一种机械设备故障诊断的FD-Transformer方法

随着机械设备故障诊断技术的发展，利用深度学习技术判断设备故障类型越来越引起人们重视。目前，基于注意力机制的Transformer模型有着优于卷积神经网络(convolutional neural network, CNN)的特征提取能力且在自然语言处理及计算机视觉领域都得到成功的应用。该研究提出一种用于机械设备故障诊断的Transformer方法(fault diagnosis-Transformer, FD-Transformer)。首先，对原始振动信号利用Dropout技术进行数据增强，提高模型的泛化能力；然后，利用多通道一维卷积进行数据处理并得到矩阵形式；接着，利用Dense连接的Encoder结构进行机械设备的故障特征提取；最后，利用分类模块得到故障诊断结果。分别采用变转速轴承数据和轮对轴承数据对模型进行试验验证，试验结果表明，该模型在两种数据集上均达到99%以上的故障识别率，与CNN相比可以更好地提取机械设备故障特征，有工程应用价值。     

一种用于主轴轴承故障诊断的深度卷积动态对抗迁移网络EI北大核心CSCD

迁移学习智能故障诊断方法已经成为了机械设备故障诊断领域的一个研究热点。然而,大多数相关方法在迁移学习过程中未能合理地评估源域样本和目标域样本的相似性,且数据分布的差异会造成迁移诊断的结果不同。针对此问题,提出深度卷积动态对抗迁移网络用于主轴轴承智能故障诊断。该网络首先利用一维卷积神经网络从处理过的振动信号中自动提取特征集,然后利用动态对抗学习策略动态地调整条件分布和边缘分布在迁移学习过程中的重要程度,有效地提高迁移诊断的精度。通过数控机床主轴轴承故障诊断实验,验证了所提方法的有效性。实验结果表明,所提方法能够有效挖掘故障特征信息,实现不同工况之间的知识迁移,具有较好的应用价值。     

基于VMD和卷积神经网络的变工况轴承故障诊断方法

针对变工况条件下轴承故障数据无法大量获取以及诊断困难的问题,提出了基于变分模态分解和卷积神经网络的轴承故障诊断方法,使用稳态工况获取的数据训练,能对变工况下的数据实现有效诊断。首先对轴承振动信号进行变分模态分解,以获得有限带宽的固有模态函数;然后构建卷积神经网络模型,采用优化技术提高模型适应性,实现对固有模态函数的自适应特征提取和分类;最后使用台架试验获得的滚动轴承故障数据进行验证,并与深度残差网络和支持向量机进行对比。结果表明,该模型对变工况数据的诊断/识别率达到100%/98.86%,高于对比模型的测试结果,有效实现了变工况轴承故障诊断。     

基于DCGAN和DANN网络的滚动轴承跨域故障诊断EI北大核心CSCD

实现滚动轴承智能故障诊断需要大量标签数据,但机械设备实际运行中因轴承故障无法提前收集充足振动信号,导致滚动轴承故障模式难以判断。为解决该问题,提出一种有效利用少量样本数据实现领域自适应的迁移学习模型。首先,通过深度生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)实现少量振动信号的模拟式扩充,生成信号保留了真实信号完整的高频和低频特征;其次,通过对抗领域自适应网络(domain-adversarial neural networks,DANN)将源域与目标域特征投射到同一特征空间,实现多领域特征提取与适配;最后,通过智能诊断网络完成变工况下未知标签滚动轴承健康状态的识别。试验结果表明,所提方法在可用样本较少时能准确有效实现滚动轴承跨域故障诊断,准确率均优于其他迁移学习对比模型。     

基于改进ECANet-TCN和迁移学习的轴承剩余寿命预测

针对轴承运行工况不同、有效数据少、数据无标签、预测准确度低等问题,提出一种基于改进时间卷积网络的迁移学习轴承寿命预测模型,将模型在源域上学习的寿命预测知识迁移到目标域,可用小样本无标签数据训练出迁移模型。首先,采用有效通道注意力模块对源域数据特征重新标定;其次,使用时间卷积网络(temporal convolutional network, TCN)学习特征信息,并训练出最优源域模型;最后,利用源域数据、源域模型和目标域数据训练出迁移模型,迁移模型可以对不同设备不同工况信号进行剩余寿命预测。在IEEE PHM Challenge 2012轴承全寿命数据集和西安交通大学XJTU-SY滚动轴承加速寿命数据集上开展对比试验,结果表明,该方法可以更好地挖掘轴承内在退化趋势,有效提高剩余使用寿命预测精度,对比现有流行预测方法预测误差降低40.1%～77.8%,证明了该方法在不同设备不同工况条件下剩余寿命预测的有效性和可行性。     

基于迁移学习与加权多通道融合的齿轮箱故障诊断

针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题，提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先，为了充分挖掘齿轮箱多通道数据的信息，提出了基于信息熵加权的多通道融合方法，采用信息熵法计算各通道数据的融合权重，并对各通道的采样数据进行加权融合。其次，利用源域的融合数据对深度迁移模型进行预训练，将预训练得到的模型参数作为目标域模型的初始化参数，同时冻结目标域模型特征提取器的参数，并利用目标域的融合数据对目标域模型分类器的参数进行微调，实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后，齿轮箱多工况迁移诊断试验结果表明，所提方法可有效用于齿轮箱的故障诊断，相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation, BDA)、迁移成分分析(transfer component analysis, TCA)、联合分布自适应算法(joint distribution adaptation, JDA)、统计分布和几何空间联合调整算法(joint geome...     

基于多源域深度迁移学习的机械故障诊断EI北大核心CSCD

针对不同工况下的机械故障诊断问题,迁移学习方法相比于深度学习具有明显的成效,单源域迁移故障诊断仍会出现负迁移和模型泛化能力差的问题。因此,本文提出一种基于多源域深度迁移学习的机械故障诊断方法。首先,进行锚适配器的构建,获得多源域-目标域适配器数据对。其次,建立基于深度域适应的迁移学习网络模型获得每个数据对的分类器与预测结果。最后,采用加权集成的方式进行分类器集成,用于最终的故障诊断识别。所提方法充分集成多源域故障特征信息,提取域不变特征,避免负迁移的问题,提高模型的泛化能力。通过一个滚动轴承数据来验证提出方法的性能,结果表明,多工况迁移故障诊断分类精度明显高于其中任意单一工况迁移,最高可提高8.78%,与其他方法相比,所提方法具有较好的精度和泛化能力。     

基于CNN-SVM的深度卷积神经网络轴承故障识别研究

针对传统智能诊断方法过分依赖于信号处理和专家经验提取故障特征以及模型泛化能力差的问题,基于深度学习理论,提出将卷积神经网络算法结合SVM分类器搭建适于滚动轴承故障诊断的改进型深度卷积神经网络模型。从原始实测轴承振动信号出发,模型逐层学习实现特征提取与故障识别,引入批量归一化、Dropout处理并改进模型分类器来提升轴承故障识别准确率、模型收敛速度和泛化能力。实验结果表明,优化后的深度学习模型可快速准确地提取轴承故障特征,针对不同类型、不同损伤程度的轴承可实现99%的识别准确率,并且模型有较强的泛化能力和强化学习能力。     

一种用于跨域轴承故障诊断的深度自适应网络EI北大核心CSCD

针对轴承在不同工况条件下的振动数据存在分布差异,导致诊断精度低的问题,提出一种新的深度自适应网络用于跨域条件下的轴承故障诊断。采用傅里叶变换将原始时域振动信号转换为频域信号并通过深度特征提取器提取其分类特征;利用最大均值差异(maximize mean discrepancy,MMD)来进行深度特征的边缘分布对齐;利用Wasserstein度量网络将源域中有标签数据的类别结构与目标域中无标签数据的类别结构进行匹配,即对齐不同域的类别条件分布,使得故障数据在不同域的分布能够更好的对齐,从而提高模型在目标域未标签数据集上的分类准确率。试验利用凯斯西储大学公开的故障轴承数据集进行了两种跨域条件的模型迁移,验证了该网络在不同迁移场景中都具有较高的准确率,且优于其他深度自适应网络。     

基于深度动态域适应的轴承故障诊断研究EI北大核心CSCD

针对迁移学习中源域,目标域数据分布差异大,传统学习中边缘分布与条件分布贡献动态变化难以适应的问题,提出了一种基于深度动态域适应的轴承故障诊断方法。在域适应层引入动态分布自适应方法,通过域分类器分别进行边缘分布对齐和条件分布对齐,在根据平衡因子动态衡量条件分布和边缘分布对域的贡献度,进行动态域适应。通过对凯斯西储大学和江南大学轴承数据集变工况下的迁移诊断试验及对比分析,有效地提高了跨域诊断的精度,验证了所提方法的有效性与卓越性。