故障分类论文阅读笔记

一、基于变式模态分解和宽+窄视场神经网络的齿轮故障诊断

一、SCI-2 Gear Fault Diagnosis Based on Variational Modal Decomposition and Wide+Narrow Visual Field Neural Networks

摘为了科学高效地检测故障，本研究提出了一种基于变模态分解（VMD）和宽+窄视场神经网络（WNVNN）的齿轮故障诊断方法，即 VMD-WNVNN。VMD-WNVNN 包括两个阶段。在特征提取阶段，使用 VMD 和皮尔逊相关系数对原始数据进行分解和重构，以获得这些数据在频域上的特征。在分类阶段，使用 WNVNN 根据特征对数据进行分类。齿轮故障诊断实验的最终结果表明，与最近提出的其他方法相比，该方法不仅具有更高的分类准确性，而且具有更高的分类稳定性。

2019 年，Jiang 等人[32]设计了一种新的网络结构–多尺度 CNN（MSCNN），并将其应用于故障诊断领域。Konget 等[33]提出了一种注意力循环自动编码混合模型的分类方法，以解决传统深度学习在处理故障诊断数据时无法找到最佳特征的问题，该方法能有效地提取数据的最佳特征，并以较高的精度进行诊断。 Zhengetal.[34]提出了一种将诊断前置知识与深层网络模型相结合的方案，并通过与其他数据驱动方法的比较验证了该方案的性能。 Lietal. [Konget等人[33]提出了一种基于注意递归自动编码器（AE）混合模型分类的故障诊断算法，该算法能准确地从齿轮振动信号中提取特征并进行分类。Ruan 等人[36]针对传统深度学习方法需要大量数据进行训练的缺点，提出了一种基于关系的半监督故障诊断方法。 实验证明，在数据较少的情况下，该方法可以获得更好的训练效果和更高的分类精度

创新点：本文有两个领域的创新。 1) 在 CNN 和 GRU 的基础上提出了一种新的网络结构，称为 WNVNN。这种方法不仅结合了 CNN 和GRU 的优点，还采用了双尺度 CNN 网络以获取多特征。因此，与传统 CNN 相比，WNVNN 不仅具有更强大的数据特征挖掘能力，还具有更强的数据处理能力。 2) 提出了一种新颖的 VMD 与皮尔逊相关系数的组合，可以有效地提取齿轮的故障特征。与其他使用相关系数来筛选和重新构建 IMF 组件的特征提取方法相比，该方法能有效地提取齿轮故障特征。与 VMD 相比，该方法只需提取相关系数最大的两个 IMF 分量进行特征重建。

用到的方法

1 VMD-变分模态分解

VariationalModalDecomposition变分模态分解 VMD 是 Dragomiretskiy 和 Zosso [37] 在 2014 年提出的一种经过洗礼的分解理论。与经验模态分解（EMD）[38]不同，VMD将IMF定义为一种FM-AM信号uk（t），约束条件变化问题可表达如下：

VMD 首先确定分解的次数，当知道这个次数后，信号分解问题就转化为变分框架中受约束变分模型的最优解。 假设原始信号 f 由 K 个 IMFcom 部件组成，我们可以将受限变分问题表达如下：

VMD分解方式是利用迭代搜索变分模型最优解来确定每个分解的分量中心频率及带宽，属于完全非递归模型，该模型寻找模态分量的集合及其各自的中心频率，而每个模态在解调成基带之后是平滑的，Konstantin Dragomiretskiy通过实验结果证明：对于采样和噪声方面，该方法更具有鲁棒性。就是把非周期信号进行频域分析，把复杂信号分解成为多个谐波信号
————————————————

                        版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

原文链接：https://blog.csdn.net/ARM_qiao/article/details/108482727

模态分解认为信号是由不同“模态”的子信号叠加而成的，而变分模态分解则认为信号是由不同频率占优的子信号叠加而成的，其目的是要把信号分解成不同频率的子信号。

2.CNN网络

3.GRU

GRU是Choetal[43]提出的一种网络工作模型，其性能与LSTM相似，但所需参数少于LSTM[44]。 GRU 的工作流程如下。 1) 更新门控根据之前的状态 ht-1 和当前的输入xt 计算其输出zt

根据 zt，接下来的任务是确定上一时刻的状态 ht-1 和当前记忆状态 ht 中的哪些信息可以保留，以获得最终状态 ht 和当前时刻的输出 yt。

考虑到原始信号的时域和频域数据都会受到较大的噪声干扰，当齿轮故障轻微或故障性质不明显时，故障信息很容易被噪声信息淹没。这就使得神经网络模型无法做出准确的分类，分类模型也无法达到较高的分类精度。针对这些情况，本文提出了一种将特征提取与基于神经网络的分类器相结合的方案，如图 3 所示。

A. 特征提取

虽然不同故障齿轮的时域信号差异不大，但频域信号却有显著差异，如图 4 所示。因此，如何有效提取振动信号的频域特征是本文的重点研究内容之一。虽然不同故障齿轮的频域信号差异会比较明显，但频域数据也会受到很多噪声干扰。 因此，为了更准确地提取齿