机械故障是影响机械正常运转的关键原因之一，会引起生产安全事故，甚至导致生命财产损失。近年来，物联网技术的发展，能够对机械运转进行长时间运转进行准确监测，为机械故障分析准备了足够的机械运行数据。深度学习作为一种机器学习算法，基于人工神经网络和反向传播算法构建深层学习模型，适合于大样本数据的分析与诊断，在图像识别、自然语言处理等领域取得了较好进展。本书基于深度学习技术，从数据预处理、深度模型构建与分析、轴承寿命预测、轴承故障诊断等方向开展研究，为机械健康监测与正常运转提供有力支撑。

目录



MULU







1 绪论 /001
1.1 研究背景及意义 /001
1.2 国内外研究现状/002
1.2.1 基于传统信号分析的故障诊断方法 /003
1.2.2 基于机器学习的故障诊断方法 /005
1.2.3 基于深度学习的故障诊断方法 /007
2 滚动轴承、数据集与常用模型 /018
2.1 滚动轴承分析/018
2.1.1 滚动轴承结构分析/018
2.1.2 滚动轴承故障类型介绍/019
2.1.3 滚动轴承故障信号特点 /019
2.2 滚动轴承数据集/021
2.2.1 凯斯西储大学数据集 /021
2.2.2 江南大学数据集 / 022
2.2.3 帕德博恩大学数据集 / 023
2.3 轴承故障诊断常用模型/024
2.3.1 信号分析方法 /024
2.3.2 卷积神经网络 /025
2.4 本章小结/030
3 卷积级联森林滚动轴承故障诊断方法 /032
3.1 引言 /032

\t基于深度学习的机械故障诊断研究

3.2 理论介绍与分析 /033
3.2.1 卷积神经网络/033
3.2.2 CART决策树 /037
3.2.3 随机森林/038
3.2.4 深度森林 /040
3.3 卷积级联森林滚动轴承故障诊断模型/042
3.3.1 数据预处理 /042
3.3.2 卷积级联森林模型 /045
3.4 基于CWRU 数据集的实验验证 /048
3.4.1 实验描述 /048
3.4.2 不同工况对模型的影响 /050
3.4.3 维度转换对模型的影响 /052
3.4.4 噪声环境对模型的影响 /055
3.5 基于JNU 数据集的实验验证/057
3.5.1 实验描述 /057
3.5.2 不同工况对模型的影响 /059
3.5.3 维度转换对模型的影响 /060
3.6 本章小结/065
4 基于双通道 CNN 与SSA-SVM的滚动轴承故障诊断方法 /067
4.1 引 言 / 0 6 7
4.2 理论介绍与分析/068
4.2.1 双通道CNN /068
4.2.2 支持向量机 /069
4.2.3 麻雀搜索算法 /070
4.3 基于双通道CNN 与SSA-SVM 的诊断模型/071
4.3.1 故障诊断模型构建 /072
4.3.2 故障诊断方法的流程及其优化 /073
4.4 实验验证 /078
4.4.1 实验数据描述 /078
4.4.2 相关参数设置 /080



目 录

4.4.3 双通道CNN 的训练 /082
4.4.4 t-SNE 可视化分析 /083
4.4.5 实验结果与对比分析 /084
4.5 本章小结 /085
5 基于 CGAN-IDF的小样本故障诊断方法 /088
5.1 引言 /088
5.2 理论介绍与分析 /089
5.2.1 生成对抗网络 /089
5.2.2 条件生成对抗网络/091
5.2.3 LightGBM /092
5.3 基于 CGAN-IDF的诊断模型/094
5.3.1 数据预处理 /094
5.3.2 CGAN-IDF模型细节 /095
5.3.3 样本生成流程 /097
5.3.4 模型诊断流程 /097
5.4 实验验证 /099
5.4.1 实验描述/099
5.4.2 时序和灰度图生成样本对比 /100
5.4.3 增强样本和初始小样本对比/105
5.4.4 CGAN-IDF和基础模型对比/107
5.5 本章小结 /108
6 基于深度学习的时频双通道滚动轴承故障诊断方法 /110
6.1 引言 /110
6.2 理论介绍与分析 /110
6.2.1 快速傅里叶变换 /111
6.2.2 小波变换 /112
6.3 小波时频处理的双通道故障诊断模型/114
6.3.1 故障诊断模型构建 /115
6.3.2 故障诊断方法的流程 /117



\t基于深度学习的机械故障诊断研究

6.4 实验验证/119
6.4.1 实验数据描述/119
6.4.2 t-SNE 可视化分析 /120
6.4.3 实验结果与对比分析/121
6.4.4 与其他实验结果对比 /123
6.5 本章小结 /124
7 基于 AMCNN-BiGRU的滚动轴承故障诊断方法 /126
7.1 引言 /126
7.2 注意力机制 /126
7.3 AMCNN-BiGRU模型结构及原理 /128
7.4 实验设置/129
7.4.1 实验数据集 /129
7.4.2 主要参数设置/130
7.5 基于CWRU 数据集的实验验证/131
7.5.1 模型性能 /131
7.5.2 噪声环境下的实验 /133
7.6 基于JNU 数据集的实验验证/136
7.6.1 模型性能 /136
7.6.2 不同工况下的实验/137
7.7 可视化及可解释性/138
7.8 本章小结 /142
8 基于重叠下采样和多尺度卷积神经网络的轴承故障诊断方法 /145
8.1 引言 /145
8.2 卷积神经网络/145
8.2.1 卷积层 /146
8.2.2 池化层 / 148
8.2.3 全连接层 / 149
8.3 多尺度卷积神经网络模型结构及原理/150





目 录

8.4 实验设置 /152
8.4.1 实验环境/152
8.4.2 重叠下采样 /152
8.4.3 实验数据集 /153
8.4.4 主要参数设置 /155
8.4.5 故障诊断方法的流程/158
8.5 基于CWRU 数据集的实验验证/159
8.5.1 模型性能 /159
8.5.2 重叠下采样的实验/161
8.5.3 不同工况下的实验 /164
8.6 基于JNU 数据集的实验验证/165
8.6.1 模型性能/165
8.6.2 重叠下采样的实验/166
8.6.3 不同工况下的实验 /168
8.7 本章小结 /169
9 无监督领域自适应轴承故障诊断方法 /172
9.1 引 言 / 1 7 2
9.2 无监督领域自适应轴承故障诊断模型/174
9.2.1 信号预处理模块 /175
9.2.2 模型预训练模块 /175
9.2.3 领域自适应迁移模块/176
9.3 基于CWRU 数据集的实验验证/177
9.3.1 直接迁移和自适应迁移对比 /177
9.3.2 不同迁移方法对比 /178
9.3.3 超参数对迁移结果的影响/180
9.3.4 迭代次数对迁移结果的影响 /182
9.3.5 结果可视化分析/184
9.4 基于 PU 数据集的实验验证 /186
9.4.1 迁移效果对比 /186
9.4.2 不同迁移方法对比 / 187



\t基于深度学习的机械故障诊断研究

9.4.3 结果可视化分析 /187
9.5 本章小结 /191
10 基于优选域差异的无监督领域自适应轴承故障诊断方法 /194
10.1 引言 /194
10.2 基于优选域差异的无监督领域自适应轴承故障诊断模型/196
10.3 实验验证/197
10.3.1 直接迁移和自适应迁移对比 /197
10.3.2 不同迁移方法对比 /198
10.3.3 不同样本数量对比 /199
10.3.4 结果可视化分析 /200
10.4 本章小结/204
11 总结与展望 /205
11.1 总结 /205
11.2 展望 /206