基于深度对比迁移学习的变工况下机械故障诊断

机械设备实际运行中的工况具有时变性，这加剧了源域（训练集）和目标域（测试集）数据之间的分布差异，因而导致智能故障诊断模型的性能下降。提出了一种基于深度对比迁移学习的方法，可用于机械设备变工况下的故障智能诊断。利用多层卷积块作为模型前置特征提取器，能够有效提取原始振动数据的代表性特征，提升故障分类器和域判别器的诊断性能。将前置特征提取器提取的特征传递给特征融合器，特征融合器提炼并联接局部感受野和全局感受野卷积特征，增强模型特征表达能力。将特征融合器提炼的特征用于故障分类器和域判别器诊断不同工况下的机械故障，并在故障分类器中使用Wasserstein距离度量源域和目标域数据的差异，基于互信息噪声对比估计提出用于工况区分的互信息对比域判别器，提高模型的迁移诊断性能。将所提方法用于诊断变工况下不同类别的轴承、齿轮故障。结果表明，所提方法能够有效实现变工况下轴承、齿轮故障的迁移诊断。     

基于深度迁移学习的柴油机故障诊断研究

得益于大数据和人工智能的高速发展,数据驱动的智能故障诊断方法受到广泛关注。然而,在柴油机故障数据稀缺的情况下,传统神经网络训练容易出现过拟合且网络泛化能力差。为解决上述问题,提出一种基于深度迁移学习的小样本故障诊断方法。构建一种适用于柴油机原始振动信号的宽卷积核卷积长短期记忆神经网络,来提高故障数据特征提取和抗噪的能力,另外从原始数据自动提取特征,增强特征学习的智能性。进一步采用迁移学习方案,将大型标签源域数据的诊断知识迁移到目标域网络上,改进网络在目标域任务小样本条件下的学习和分类能力。在跨故障域和跨设备域迁移任务上进行算法评估,并与传统深度神经网络进行比较,验证了所提方法可有效改进小样本诊断性能。     

基于一维卷积注意力门控循环网络和迁移学习的轴承故障诊断EI北大核心CSCD

针对实际应用中轴承故障数据获取困难,导致其故障诊断模型的准确性和泛化能力下降的问题,提出了一种基于一维卷积注意力门控循环网络(1DCNN-Attention-GRU)和迁移学习的轴承故障诊断方法。首先,构建基于一维卷积网络(1D convolutional neural networks, 1DCNN)、门控循环网络(gated recurrent unit, GRU)和注意力机制(Attention)的故障诊断网络,解决传统故障诊断方法特征提取过于依赖人工经验的问题;然后,引入迁移学习,利用充足的源域数据训练网络,冻结训练好的网络底层结构,再利用少量目标域数据对网络顶层结构进行微调,得到目标网络模型;最后,采用Softmax函数进行故障分类。实验结果表明,所提方法在不同训练样本比例下的故障诊断准确率均高于1DCNN-GRU、GRU以及支持向量机(support vector machine, SVM),并能在变工况及小样本数据下获得较高的故障诊断准确率,当使用3%目标域数据进行微调时,故障诊断准确率高于98%。     

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。     

基于深度卷积神经网络与WPT-PWVD的轴承故障智能诊断

针对轴承故障诊断中人工提取特征依赖经验,且泛化性和自适应能力弱等问题,提出一种基于深度卷积神经网络(DCNN)与WPT-PWVD的智能故障诊断新方法。①利用小波包变换(WPT)将轴承故障信号进行自适应分解以提取有效高频成分并进行重构;②利用希尔伯特算法对重构信号做包络解调并进行伪魏格纳分布(PWVD)以得到能揭示轴承主要故障信息的时频图;③构建DCNN网络对轴承故障时频图自动学习提取故障特征,并通过在DCNN特征输出层后添加的Softmax多分类器进行网络参数微调,将特征自动学习提取与故障分类融为一体,实现轴承故障智能诊断。使用所提方法对不同工况、不同故障程度及不同故障类型的轴承进行诊断,结果证明了所提方法诊断精度高,且泛化能力强。     

基于指数调节策略对抗网络学习的轴承故障诊断研究

基于深度学习的故障诊断方法被广泛应用于以轴承为代表的机械关键部件故障诊断,其取得理想效果的前提是有足量故障样本且训练集、测试集满足同分布要求。然而,在实际工况下数据分布会发生变化,进而使原有工况下的诊断模型很难适用于新工况。为此,域适应类迁移学习方法被用于解决训练集、测试集分布不同的问题,其重点在于实现数据分布适应,即度量数据分布差异,并利用度量结果对模型训练进行指导,从而提升学习效率和诊断准确率。在此基础上,提出了一种基于对抗学习的域适应方法,该方法的核心是将提出的指数调节策略与对抗网络相结合,使得网络在故障诊断过程中更有针对性地适应目标域的数据分布。该网络由特征提取器、分类器、一个全局域鉴别器和多个局部域鉴别器组成,利用对抗策略和适应性矩估计算法对模型进行优化,并通过基于指数调节策略设定的指数自适应因子对模型中的边缘分布和条件分布重要性进行调节,使得模型可以稳定、高效地进行故障诊断。在跨转速、跨负载和同时跨转速和负载的轴承诊断案例中对提出的方法进行验证,结果表明本文方法的诊断效果优于其他域适应方法,并具有较好的稳定性。     

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。     

数模联合驱动的动态对抗自适应轴承故障诊断方法

针对现实工业场景下,故障数据样本稀缺,服役工况复杂导致的滚动轴承诊断准确率低下的问题,提出了一种数模联合驱动的动态对抗自适应轴承故障诊断方法。首先,提出用于快速产生具有明确时频域轴承故障特征的四自由度动力学仿真模型。随后,探讨了实测数据分布与动力学仿真信号之间的共性和差异性。最后,建立可以提取隐层域不变特征并自动对齐仿真源域数据、目标域待诊断数据分布的动态对抗自适应网络。设计滚动轴承故障诊断试验,探讨了由动力学模型产生带有标签信息的仿真信号、带标签信息的其他数据集实测信号与极少数带标签信息的待诊断实测信号构成的源域数据基础上,设定的3类任务中神经网络的诊断效果,完成了对大量无标签样本的分类识别。结果表明,仿真信号包含轴承故障的特征信息,可以对真实的轴承数据进行表征,并且所提出的动态对抗自适应网络相较于其他诊断方法能更准确实现轴承的故障诊断。同时,源域数据中包含极少数的带标签目标域数据可使得提出方法的识别准确率大幅提升。     

基于深度迁移学习的滑动轴承-转子故障诊断

深度神经网络在滚动轴承故障诊断领域得到广泛应用,而将深度神经网络应用于滑动轴承-转子系统故障诊断的研究较少。其中大多数研究假设轴承故障的训练数据与测试数据分布相同,基于该训练数据得到的神经网络能较好地对轴承故障进行描述,但当轴承转子系统的结构和工况发生变化,原神经网络就不能对故障进行准确诊断。提出一种基于改进型联合分布差异（Improved Joint Distribution Discrepancy,IM-JDD）方法的深度卷积迁移学习框架(Deep Convolutional Transfer Learning Network,DCTLN),该框架采用二维振动图像作为网络输入,通过深度卷积神经网络提取图像的可迁移特征,提出的改进型联合分布差异方法实现了不同结构及工况下滑动轴承-转子系统故障特征的迁移学习。最后在结构不同的滑动轴承-转子实验台上进行测试,结果表明,本框架在不同工况下和不同机器间对无 标记故障样本具有较强的诊断能力,并优于其他竞争方法。     

基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法

压缩感知可有效降低机械状态监测信号的数据存储和传输压力,而现有压缩感知方法在故障诊断的应用中存在压缩效率低下、信号重构过程缓慢等问题。本文利用自编码网络与压缩感知的对应关系,提出了一种基于深度卷积测量网络的滚动轴承压缩域故障特征提取方法。针对无噪声的故障信号样本难以获取的问题,提出一种利用故障机理构建数据集的方法,利用该仿真数据集训练得到的模型适用于不同工况下的实测轴承信号。构造网络层数由所需要的信号压缩率确定、隐含层与原信号的频率呈对应关系的深度卷积去噪自编码网络。截取训练完备的编码子网络（即深度卷积测量网络）代替传统的观测矩阵对滚动轴承振动信号进行压缩测量,实现压缩域的故障特征提取。仿真分析验证了所提数据集构造方法及压缩域特征提取方法的有效性。滚动轴承实验信号分析进一步验证了采用所提方法训练得到的深度卷积测量网络具有很好的泛化性,且能够在压缩率远低于传统压缩感知方法的情况下有效地提取轴承故障特征成分并进行故障诊断。