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。     

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。     

类别标签辅助改进稠密网络的变工况轴承故障诊断

基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。     

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。     

基于相似性度量迁移学习的轴承故障诊断

滚动轴承工况多变,受负荷、转速等因素影响,故障信号的特征分布偏移会显著降低故障诊断模型的泛化能力。针对此问题,提出一种基于相似性度量迁移学习的轴承故障诊断方法。将迁移学习和相似性度量的思想结合,通过相关对齐损失计算变工况故障特征之间的相关性,最小化源域和目标域特征之间的分布差异。同时最大化输入特征与中心特征的相似性,利用目标域预测标签中包含的故障分类信息,提高故障特征聚类的准确性,来增加高相关性特征对模型的贡献度,减小非相关特征的影响。最后利用学习到的特征实现故障分类。在CWRU和自搭建试验平台上进行了对比试验,证明了所述方法能够更加准确地分类故障信号,更好解决不同工况下由特征分布偏移带来的故障诊断难点问题。     

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。     

基于增量学习的数控机床故障诊断系统

针对数控机床中主轴轴承和刀具同时出现故障或机床主轴转速改变时的故障诊断问题,提出了基于增量学习的深度卷积诊断模型。首先,将常用转速下的主轴轴承和刀具振动数据集,输入结合了批量归一化算法的一维卷积神经网络,实现单一转速下故障诊断;然后,人工判断跨转速诊断时的未知故障类型,对其打标签后重新输入网络,通过增量学习实现知识迁移并使模型学习新数据特征;最后模型在跨转速故障诊断领域的准确率为76.49%~86.09%,且与Fine Tuning和Joint Training两种经典跨领域算法相比,基于增量学习的深度卷积诊断模型提高了准确率,缩短了训练用时。     

基于区分性联合概率分布的域适应故障诊断

针对多工况条件下的故障诊断方法因建模数据和待测数据不满足独立同分布假设,导致模型性能恶化这一问题,提出了一种基于区分性联合概率分布差异的域适应故障诊断建模方法。以一个结构风险最小化域不变分类器作为故障诊断框架。在框架上施加基于区分性联合概率分布差异的域适应项,将建模数据和待测数据投影到公共特征空间中,对齐跨域同类别样本分布的同时,最大化跨域不同类别样本间分布差异;并且利用流形正则化保持数据的局部几何结构。在多工况条件下的凯斯西储大学(CWRU)和帕德伯恩大学(PU)轴承故障诊断数据集上进行试验。试验结果表明,该方法能有效提高故障诊断模型预测精度和泛化性,在多工况故障诊断任务中的表现良好。     

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。     

基于多源域异构模型迁移的滚动轴承故障诊断方法

针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大,多个相似数据集资源利用不充分,导致诊断模型准确率不高的问题,提出一种基于多源域异构模型迁移的滚动轴承故障诊断方法。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图;选择多种不同规格和工况下已知标签数据作为多源域,其他规格和工况下少量已知标签数据作为目标域;使用多个源域数据训练多个ResNet-34深度网络,并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略,使其能够自适应决定迁移到目标域的知识层级及内容;提出将源域知识迁移到VGG-16深度网络得到多个目标域模型后,将其提取的特征首尾相接输入同一个极限学习机中实现特征融合和分类,最终建立滚动轴承故障诊断模型。经试验验证,所提方法可实现不同规格和工况下滚动轴承间的迁移诊断问题,并具有较高的准确率。     

基于子域自适应对抗网络的轴承故障诊断EI北大核心CSCD

现有基于深度学习网络模型的故障诊断方法往往依赖大量有标签数据进行训练,在变工况条件下,模型的诊断精度会有所下降。针对此,为提高变工况条件下的故障诊断准确率,基于域自适应理论提出一种新颖的网络模型——子域自适应对抗网络。该网络模型不仅充分利用了动态卷积的特征提取能力,同时还借鉴了生成对抗网络的博弈思想,使特征生成器和分类器对抗学习,利用每个类别的决策边界对样本进行正确分类;此外,在对抗网络中引入局部最大平均差异,考虑每个类别的细粒度信息,以此来对齐源域和目标域相应的类空间,减小网络模型在决策边界附近的分类误差,从而提高模型对故障类别的识别精度。最终,通过两个数据集对所提出的方法进行试验验证,结果表明模型在变工况条件下具有较强的泛化性能与良好的故障识别精度。     

基于子结构最优传输的跨工况轴承故障诊断方法

针对不同工况条件下轴承振动数据分布不一致、源领域与目标领域自适应过程中适配不足或过度适配的难题，提出一种基于子结构最优传输的跨工况轴承故障诊断方法。通过小波变换提取轴承振动数据中的故障特征，构建故障样本集；再对源领域及目标领域轴承故障样本集进行聚类，生成源领域与目标领域故障样本数据的子结构，并自适应的对源领域数据子结构赋予不同权重，目标领域数据子结构赋予相同权重，完成对源领域数据子结构的映射；利用映射的源领域数据子结构及其所对应的标签，训练支持向量机模型并通过训练后的模型实现对目标工况轴承的故障诊断。将所提方法在机械综合故障模拟试验平台及凯斯西储大学轴承数据集上进行验证，并与传统机器学习及其他迁移学习方法进行对比，试验结果表明该方法的有效性与优越性。     

深度领域自适应及其在跨工况故障诊断中的应用

实际生产中,机械设备的工况变化会造成监测数据的分布差异,破坏分类模型的应用基础,降低诊断准确率。为此,提出一种基于深度学习的领域自适应方法,用于跨工况情境下轴承故障诊断。该方法构建两个级联的深度网络:前者用于处理振动信号,自动挖掘故障敏感特征;后者用于将不同工况的样本特征同步映射到一个深度隐藏层(公共特征空间)中,消除工况波动引起的分布差异,生成工况不变特征,实现领域自适应。此外,该深度映射网络可通过参数优化方法自适应构建,能够实现最佳的跨域诊断性能。实验表明,与其他方法和相关研究相比,深度领域自适应在跨工况故障识别中具有更高的准确率。     

基于多源域自适应残差网络的滚动轴承故障诊断

针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network, MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference, LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。     

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。     

子域适应无监督轴承故障诊断

针对深度无监督轴承故障诊断网络仅对齐全局分布,未考虑源域和目标域每个类别细粒度信息的问题,提出了一种子域适应无监督端到端轴承故障诊断网络。该网络采用一维卷积神经网络进行特征提取,利用多分类函数构建分类器,通过最小化局部最大平均差异和分类器损失函数,进行相关子域的分布对齐。在江南大学轴承故障数据集对该方法进行有效性验证。结果表明,该方法在目标域数据无标签的情况下,识别正确率明显高于其他5种目前流行的领域自适应故障诊断方法,t分布随机邻居嵌入结果显示该方法有效对齐源域和目标域类别信息,验证了该方法的可行性和有效性。     

基于卷积神经网络的领域适配模型的多工况迁移的轴承故障诊断

针对故障滚动轴承在单一工况数据下训练的深度学习模型无法在复杂工况下无法实现有效的故障诊断,提出一种基于卷积神经网络的领域适配(convolutional neural network-domain adaptation, CNN-DA)模型。卷积网络用于对故障振动信号进行高层特征提取,网络首尾加入通道注意力机制(channel attention mechanism, CAM),以动态分配特征通道的权重,减小无效信息的干扰。结合领域自适应方法,将特征提取层获取到的高层故障特征进行源、目标域领域适配,领域适配模块整合了全域适配和类别域适配,以使两个领域中相同故障标签的特征的数据分布逐渐趋于重合,最后将深度学习模型应用于多种不同工况迁移的场合进行训练,得到训练结果和测试结果。通过不同来源数据集的试验,在多种工况迁移下测试模型,结果表明提出的模型能够应对复杂工况变化下的滚动轴承故障检测。     

转速大波动下滚动轴承智能故障诊断方法研究

机械中普遍存在的转速大波动工况是影响机械设备故障诊断的关键性难题,现有方法在计算效率及诊断误差等方面存在缺陷。深度学习理论能够利用深度神经网络实现数据的自动特征提取和分类。结合深度学习的优势,提出了一种专门用于处理转速大波动工况下的智能故障诊断方法。该方法首先根据机械转速信息提取频域样本;然后利用频域样本训练批标准化的深度神经网络,用批标准化技术中的平移和缩放参数能来处理转速大波动下频域信号的频移和幅变特性,并减轻深度网络内部协变量转移问题,加快网络收敛;最后采用两组特殊设计的转速大波动工况下的滚动轴承试验来验证提出方法的性能。研究结果表明,该方法可克服转速大波动的影响,从而实现不同轴承故障的准确识别,并获得比其他方法更高的准确率。     

改进的生成对抗网络在轴承故障诊断中的应用

研究一种基于改进的生成对抗网络的滚动轴承故障诊断方法。针对传统的生成对抗网络模型无法进行故障诊断的问题,对其进行改进,在生成对抗网络基础上加入额外条件信息,并且在输出层添加辅助输出层,将生成对抗网络从无监督学习的生成模型改进为监督学习的分类模型。然后,利用西储大学轴承数据集对改进后的生成对抗网络进行实验验证。结果表明,改进后的生成对抗网络模型能够有效识别滚动轴承故障类型,相比于相同结构的人工神经网络故障诊断准确率提高5.83%,达到99.86%,并且可在训练过程中降低对于样本数据长度的依赖性,有关结论可为生成对抗网络在智能故障诊断中的应用提供理论指导和技术支持。     

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。