局部保形映射和AdaBoost方法在滚动轴承故障诊断中的应用

合集下载

基于深度学习的滚动轴承故障诊断研究综述

基于深度学习的滚动轴承故障诊断研究综述
基本内容
摘要：本次演示综述了基于深度学习的滚动轴承故障诊断研究进展，概述了深度学习在滚动轴承故障诊断中的应用和优缺点，并提出了未来研究的方向和重点。关键词：深度学习，滚动轴承，故障诊断，机械故障，
引言：滚动轴承是机械设备中的重要组成部分，其故障会对设备的正常运行产生严重影响。因此，滚动轴承故障诊断具有重要意义。随着人工智能技术的发展，深度学习作为一种强大的机器学习分支，已在许多领域取得了显著成果。本次演示将综述基于深度学习的滚动轴承故障诊断研究进展，以期为相关领域的研究提供参考。
文献综述：近年来，深度学习在滚动轴承故障诊断中得到了广泛。根据应用的不同，可以分为以下几类：
1、基于卷积神经网络的故障诊断：卷积神经网络（CNN）是一种适用于图像处理的深度学习算法。有研究表明，将CNN应用于滚动轴承故障诊断，可以有效地识别轴承表面的损伤图像。通过构建特定的CNN模型，将损伤图像作为输入，可以实现故障的自动诊断。然而，CNN方法需要大量的标注数据，且对数据的质量和数量要求较高。
未来研究可以从以下几个方面展开：首先，加强数据预处理工作，提高数据质量，以减轻深度学习算法对数据的依赖程度。其次，改进现有深度学习算法，解决其存在的问题，提高算法的稳定性和泛化能力。此外，研究多源信息融合方法，综合利用不同信息源的特征进行滚动轴承故障诊断，以提高诊断准确性和鲁棒性。最后，开展实验研究，验证改进算法的有效性，为滚动轴承故障诊断提供新的解决方案。
通过比较编码向量在不同状态下的差异，可以实现对轴承故障的诊断。然而， AE的诊断效果受限于所提取的特征的有效性，如何选择合适的特征仍是一个问题。
结论：基于深度学习的滚动轴承故障诊断研究取得了一定的进展，但仍存在一些问题和不足。首先，深度学习算法的应用仍受限于数据的质量和数量，尤其是在CNN方法中。其次，深度学习算法本身也存在一些问题，如RNN中的梯度消失和梯度爆炸问题。此外，如何选择合适的特征以及如何构建有效的深断：循环神经网络（RNN）是一种适用于序列处理的深度学习算法。在滚动轴承故障诊断中，RNN可以处理时间序列数据，如振动信号等。通过将振动信号转化为序列数据，并输入到RNN模型中进行训练，可以实现对轴承故障的预测和诊断。但是，RNN模型训练过程中容易出现梯度消失或梯度爆炸的问题，导致模型无法有效学习。

基于DSP的滚动轴承在线故障诊断系统

基于DSP的滚动轴承在线故障诊断系统任锴胜;王增才;王保平【摘要】为了提高滚动轴承故障诊断的准确性,介绍了一种基于DSP和组态软件的滚动轴承在线故障诊断系统.该系统以DSP作为信号处理部分,以组态软件作为人机交互界面,通过采用轴承振动信号的时域特征参数法对滚动轴承故障进行判断.实践检验证明,该系统能准确地判断出滚动轴承故障,具有较好的应用前景.%In order to improve the accuracy of fault diagnosis of rolling bearings, an on - line fault diagnosis system was provided based on digital signal process and configuration software. DSP was used as the signal processing portion and configuration software was used as the human- machine interaction interface. The system takes advantage of the bearing vibration signals in time domain method to determine the fault characteristic. The tests show that the system can accurately identify the rolling bearing failure, which means its prospective application.【期刊名称】《武汉理工大学学报（信息与管理工程版）》【年(卷),期】2011(033)002【总页数】4页(P247-250)【关键词】DSP;轴承检测;故障诊断【作者】任锴胜;王增才;王保平【作者单位】山东大学机械工程学院,山东,济南,250061;山东大学机械工程学院,山东,济南,250061;山东大学机械工程学院,山东,济南,250061【正文语种】中文【中图分类】TP277;TH133.33滚动轴承作为旋转机械中最基本的零件，其性能的优劣直接影响到整个系统能否正常工作。

快速自适应局部均值分解及轴承故障诊断应用

快速自适应局部均值分解及轴承故障诊断应用【摘要】本文主要介绍了快速自适应局部均值分解（FLMD）及其在轴承故障诊断中的应用。

首先概述了FLMD的原理和方法，然后介绍了轴承故障诊断的常见方法。

接着详细阐述了FLMD在轴承故障诊断中的具体应用，包括实验设计与结果分析以及案例分析。

通过对比实验结果，验证了FLMD在轴承故障诊断中的优势。

最后对未来的研究展望进行了探讨，并对本文所述内容进行了总结。

本研究为轴承故障诊断提供了新的方法和思路，对于提高设备运行安全性和效率具有重要意义。

【关键词】快速自适应局部均值分解、轴承故障诊断、研究、原理、方法、应用、实验、结果分析、案例分析、优势、展望、结论、背景介绍、研究意义、研究目的、结论总结。

1. 引言1.1 背景介绍随着工业生产的发展，轴承作为重要的机械部件，在机械设备中扮演着至关重要的角色。

由于轴承在长期运行过程中受到各种外界因素的影响，轴承故障问题逐渐凸显出来。

轴承故障不仅会导致机械设备的停机维修，还可能引发严重事故，对生产造成严重损失。

本文将介绍快速自适应局部均值分解原理及方法，概述轴承故障诊断方法，探讨快速自适应局部均值分解在轴承故障诊断中的应用，通过实验设计和结果分析验证其有效性，并结合实际案例进行深入分析，最终总结出快速自适应局部均值分解在轴承故障诊断中的优势和未来研究展望。

1.2 研究意义快速自适应局部均值分解（Fast Adaptive Local Mean Decomposition，简称FALMD）是一种新兴的信号处理方法，能够将非平稳信号分解为不同尺度和频率的成分，同时具有自适应性和高效性。

对于轴承故障诊断这一实际问题，传统方法往往存在计算量大、对信号特征提取不准确等问题，而FALMD方法能够较好地克服这些困难，提高轴承故障的诊断准确性和效率。

研究快速自适应局部均值分解在轴承故障诊断中的应用具有重要的理论和实际意义，对于提高轴承故障诊断的准确性、效率和智能化水平具有积极的推动作用。

基于SVM—AdaBoost算法的轨道交通列车滚动轴承故障诊断

（１．Ｂｅ０ｉｎｇＰｕｂｌｉｃＴｒａｎｓｐｏｒｔＨｏｌｄｉｉｌｇｓ，Ｌｔｄ，Ｂｅｉｊｉｎｇ
Ｆｍ１ｇＳｈｕａｉＡｂｓｔｒａｃｔ：１Ｌｕｎｎｉｎｇｇｅａｒ ’ ｓｒｏｌｌｉｎｇｅｌｅｍｅｎｔｂｅａｍ１ｇｓａＩ ‘ ｅｋｅｙｅｌｅｍｅｎｔｓｉｎｒａｉｌｃｒａ１ｉｓｉｔｔｒｌｉｌｌＹａｉ１ｄａ１・ｃ０ｌ１ｃ（１ｔ－ｔｈｅｎ１Ｉ１ｌｔｉｐ１ｃ矗Ｌ１１ｃ
、１．ｔｈｅ
㈨ｍｉＩ１ｌｅｆ］ｌｕｌｔ（ｅａｔｕｒｅｉｓｅｘｔｒａｃｔｅｄ，Ｉ１Ｉ１ｃｕｂｅａｒｉｎｇｉｎｔｅｌｌｉｇｅｎｔｔｈｕｌｔｄｉａｇｎｏｓｉｓｌｌｇｏｒｉｔｈｌ１１ｉｓｐｒ（｝１（）ｓｃｄａｍｔ㈨】Ｉ１１ｃｔ
关键词：交通安全；轨道交通；ＳＶＭＡｄａＢｏｏｓｔ：故障诊断
中图分类号Ｕ２７９２丈献标志码：Ｂ
ＦａｕｌｔｄｉａｇｎｏｓｉｓｏｆｒａｉｌｗａｙｒｏｌｌｉｎｇｂｅａｒｉｎｇｂａｓｅｄＯｉｌＳＶＭ
，，
ＣＯｌｌｌｐｏｌｌｅｉｌｔＳ，ｉｔｄｉｒｅ【 ’ ｔｌｙａｌｂｆ￣ｔｓｔｈｅｓａｆｅｔｙｏｆｒａｉｌｔｒａｎｓｉｔｔｒ；ｌｉｉｌｓＴｈｅｒｅｆｏｒｅｒｅｓｅａｒｃｈ（）ｎｔｈｅｔ￣ｍｌｔｄｉａｇｍ１ｓｉｓｔｅ【 ’ ｈｎｏｌｏｇ３，（）ｆｎｌ】ｌＩｌｉｉｌｇ

Xgboost在滚动轴承故障诊断中的应用

Xgboost在滚动轴承故障诊断中的应用张钰;陈珺;王晓峰;刘飞【摘要】Due to the difficulty for selecting the data feature for different bearings and the low accuracy in fault diagnosis of rolling bearings using single classifier method, a rolling bearing fault diagnosis algorithm with eXtreme Gradient Boosting (Xgboost) based on classification and regression tree is proposed. The Xgboost is an ensemble learning method which contains a variety of classifiers. The accuracy of rolling bearing fault diagnosis is improved by the"boosting"thought of the Xgboost. First of all, the time domain statistical indicators extracted from the vibration signals of the rolling bearings are used as feature vectors. Then, the Xgboost algorithm is utilized for the fault diagnosis of the rolling bearings. Comparing the vibration data obtained in the bearing test on the SQI-MFS testing platform with the diagnostic results of traditional algorithms (SVM, kNN and ANN) and single classification and regression tree, it is concluded that the Xgboost algorithm is superior to the above algorithms, and the computation time is less than that of the traditional boosting decision tree algorithm.%针对不同轴承数据特征选择困难和单个分类器方法在滚动轴承故障诊断中精度较低的问题,提出一种基于分类与回归树的Xgboost(eXtreme Gradient Boosting)轴承故障诊断算法.Xgboost是包含多个分类器的集成学习方法.通过Xgboost的"提升"思想来提高滚动轴承故障诊断的精度.首先,从滚动轴承的振动信号中提取时域特征参数;然后利用Xgboost算法对滚动轴承故障进行诊断.将SQI-MFS实验平台的轴承振动数据,与传统分类器(支持向量机、邻近算法和人工神经网络)以及单个分类回归树的诊断结果相比,结果表明Xgboost在轴承故障诊断率上优于上述几种算法,且计算时间比传统提升决策树算法短.【期刊名称】《噪声与振动控制》【年(卷),期】2017(037)004【总页数】6页(P166-170,179)【关键词】振动与波;滚动轴承;故障诊断;支持向量机;Xgboost【作者】张钰;陈珺;王晓峰;刘飞【作者单位】轻工过程先进控制教育部重点实验室,江南大学自动化研究所,江苏无锡 214122;轻工过程先进控制教育部重点实验室,江南大学自动化研究所,江苏无锡 214122;西门子中国研究院,北京 100000;轻工过程先进控制教育部重点实验室,江南大学自动化研究所,江苏无锡 214122【正文语种】中文【中图分类】TH133.3;TP206据统计，在工业生产中，采用滚动轴承的旋转机械设备中有30%的故障都是由滚动轴承的故障所引起的。

基于多类AdaBoost的故障诊断算法

基于多类AdaBoost的故障诊断算法
李胜;张培林;佟若雄
【期刊名称】《电子测量技术》
【年(卷),期】2011(34)8
【摘要】主要研究了多类分类AdaBoost算法,及其在多类故障诊断问题中的应用。

为了解决"一对一"算法和"一对余"算法的局限性,提出了基于决策树的AdaBoost
算法。

利用遗传算法的全局随机搜索性能对数据集进行特征筛选,得到新的特征数
据集,根据CART算法构造决策树建立AdaBoost分类器,使得决策树每一个节点的最可分类别尽可能分开。

通过对3个数据集进行仿真分析,表明该算法的性能优于
其他2个算法,具有更高的通用性,验证了该算法的有效性。

【总页数】5页(P101-105)
【关键词】AdaBoost;决策树;遗传算法;故障诊断
【作者】李胜;张培林;佟若雄
【作者单位】军械工程学院一系
【正文语种】中文
【中图分类】TH17;TP18
【相关文献】
1.基于SVM-AdaBoost算法的轨道交通列车滚动轴承故障诊断 [J], 冯帅
2.基于Adaboost的网络设备故障诊断算法 [J], 王俊;张贤孝
3.基于Adaboost算法的变压器故障诊断 [J], 李文君子;王梦沈
4.基于AdaBoost-RBF算法与DSmT的变压器故障诊断技术 [J], 刘云鹏;付浩川;许自强;李刚;高树国;董王英
5.基于改进AdaBoost算法的柴油机故障诊断研究 [J], 尚前明;刘治江;曹玉佩;尹文龙
因版权原因，仅展示原文概要，查看原文内容请购买。

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法

基于局部均值分解与拉普拉斯特征映射的滚动轴承故障诊断方法徐倩倩;刘凯;侯和平;徐卓飞【期刊名称】《中国机械工程》【年(卷),期】2016(027)022【摘要】针对滚动轴承非平稳振动信号的特征提取及维数优化问题，提出了融合局部均值分解与拉普拉斯特征映射的轴承故障诊断方法.首先，通过局部均值分解对非平稳振动信号进行平稳化分解，提取乘积函数分量、瞬时频率及瞬时幅值的高维信号特征集；然后，将高维特征集作为拉普拉斯特征映射算法的学习对象，提取轴承高维故障特征集的内在流形分布，以获得敏感、稳定的轴承振动特征参数，实现基于非平稳振动信号分析的滚动轴承故障特征提取；最后，结合支持向量分类模型量化 LMD-LE 方法的特征提取效果，实现不同状况下的轴承故障分类.轴承故障样本分类识别平均正确率达到91．17％，表明LMD-LE方法有效实现了高维局部均值分解特征集合的降噪，所提取的特征矩阵对轴承故障特征描述准确.【总页数】7页(P3075-3081)【作者】徐倩倩;刘凯;侯和平;徐卓飞【作者单位】西安理工大学，西安，710048;西安理工大学，西安，710048;西安理工大学，西安，710048;西安理工大学，西安，710048【正文语种】中文【中图分类】TH17【相关文献】1.基于局部均值分解与形态学分形维数的滚动轴承故障诊断方法 [J], 张亢;程军圣;杨宇2.Savitzky-Golay滤波与局部均值分解相结合的滚动轴承故障诊断方法 [J], 张宝;周麟奉;杨涛3.基于全矢局部均值分解的滚动轴承故障诊断方法 [J], 苏文芳;李凌均;韩捷;石帅锋4.基于局部均值分解和K近邻算法的滚动轴承故障诊断方法 [J], 蔡锷;李春明;刘东民;谭晓伟5.基于复局部均值分解和复信号包络谱的滚动轴承故障诊断方法 [J], 黄传金;宋海军;秦娜;陈晓;柴鹏因版权原因，仅展示原文概要，查看原文内容请购买。

《基于开放集深度迁移学习的滚动轴承故障诊断方法研究》范文

《基于开放集深度迁移学习的滚动轴承故障诊断方法研究》篇一一、引言滚动轴承作为旋转机械的关键组成部分，其工作状态直接影响着设备的运行安全与稳定性。

在生产制造和日常维护中，滚动轴承的故障诊断是一项重要的任务。

然而，由于工作环境、工作负载以及制造工艺等因素的影响，滚动轴承的故障模式复杂多样，给传统的故障诊断方法带来了挑战。

本文旨在研究基于开放集深度迁移学习的滚动轴承故障诊断方法，旨在提高诊断的准确性和可靠性。

二、滚动轴承故障诊断的背景及挑战传统的滚动轴承故障诊断方法大多依赖于专家的经验和对设备的深入理解。

然而，由于设备的多样性和复杂性，这种方法的可重复性和通用性较差。

此外，随着机器学习技术的发展，一些基于模型的方法也被引入到滚动轴承的故障诊断中。

然而，这些方法大多需要大量的标记数据，而在实际应用中，获取大量的标记数据往往需要消耗大量的时间和人力成本。

此外，由于不同设备、不同工况下的数据分布差异，传统的机器学习方法往往难以适应新的工作环境。

三、开放集深度迁移学习理论基础开放集深度迁移学习是一种新的机器学习方法，它能够利用源域数据和目标域数据之间的共享知识，对目标域进行学习和预测。

在滚动轴承故障诊断中，我们可以将不同设备、不同工况下的数据作为不同的域，利用深度迁移学习的方法，将知识从源域迁移到目标域，从而提高诊断的准确性和可靠性。

四、基于开放集深度迁移学习的滚动轴承故障诊断方法本文提出了一种基于开放集深度迁移学习的滚动轴承故障诊断方法。

首先，我们利用深度神经网络对源域和目标域的数据进行特征提取和表示学习。

然后，我们利用迁移学习的思想，将源域的知识迁移到目标域。

具体来说，我们采用一种自适应的迁移学习方法，通过调整网络的参数和结构，使得网络能够适应不同的数据分布。

最后，我们利用softmax层对目标域的故障类型进行分类和预测。

五、实验与分析为了验证本文提出的方法的有效性，我们在多个不同设备、不同工况下的滚动轴承数据集上进行了实验。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

Ｋｅｙｗｏｒｄｓ：ｒｏｌｌｅｒｂｅａｉｒｎｇ；ｌｏｃａｌｉｔｙｐｒｅｓｅｖｉｒｎｇｐｒｏｊｅｃｔｉｏｎ；ｅｉｇｅｎｖａｌｕｅ；ｅｉｇｅｎｖｅｃｔｏｒ；ａｄａｂｏｏｓｔ
振
第３２卷第５期
动
与
冲
击
ＪＯＵＲＮＡＬ０ＦＶＩＢＲＡＴＩＯＮＡＮＤＳＨＯＣＫ
局部保形映射和ＡｄａＢｏｏｓｔ方法在滚动轴承故障诊断中的应用
姚培，王仲生，姜洪开，刘贞报，布树辉
（西北工业大学航空学院，西安７１００７２）
ｔｉｍｅｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ，ｆｒｅｑｕｅｎｃｙｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ，ａｎｄｔｉｍｅ — ｒｅｆｑｕｅｎｃｙｄｏｍａｉｎｐａｒａｍｅｔｅｒｓ．Ｓｕｃｃｅｓｓｉｖｅｌｙ，ｄｉｍｅｎｓｉｏｎ
ｒｅｄｕｃｅｄｆｅａｔｕｒｅｓｒｏｆｍｔｈｅｏｉｇｒｉｎａｌｄａｔａｓｅｔｗｅｒｅｅｘｔｒａｃｔｅｄｂｙｕｓｉｎｇＬＰＰ．Ａｎｄｉｎｆａｌｌｙ．ｔｈｅａｄａｐｔｉｖｅｂｏｏｓｔｉｎｇａｌｇｏｉｔｒｈｍｗａｓａｐｐｌｉｅｄｏｒｆｔｒａｉｎｉｎｇａｎｄｃｌａｓｓｉｉｆｃａｔｉｏｎｆｎｏｒｍａｌｃｏｎｄｉｔｉｏｎ，ｉｎｎｅｒｒａｃｅｄｅｆｅｃｔ，ｏｕｔｅｒｒａｃｅｄｅｆｅｃｔ，ａｎｄｂａｌｌｄｅｆｅｃｔｏｆｒｏｌｌｅｒｂｅａｉｎｒｇｓｗｅｒｅａｎａｌｙｓｅｄ．Ｔｏｖｅｒｉｆｙｉｔｓａｄｖａｎｔａｇｅｓ，ｓｏｍｅｃｏｍｐａｒａｔｉｖｅｔｒｉａｌｓａｎｄｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｉｔｓｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｓｕｐｅｉｏｒｒｉｔｙ．
摘
要：针对滚动轴承故障振动信号的随机性和非平稳性，提出基于局部保形投影（ＬＰＰ）特征提取和自适应
Ｂｏｏｓｔｉｎｇ算法的滚动轴承故障诊断方法。首先对信号构建原始样本数据集合，提取时域、频域及时频域的相关特征，将该特征作为ＬＰＰ的输入样本，得到维数降低的新数据集合并能尽可能保持原始局部流形结构。将此降维特征向量作为Ａｄａｂｏｏｓｔ输入，建立故障模型，用以识别滚动轴承故障类型。分析滚动轴承正常状态、内圈故障、外圈故障及滚动体故障特性。通过对比试验表明，基于ＬＰＰ与Ａｄａｂｏｏｓｔ诊断方法识别率较高，可准确有效地对滚动轴承状态和故障进行分类。
ＹＡ０Ｐｅｉ，ＷＡＮＧＺｈｏｎｇ — ｓｈｅｎｇ，ＪＩＡＮＧＨｏｎｇ — ｋａｉ，ＬＩＵＺｈｅｎ — ｂａｏ，ＢＵＳｈｕ — ｈｕｉ
（ＮｏｒｔｈｗｅｓｔｅｒｎＰｏｌｙｔｅｃｈｎｉｃａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｉ ’ ａｎ７１００７２，Ｃｈｉｎａ）
关键词：滚动轴承；局部保形投影；特征值；特征向量；Ａｄａｂｏｏｓｔ
中图分类号：ＴＨ１７；ＴＰ３０６文献标识码：Ａ
Ｒｏｌｌｅｒｂｅａｒｉｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｂａｓｅｄｏｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎ
Ａｂｓｔｒａｃｔ：Ａｎｏｖｅｌｍｅｔｈｏｄｆｏｒｒｏｌｌｅｒｂｅａｉｒｎｇｆａｕｌｔｄｉａｇｎｏｓｉｓｗａｓｐｒｅｓｅｎｔｅｄｂａｓｅｄｏｎｌｏｃａｌｉｔｙｐｒｅｓｅｒｖｉｎｇｐｒｏｊｅｃｔｉｏｎ（ＬＰＰ）ａｎｄａｄａｐｔｉｖｅｂｏｏｓｔｉｎｇａｌｇｏｒｉｔｈｍ（Ａｄａｂｏｏｓｔ）．Ｔｈｅｏｉｒｇｉｎａｌｄａｔａｓｅｔｆｏｒｖｉｂｒａｔｉｏｎｓｉｇｎａｌｓｗａｓｃｏｎｓｔｒｕｃｔｅｄ，ｉｎｃｌｕｄｉｎｇ