相关学位论文阅读

 

*基于局部均值分解的图谱域滚动轴承故障诊断技术的研究（山东大硕士学位论文2021）

key wrods:局部均值分解；图建模；EMD；LMD

文章主要脉络：将一维振动信号进行LMD分析并建立图模型→根据图的相似性度量方式（本文中指的是邻图之间的欧氏距离）来故障诊断→先使用PCA进行图数据的降维然后使用KNN进行分类

可借鉴的相关知识：

（1）除了使用常见的CWRU的数据集之外，还使用了ＸＪＴＵ－ＳＹ轴承数据集，是由西安交通大学设计科学研宄所和基础构件研宄所以及长兴晟阳科技有限公司提供的滚动轴承加速退化试验数据

（2）该文章的【93】参考文献是借助时频分析方法将轴承振动信号映射到二维图像空间，采用卷积神经网络对故障数据进行分类识别。可以康康

（3）该文章利用参考文献的理论仿真出了轴承模拟信号

 

*基于注意力机制与深度学习的 故障诊断方法研究（西南科大硕论2021）

key wrods:小波变换；边缘计算；注意力机制

文章主要脉络：首先建立了通过小波变换得到的图像进行2DCNN模型进行诊断→加上注意力机制SE（Squeeze-and-Excitation）→在硬件上进行轴承诊断研究。

可借鉴的相关知识：

（1）目前主流的注意力机制可以分为三种，通道注意力、空间注意力以及自注意力。本文模型改进所使用的是通道注意力机制，其具有轻量化易实现的特性，SE-Net 作者通过它获得了 ILSVRC2017 分类任务的第一名

（2）这篇文章2.4章节介绍了采样点长度的讲究

 

 *结合 Duffing 系统和 Bi-LSTM 网络的轴承弱故障诊断研究（西安理工硕论2021）

key wrods:duffing系统；bi-LSTM；注意力机制

文章主要脉络：改进duffing系统，方便后续生成数据→BI-LSTM→结合LSTM和DUFFING进行验证，其中数据集采用的是XJTU和凯斯西储CWRU

可借鉴的相关知识：

（1）文中提到不同轴承故障对应的轴承故障特征频率点也各不相同，并出了对应的计算公式

（2）文中提到XJTU-SY 轴承数据集公开了 3 种工况（径向力 10kN、11kN 和 12kN）下的滚动轴承的全寿命周期振动信号，能够用于轴承寿命预测和早期轴承弱故障诊断。

 

*.基于卷积神经网络的风电机组轴承故障诊断方法研究（浙大硕士学位论文2020）

key wrods:风电机组，轴承，故障诊断，卷积神经网络，抗噪声，复合故障

文章主要脉络：设计深度学习的神经网络来进行轴承故障诊断（2D CNN）→不同的信号处理方式对比（1.简单的信号采样点重排得到的振动灰度图2.短时傅里叶变换和连续小波变换得到的二维时频图.）→深度学习与机器学习方法的对比→噪声干扰下的故障诊断（实验得出在低信噪比下的效果不如小波变换，对此提出了基于模型优化、代价函数改进和训练样本干扰的改进策略）→基于单故障样本的复合故障诊断

可借鉴的相关知识：

（1）除了单一故障的诊断识别，该文还专门研究了针对复合故障诊断的几种方案。

（2）t-SNE 方法[83]得到的各样本所提取出的高维特征在降维后的特征空间中的可视化分布图。

（3）该文利用 MATLAB  2014a 软件进行连续小波变换，并采用cmor1-3 小波基函数，由于连续小波变换得到的时频图在时间轴上的分辨率较高，不能直接送入卷积，因此对原始小波时频图基于三次样条插值进行了压缩，压缩成适于模型输入的 32×32 大小。

（4）该文主要从时域信号叠加进行了尝试。其中时域信号的叠加方法为，对多个单一故障信号进行经验模态分解（EMD），并将挑选后的本征模函数（IMF）进行线性叠加

（5）使用了来自 Shao 所开源的 20Hz-0V工况下的齿轮箱轴承故障数据集[64]进行算法验证，该数据集中涵盖了轴承的三种单故障和内外圈复合故障条件下的测试数据。以及凯斯西储大学（Case  Western  Reserve University）轴承数据集

总体感受：这篇文章做的内容好多，并且有很多自己原创的想法和方法。

 

 

*基于卷积神经网络的轴承故障 诊断算法研究（哈工大硕士学位论文2017）

key wrods:轴承故障诊断；卷积神经网络；抗噪性；变负载自适应性

文章主要脉络：提出一维卷积神经网络进行轴承故障诊断→提出原创的神经网络（WDCNN）→提出利用 AdaBN 领域自适应性算法改进 WDCNN（这篇文章神经网络的可视化技术用的很多）→提出利用训练干扰与集成学习增强 WDCNN 在噪声与变负载环境下的轴承故障诊断性能

可借鉴的相关知识：

（1）第一部分的神经网络的优化算法，这篇文章采用的是Adam而不是SGD，并且使用了BN（批量归一化），后续当测试样本的分布与训练样本的分布差异较大时，WDCNN 模型的诊断性能会下降。为了抑制这种性能衰退，本章将采用 AdaBN[47]（Adaptive Batch Normalization）算法提高 WDCNN 模型的领域自适应能力。

（2）对一维信号进行数据增强的方法对一维振动信号进行重叠采样。

（3）若是进行一维卷积，由于振动信号是周期性的，且每一个输入信号的相位值不一定相同。为了让WDCNN 的滤波级学习到位移无关的特征，最后一个池化层的神经元在输入信号中的感受野大小，应当大于一个周期。具体的计算方法详见论文（有个公式没看懂 有时间再钻研一下P34）

（4）在使用第一层大卷积核进行卷积时，先对卷积核进行 Dropout 操作，这是 TICNN 模型的第一个训练干扰，目的是给 TICNN训练时提供不完整的信号，从而强化 TICNN 在信号部分缺失时的诊断能力。

（5）在测试阶段，采用集成学习的方式（Ensemble Learning）来进行预测。文中采用的是多数同意规则（Majority Voting），即独立训练 5 个 TICNN模型，对于同一个测试样本，采用投票的方式来决定信号所属故障。用处在于提高模型的识别率，增强模型的稳定性。

展望：可以结合长短时记忆网络[55]（LSTM），对轴承进行故障预测。

 

 

 *基于 AlexNet 和迁移学习的滚动轴承故障诊断研究（这篇不是硕论，一篇小期刊Journal of Mechanical ＆ Electrical Engineering 2021）

 可借鉴的相关知识：

（1）这篇文章是基于AlexNet的迁移学习，后续我们可以基于其他Net（比如resNet）进行迁移学习，比较一下效果？

（2）不足之处，这篇文章感觉像是一个小实验，所用的数据集数量和维度（故障类型）都不足，得出的结论不是很令人信服。

总体收获：

目前神经网络或者深度学习在轴承诊断上的应用已经做的挺多了。以上几种研究，都分为一下几个方面的改进

（1）在训练样本上做数据增强、或者对振动信号或者声信号进行各种方法的处理使得网络能够更好的学习，比如经验模态分解（EMD）、集成经验模态分解（EEMD）、局部均值分解（LMD）等方法，还有诸如变分模态分解（VMD）等新的自适应信号分析方法[86]、常用的时频分析方法包括短时傅立叶变换（Short-term Fourier Transform,  STFT）、小波包变换（Wavelet  Packet  Transform，WPT）、希尔伯特-黄变换（Hilbert-Huang Transform，HHT）、S 变换和魏格纳-威利分布（Wigner-Ville Distribution，WVD）等[20]，

（2）在原有的1D/2D CNN上做原创的改进，例如哈工大的硕论中的WDCNN/TICNN等，或者可以基于迁移学习的方法。

（3）在写作的过程中可以多使用可视化技术来提现当前模型的优越性，更好的体现特征抽取的结果。

（4）可再研究的方向包括但不限于使用最新的一些神经网络、对轴承寿命的预测、对轴承复合故障的诊断、变工况下的诊断