轴承故障诊断专辑
轴承作为汽车、高铁等核心部件之一，工作环境非常恶劣，极易发生各类故障，但由于受到变载荷、多激励、强噪声等多种复杂因素的影响，准确诊断与检测轴箱轴承故障是一个亟待解决的难点问题。传统的“特征提取+机器学习”方法依赖大量的信号处理技术，并且不适用于海量监测数据的分析。因此轴承故障诊断成为一大研究热点。为了更深入了解相关概念，整合了本刊发表的轴承故障诊断方面的相关研究，共计8篇。制作了轴承故障诊断专辑，欢迎浏览。
主题关键词： 故障诊断滚动轴承注意力机制卷积神经网络轴箱轴承
- 论文汇编
基于注意力的多尺度卷积神经网络轴承故障诊断
摘要：针对卷积神经网络在噪声环境下轴承故障诊断精度较低的问题，提出一种加入通道注意力的多尺度卷积神经网络抗噪模型（MACNN）。该模型首先在提取不同尺度的特征时利用通道注意力自适应地选择包含故障特征的通道提高模型的抗噪能力，抑制噪声的影响；然后利用自适应大小的一维卷积调整不同尺度的特征通道权重，自适应融合不同尺度的特征；最后通过全连接层进行特征分类。两个轴承数据集上的实验结果表明：在不同信噪比的噪声干扰下，相比其他方法，MACNN有更强的轴承故障诊断能力。关键词：故障诊断;滚动轴承;卷积神经网络;注意力机制229|676|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于优化A-BiLSTM的滚动轴承故障诊断
摘要：为提高超参数设置的效率及其与模型的适配性，改善人工设置模型参数的高成本和低效率问题，提出一种基于蜜獾算法（Honey badger algorithm， HBA）优化注意力双向长短时记忆网络（HBA-A-BiLSTM）的滚动轴承故障诊断方法。首先，通过HBA对A-BiLSTM模型进行最优超参数组合搜寻，然后基于最优超参数下的A-BiLSTM模型进行故障诊断性能测试。最后，基于不同工况的数据集进行模型泛化能力测试。采用CWRU数据集对所提方法的故障诊断效果进行验证，利用诊断精度以及混淆矩阵进行评价。实验结果表明，与其他群智能优化算法相比，蜜獾算法搜索全局性能好，收敛速度快，优化后的最终模型的故障诊断准确率达到了99.5%，具有良好的效果，且在不同工况下能够实现稳定、准确的故障诊断性能，泛化能力强。关键词：故障诊断;蜜獾算法;参数优化;双向长短时记忆网络;注意力机制100|207|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于优化堆叠降噪自编码器的滚动轴承故障诊断
摘要：针对深度神经网络用于滚动轴承故障诊断时，网络隐含层层数、各隐含层节点数、稀疏系数以及输入数据置零比例等超参数会直接影响网络诊断性能的问题，提出了一种优化改进堆叠降噪自编码器（SDAE）的滚动轴承故障智能诊断方法。使用学生心理优化算法（SPBO）对降噪自编码器（DAE）网络的超参数进行自适应选取来确定SDAE网络的最优结构和参数，据此提取具有更强表征力的故障状态特征表示，输入到soft-max分类器实现滚动轴承运行工况的精确诊断。使用3个开源数据集对所提网络的性能进行验证，实验结果表明，基于SPBO-SDAE网络的诊断方法在特征有效提取、诊断速度以及故障诊断准确率方面均优于支持向量机（SVM）、反向传播（BP）神经网络、径向基（RBF）神经网络、SDAE网络、SPBO优化后的深度置信网络（DBN）、遗传算法（GA）优化后的SDAE网络以及粒子群算法（PSO）优化后的SDAE网络。关键词：故障诊断;滚动轴承;堆叠降噪自编码器;超参优化;特征提取68|33|0<HTML><网络PDF><WORD>更新时间：2025-05-26数据不平衡分布下轴承故障诊断方法
摘要：针对在滚动轴承的故障诊断中数据的不平衡分布会降低模型诊断能力的问题，本文提出一种首层拥有大尺度卷积核的一维卷积神经网络（WKFL-1DCNN）。WKFL-1DCNN首先使用较大的首层卷积核提取故障特征，并在交替的卷积层后添加批标准化（BN）层来调整数据分布；然后使用类平衡损失函数代替交叉熵损失函数来抵消数据不平衡分布给网络造成的影响。实验表明，本文所作改进能够有效提升WKFL-1DCNN在不平衡故障诊断中的表现，其故障诊断能力优于其他对比算法。关键词：故障诊断;不平衡数据分布;卷积神经网络;类平衡损失函数;滚动轴承117|30|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于轻量化神经网络Shuffle⁃SENet的高速动车组轴箱轴承故障诊断方法
摘要：针对复杂工况下高速动车组轴箱轴承故障难以准确诊断的问题，提出了一种Shuffle-SE单元设计方法，并基于模块化思想建立了一种新的轻量化网络Shuffle-SENet用于高速列车轴箱轴承故障诊断。Shuffle-SE单元以ShuffleNet V2单元为基础，在保留网络轻量化的同时，对网络结构进行了局部优化，并进一步嵌入了Squeeze-and-excitation（SE）结构。所构建的轻量化网络模型在保证运算高效的同时，故障诊断精度明显提升。此外，本文对Shuffle-SE单元的数量及SE结构中降维系数对网络模型性能的影响进行了深入分析。实验分析结果表明：本文网络模型可有效用于多种复杂工况下高铁轴箱轴承故障诊断，相比MobileNet V2、ShuffleNet V1/V2、ResNets等目前较为流行的神经网络模型，本文模型在运行效率和故障诊断精度两方面均有较好表现。本文研究为深度学习技术走向工程实际应用，克服对计算机硬件配置较高的限制提供了一种新的解决方法。关键词：故障诊断;轴箱轴承;高速动车组;轻量化网络;ShuffleNet单元129|43|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于卷积神经网络和双向长短期记忆的稳定抗噪声滚动轴承故障诊断
摘要：针对滚动轴承在噪声环境条件下故障诊断模型准确率较低和性能不稳定的问题，本文提出了一种稳定抗噪声故障诊断神经网络（SAFDNN）模型。该模型采用原始振动数据信号作为输入，首先使用卷积神经网络（CNN）进行数据信号特征提取，然后利用双向长短期记忆（BiLSTM）充分提取数据信号的序列特征，接着添加注意力机制进行特征融合以自动关注每种数据信号的相关信息，提高模型的诊断性能，最后通过全连接层和Softmax层进行特征分类。实验结果表明，SAFDNN在添加不同信噪比大小的额外噪声条件下能够保持较高的故障识别准确率和较好的诊断效果稳定性。关键词：故障诊断;稳定抗噪声;滚动轴承;神经网络;特征提取;注意力机制143|50|0<HTML><网络PDF><WORD>更新时间：2025-05-26基于子领域自适应的变工况下滚动轴承故障诊断
摘要：针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签较难获取的问题，提出了一种子领域自适应的深度迁移学习故障诊断方法。首先，为充分利用卷积神经网络图像特征提取能力，将滚动轴承振动信号采用连续小波变换生成图像数据集；其次，源域与目标域通用特征提取采用改进图像集预训练的ResNet-50网络结构，子领域自适应度量引入局部最大均值差异（LMMD）准则，该度量准则通过计算目标域伪标签以匹配条件分布距离来进行子领域自适应，从而减小不同工况下的子类故障特征分布差异，提高模型诊断精度；最后，在两个公开变工况滚动轴承故障数据集上进行试验验证，结果表明，本文方法平均识别准确率为99%左右，并将其与不同诊断方法进行了对比分析，说明了本文方法的有效性与优越性。关键词：故障诊断;滚动轴承;子领域自适应;变工况;残差网络153|47|0<HTML><网络PDF><WORD>更新时间：2025-05-26一种用于轴承故障诊断的迁移学习模型
摘要：基于人工神经网络的智能故障诊断方法能有效识别设备的健康状况，但传统人工神经网络需要大量有标签样本进行训练，这极大限制了人工神经网络在设备故障诊断中的应用，并且对于不同工况的适应性较差。为解决该问题，提出了一种基于迁移学习理论的轴承故障诊断模型，该模型由栈式稀疏自动编码器（SAE）和柔性最大值函数（Softmax）回归组成，引入高阶KL散度（HKL）训练域自适应能力，可从具有大量已知数据的工况迁移到仅有少量数据的相似工况中。当工况改变时，仅需少量数据进行训练即可适应新工况。采用凯斯西储大学公开的轴承实验数据集验证了该模型的有效性。关键词：故障诊断;人工神经网络;迁移学习;自动编码器119|36|0<HTML><网络PDF><WORD>更新时间：2025-05-26
