基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于深度特征提取与迁移学习的滚动轴承故障诊断

机械设备的安全运行是工业制造过程中的基本要求,而滚动轴承作为机械设备的重要部件,由于在复杂条件下长时间运行,容易发生不可预见的故障。故障的发生,无论大小都会造成经济损失。因此,对滚动轴承进行可靠的诊断至关重要。针对强噪声背景下卷积神经网络特征辨识度不足的问题,提出一种多尺度卷积神经网络（multiscale convolutional neural network,MSCNN）与双向门控循环单元（bidirectional gated recurrent unit,Bi GRU）相融合的深度特征提取网络,利用MSCNN和Bi GRU对带噪声的振动信号分别提取多尺度特征和时序特征,并通过注意力机制模块对融合特征赋予不同权重,实现重要特征选择。进一步,为解决变工况下源域与目标域特征分布不同的问题,在所提深度特征提取网络中引入迁移学习,通过多级距离公式度量源域与目标域特征分布差异,并将度量结果添加到损失函数中,利用损失的反向传播,实现源域与目标域特征分布对齐。最后,模型以softmax函数作为分类器进行滚动轴承故障诊断。实验对比和分析表明,所提模型具备较好的迁移能力,取得了更高的故障识别准确...     

基于SCGAN网络的齿轮故障诊断方法

为了提高齿轮箱中齿轮单故障及复合故障的识别精度,克服传统故障特征提取方法过于依赖经验判断的困难,从深度学习领域出发,融合卷积神经网络(convolutional neural network,简称CNN)与对抗神经网络(generative adversarial network,简称GAN)两种深度神经网络特征,提出...     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

多尺度卷积神经网络小样本轴承故障辨识方法

针对基于深度学习的故障辨识方法工程应用准确率受制于样本数量与质量的问题，提出一种多尺度卷积神经网络（novel multi-scale convolutional neural network，简称NMS-CNN）故障辨识方法。首先，对滚动轴承的振动信号进行快速傅里叶变换（fast Fourier transform，简称FFT）获取其频域数据；其次，利用多尺度卷积提取频域数据中的多粒度敏感特征，并使用实例归一化技术（instance normalization，简称IN）对特征图进行归一化；然后，采取注意力机制对多尺度特征进行自适应加权并进一步使用卷积提取深层抽象特征；最后，使用softmax分类器完成故障辨识任务。经过实验验证，所提方法能够在较少训练样本下完成故障辨识任务，并且其抗噪性与泛化性均优于其他智能故障辨识算法。     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

面向数据不平衡的卷积神经网络故障辨识方法

针对因不同故障的样本数目不平衡造成卷积神经网络(convolutional neural network,简称CNN)对少数类样本识别准确率偏低的缺陷,采用将一种最小最大化目标函数融入卷积神经网络结构的对策,提出一种适用于故障数据不平衡的最小最大化目标函数卷积神经网络(min-max objective CNN,简称M...     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

基于迁移学习的变刀具-刀柄夹持状态下数控铣削稳定性预测研究

分析刀具-刀柄结合状态变化时的数控铣削稳定性,其效率因需重复测量刀尖点频响函数而降低。针对此问题,引入迁移学习提出仅需测量目标刀具少量悬伸量下刀尖点频响函数的铣削稳定性预测方法。首先,测量源刀具多个悬伸量和目标刀具少量悬伸量的刀尖点频响函数,采用铣削稳定性解析法获取各铣削参数组合的加工振动状态信息,构建充足的源域数据和少量的目标域数据,并通过源域和目标域的相似匹配筛选源域样本,然后结合神经网络和TrAdaBoost迁移学习算法,自适应更新源域与目标域混合样本权重,建立目标刀具的铣削加工振动状态分类器。以三组刀柄-刀具组合进行实例分析,少样本下采用迁移学习后两组目标刀具的分类器精度分别提升了10.93%、6.25%,并通过铣削实验验证了所提方法的有效性。     

利用DCNN融合多传感器特征的故障诊断方法

缘于多传感器信号的融合能够更加准确地诊断机械故障,针对传统浅层融合模型对复杂数据非线性映射与特征表示能力较弱的问题,提出一种利用深度卷积神经网络(deep convolutional neural network,简称DCNN)融合多传感器信号特征的机械故障诊断方法。首先,对多传感器振动信号分别进行特征提取,将获得特征向量作为一维特征面构造多传感器特征面集合,将该集合作为深度卷积神经网络的输入;其次,利用深度网络结构实现对多通道特征面的自适应层级化融合与提取;最后,由softmax回归分类器输出诊断结果。实验结果表明,该方法具有更高的故障分类与辨识能力,良好的鲁棒性和自适应性。本方法可为解决复杂机械系统故障诊断的多传感器信息融合问题,提供理论参考依据。     

基于时间迁移模型的旋转机械实时故障诊断

提出一种时间迁移模型,以提升旋转机械工况发生变化时的实时故障诊断性能,其由历史数据构成源领域、当前数据构成目标领域。首先,根据变工况规则确定模型的数据领域,并提取其时域特征向量构成五维空间。其次,将源和目标领域通过最大方差投影(MVP)和流形正则化投影(MRP)分别映射至二维子空间,并利用最小均值差异(MMD)准则缩短两者距离。最后,在投影空间中利用BP神经网络和支持向量机(SVM)分类器对源领域建立分类模型,并应用至目标领域,并通过筛选源领域样本以更新诊断模型。齿轮传动系统试验结果表明,时间迁移能够解决工况发生变化时的实时机械故障诊断问题,相比传统迁移成分分析(TCA)模型能提升诊断性能,故为其工程应用提供有价值的技术手段。     

Deep convolutional tree-inspired network: a decision-tree-structured neural network for hierarchical fault diagnosis of bearings

The fault diagnosis of bearings is crucial in ensuring the reliability of rotating machinery. Deep neural networks have provided unprecedented opportunities to condition monitoring from a new perspective due to the powerful ability in learning fault-related knowledge. However, the inexplicability and low generalization ability of fault diagnosis models still bar them from the application. To address this issue, this paper explores a decision-tree-structured neural network, that is, the deep convolutional tree-inspired network (DCTN), for the hierarchical fault diagnosis of bearings. The proposed model effectively integrates the advantages of convolutional neural network (CNN) and decision tree methods by rebuilding the output decision layer of CNN according to the hierarchical structural characteristics of the decision tree, which is by no means a simple combination of the two models. The proposed DCTN model has unique advantages in 1) the hierarchical structure that can support more accuracy and comprehensive fault diagnosis, 2) the better interpretability of the model output with hierarchical decision making, and 3) more powerful generalization capabilities for the samples across fault severities. The multiclass fault diagnosis case and cross-severity fault diagnosis case are executed on a multicondition aeronautical bearing test rig. Experimental results can fully demonstrate the feasibility and superiority of the proposed method.     

基于双识别器对抗的开放域自适应故障诊断方法

领域自适应问题在机械设备故障诊断领域已被广泛研究，当前大多数封闭域自适应方法通常都假设源域和目标域共享相同的标签类型空间。然而，这不完全符合机械设备真实的诊断需求，实际上会出现新的故障类型，因而传统依据边缘分布对齐的方法难以处理此开放域问题，不能正确辨识出已存在的样本类型和新出现的类型。针对源域和目标域标签类型空间部分重叠的这另一典型开放域诊断问题，提出了一种基于双识别器对抗的开放域自适应故障诊断方法。两个结构相同的神经网络被引入进行对抗性训练，以增强模型对已知类型辨识的领域自适应性能，利用源域与目标域熵最大与最小化策略，以及目标域样本输出的二元交叉方案用以建立分界线隔离新出现的未知类型。利用轴承数据和自吸式离心泵数据进行分析验证，实验结果表明：所提方法相对于典型的封闭域和开放域模型，能更准确的判定机械设备已存在的故障类型和新出现的未知故障类型，在各诊断任务中，均能达到90%以上的正确率。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

基于特征融合度量学习的高压断路器机械故障诊断

数据驱动的深度学习方法在高压断路器机械故障诊断中取得了一定的成效,然而这些方法实现优异性能的前提是可获取海量训练样本,在现场数据匮乏场景下其诊断性能明显下降。为此,提出了一种新颖的特征融合度量学习模型用于现场小样本高压断路器机械故障诊断。首先构建了特征融合卷积神经网络,有效提升了可鉴别特征提取能力。然后以K近邻算法作为度量学习器实现小样本数据的匹配和分类。最后通过改进中心损失进一步提升特征表示的分辨能力,并通过情景训练从实验室构建的大样本集中学习可迁移知识。实验结果表明,本文方法在每类支持集样本数为5时便可达到94.58%的诊断精度,相对于卷积神经网络提升了63.71%。同时,得益于情景训练方式本文方法有效避免了非平衡样本的问题。     

基于卷积神经网络的刀具磨损在线监测

为了提高刀具磨损在线监测的精度和泛化性能,提出一种基于卷积神经网络的刀具磨损量在线监测模型。利用时域传感器信号对刀具磨损量进行定量分析,避免数据预处理带来的信息丢失;采用深度网络自适应地提取特征,取代传统的人工特征提取过程,并通过加深网络进一步挖掘信号中隐藏的微小特征。实验结果表明,该模型对刀具后刀面磨损量监测效果较好,可以有效避免人为特征提取的局限,精度和泛化性都有一定程度的提高。与相关研究的对比也证实了其可行性和有效性。