量归一化 |
| 3.3.3 一维深度卷积神经网络的结构设计 |
| 3.4 基于ODRNN的滚动轴承故障诊断实验 |
| 3.4.1 滚动轴承故障诊断实验 |
| 3.4.2 数据集增强 |
| 3.4.3 故障诊断结果及分析 |
| 3.5 深度卷积神经网络的可迁移性 |
| 3.6 本章小结 |
| 第4章 基于特征映射与深度联合适配的轴承故障迁移诊断 |
| 4.1 引言 |
| 4.2 特征变换与联合最大均值差异 |
| 4.2.1 特征变换 |
| 4.2.2 联合最大均值差异 |
| 4.3 深度卷积联合适配网络 |
| 4.3.1 网络的整体框架 |
| 4.3.2 网络的优化目标 |
| 4.4 轴承的损伤模式及迁移诊断数据集 |
| 4.4.1 人工轴承损伤和真实轴承损伤 |
| 4.4.2 迁移诊断数据集 |
| 4.5 不同损伤模式间的轴承故障迁移诊断实验 |
| 4.5.1 评估指标和实验结果 |
| 4.5.2 方法对比与网络性能分析 |
| 4.5.3 模型诊断过程可视化 |
| 4.6 本章小结 |
| 第5章 基于域分离与对抗学习的轴承故障迁移诊断 |
| 5.1 引言 |
| 5.2 网络整体结构与损失函数 |
| 5.2.1 网络的整体结构 |
| 5.2.2 网络的损失函数 |
| 5.3 不同机器间的轴承故障迁移诊断实验 |
| 5.3.1 数据集来源 |
| 5.3.2 迁移诊断实验 |
| 5.3.3 与其他方法的对比分析 |
| 5.4 对抗学习与特征可视化 |
| 5.4.1 DSRAN中的生成对抗思想 |
| 5.4.2 特征提取结果可视化分析 |
| 5.5 本章小结 |
| 第6章 轴承故障深度迁移诊断的软件系统开发 |
| 6.1 引言 |
| 6.2 软件系统的开发环境介绍 |
| 6.2.1 Spyder介绍 |
| 6.2.2 Flask介绍 |
| 6.2.3 Py Torch介绍 |
| 6.3 软件系统的后端设计及实现 |
| 6.3.1 软件系统的架构 |
| 6.3.2 软件系统的后端设计 |
| 6.4 软件系统的前端设计及实现 |
| 6.4.1 首页界面 |
| 6.4.2 迁移诊断数据集概述界面 |
| 6.4.3 迁移故障特征可视化界面 |
| 6.4.4 迁移诊断模型部署界面 |
| 6.5 本章小结 |
| 总结与展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间发表的论文 |
四、滚动轴承故障特征信息的自动提取方法研究（论文参考文献）
- [1]基于图嵌入自编码的滚动轴承故障诊断方法研究[D]. 赵孝礼. 东南大学, 2021
- [2]基于深度自编码神经网络的滚动轴承故障诊断方法研究[D]. 师诗. 北京交通大学, 2021(02)
- [3]基于深度学习的旋转机械智能故障诊断算法研究[D]. 陈晶城. 北京交通大学, 2021(02)
- [4]基于遗传编程的滚动轴承故障诊断方法研究[D]. 彭勃. 华北电力大学(北京), 2021
- [5]基于改进LeNet-5网络的滚动轴承故障诊断方法研究[D]. 陈意伟. 湖南工业大学, 2021(02)
- [6]旋转机械早期故障诊断关键技术研究[D]. 杨静. 西安理工大学, 2020
- [7]基于深度降噪自编码的轴承性能退化状态识别[D]. 张臣臣. 华东交通大学, 2020(03)
- [8]基于多源信息融合的风电滚动轴承故障诊断研究[D]. 孙文卿. 东南大学, 2020(01)
- [9]早期微弱样本失衡条件下滚动轴承故障诊断方法研究[D]. 贺婧. 湖南工业大学, 2020(02)
- [10]基于CNN和领域自适应的滚动轴承故障诊断方法研究[D]. 石大磊. 西南交通大学, 2020(07)