基于伪标签深度学习的半监督滚动轴承故障诊断模型

针对实际工程应用中被标记的滚动轴承故障样本收集困难,传统诊断模型精度较低的问题,提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet数据集上预训练的残差网络（Residual Network,ResNet）模型参数迁移至本文模型中作为初始参数,并使用不同学习率微调网络层参数以加快模型收敛速度;随后引入伪标签半监督学习,使用标签数据训练模型并对无标记数据进行预测以生成伪标签;最后使用标签数据以及伪标签数据训练参数迁移后的ResNet模型,并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明,在具有大量未标记样本集下,所提出模型可迁移至不同设备完成诊断,具有较强的鲁棒性,可用于处理复杂工业环境中的故障诊断问题。     

基于Tri-Training的制冷系统半监督故障诊断

针对以往制冷系统故障诊断需采用已知运行状态的有标签数据,导致大量无标签数据信息无法利用的问题,本文提出一种基于Tri-Training的制冷系统半监督故障诊断方法,改善制冷系统故障诊断性能。采用一台316 kW离心式冷水机组7类典型故障的实际数据对该诊断方法进行验证,结果表明：该方法具有有效性,挖掘无标签数据信息的Tri-Training半监督故障诊断模型相比支持向量机(SVM)、K近邻(KNN)、随机森林(RF)3种有监督诊断模型,性能显著提高,总体诊断正确率达到99.43%,对系统级故障的诊断正确率提升1.73%～3.90%,虚警率、漏报率、误报率均有不同程度改善。同时,表明该故障诊断模型中3个基分类器的故障诊断性能及其多样性是影响该模型对制冷系统中无标签数据利用的主要因素。     

基于排气噪声的柴油机气阀故障诊断

通过对柴油机气阀机构七种状态下的排气噪声信号建立AR模型,以AR模型的自回归参数作为故障识别的特征向量,建立基于极限学习机的柴油机气阀故障诊断模型,并与反向传播神经网络算法、径向基网络算法和基于支持向量机的诊断模型相比较。试验结果表明,排气噪声信号可用于柴油机气阀故障的诊断,且基于极限学习机的诊断模型与其他三种算法的分类正确率均可达到95 %以上,但在学习速度上,极限学习机具有明显的优势。     

基于教师-学生网络的半监督故障诊断模型

针对神经网络模型在有标签样本数量较少的情况下,容易产生网络过拟合、故障诊断精度低、不能充分利用大量无标签样本数据等问题,提出一种基于连续小波变换和教师-学生网络的半监督学习方法用于旋转机械的故障诊断。该方法以改进的LeNet5卷积神经网络模型为基础,建立具有相同结构和初始化参数的学生网络模型和教师网络模型。首先,将旋转机械振动信号进行连续小波变换,将其转换为三维时频图像。接着,利用教师模型的预测结果生成伪标签,将这些伪标签和真实标签结合起来,训练学生网络。同时,通过指数加权移动平均算法更新教师网络模型参数。试验结果表明,相对于纯监督学习模型,所提出的算法能够在有标签样本数量较少的情况下显著提高模型训练过程的稳定性和故障诊断的精度。     

半监督极限学习机用于Android手机活动识别的研究

基于对现有Android手机活动识别技术的分析,针对从不完全、不充分的移动传感器数据中推断人体活动的难题,将能根据无标签样本提高识别预测准确性和速度的半监督(SS)学习和体现模式分类回归的有效学习机制的极限学习机(ELM)相结合给出了解决Android手机平台的人体活动识别问题的半监督极限学习机(SS-ELM)方法,并进一步提出了主成分分析(PCA)和半监督极限学习机(SS-ELM)结合的PCA+SS-ELM新方法。实验结果表明,该方法对人体活动的识别正确率能达到95%,优于最近提出的混合专家半监督模型的正确率,从而验证了该新方法是可行性。     

基于半监督邻域自适应正交判别投影的转子故障诊断

针对故障特征集维数过高导致故障难以辨识的问题,提出一种基于半监督邻域自适应正交判别投影(SSNA-ODP)的转子故障诊断方法.提取原始振动信号的时域、频域、时频域特征构造混合域特征集;利用SSNA-ODP方法对混合域特征集进行维数约简,提取出有利于实施分类的低维特征子集;输入到支持向量机(SVM)中进行模式识别.典型故...     

基于改进半监督生成对抗网络的少量标签轴承智能诊断方法EI北大核心CSCD

轴承在线监测大数据主要是由大量无标签数据和少量有标签数据组成的。已有的智能诊断方法多依赖于大量有标签数据的监督学习。针对此问题,提出一种改进半监督生成对抗网络,利用生成器与分类器的对抗学习增强分类器的辨识能力,提出了增强特征匹配算法,借助分类器的深层特征优化网络损失值计算,进而提高网络收敛速度,结合半监督学习使用少量有标签数据进一步提升分类器的学习能力,最终实现对无标签数据的正确归类。使用四组轴承试验数据的迁移学习验证和对比了改进深度网络对不同轴承、工况、故障生成模式、故障程度的辨识能力,结果表明该网络具有更高的分类准确率和更快的收敛速度。     

基于VMD-ICMSE和半监督判别SOINN L-Isomap的滚动轴承故障诊断

针对从滚动轴承非线性、非平稳振动信号中提取故障特征困难的问题,提出一种基于半监督判别自组织增量学习神经网络界标点的等度规映射(SSDSL-Isomap)的滚动轴承故障诊断方法。利用基于变分模态分解的改进复合多尺度样本熵(VMD-ICMSE)从复杂域提取振动信号的故障特征,构建高维故障特征集;采用SSDSL-Isomap方法对高维故障特征集进行维数约简,提取出利于识别的低维、敏感故障特征子集;应用粒子群优化极限学习机(PSO-ELM)分类器对低维故障特征进行故障识别,判别故障类型。VMD-ICMSE方法集成了VMD自适应分解非线性信号与ICMSE衡量时间序列复杂性程度的优势,提高故障特征提取能力;SSDSL-Isomap方法综合了全局流形结构、半监督型双约束图构建以及SOINN界标点选取的优点,增强故障分类能力。调心球轴承故障诊断实验分析结果表明,该方法对实验数据的故障识别率达到100%。     

基于改进极限学习机的通风扇故障诊断

为了提高飞机电子舱通风扇故障诊断精度,该文提出了一种基于改进极限学习机的通风扇故障诊断方法。采用收缩系数改进粒子群算法,得到IPSO算法,并采用IPSO算法对ELM进行优化,建立了基于IPSO-ELM的故障诊断模型。采用美国西储大学轴承中心的风扇端加速度数据进行仿真分析,并与PSOSVM模型进行对比,结果表明,IPSO-ELM模型的诊断精度为98%,比PSO-SVM模型高6.52%,验证了该文所提通风扇故障诊断方法的实用性。     

基于两阶段学习的半监督SVM故障检测方法

提出一种基于两阶段学习的半监督SVM故障检测方法。该方法首先使用标识传递算法给未标识样本赋予初始伪标识,并通过k近邻图对比样本点标识值,将可能是噪声的样本点识别并剔除;然后将去噪处理后的样本集输入到SVM中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的故障检测性能。实验中将该方法同支持向量机(SVM)、模糊支持向量机(FSVM)、直推式支持向量机(TSVM)及拉普拉斯支持向量机算法(LapSVM)进行比较,结果表明该方法在不同数目标识样本集合的情况下,检测精度较其他算法有较大幅度提高,同时该方法还比较了不含测试样本和含测试样本训练条件下的故障检测性能,结果表明结合测试样本可进一步提高算法的故障检测性能。     

MDCNet轴承智能故障诊断方法研究

目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。     

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。     

基于排气噪声的柴油机失火故障诊断

通过计算机和声传感器采集排气噪声,研究九种工况下柴油机排气噪声的频谱规律。通过对柴油机排气噪声信号功率谱分析,提取二个参数来表征排气噪声的频谱规律。对这两个参数在各工况下的值进行了详细的分析后,发现这两个参数在失火工况下有较大的变化,故对这两个参数确定相应的阈值来诊断失火故障。通过编写相应的故障诊断程序,输入排气噪声样本和对应的转速后即可判断出失火故障。这种方法具有非接触,操作简单,成本低的特点。     

《发动机故障诊断系统设计》

设计出一套适合实车不解体的发动机故障诊断新系统，它利用PC声卡配合LabVIEW采集排气噪声，然后对发动机不同状态下排气噪声信号进行矢量量化分析，从而完成系统的设计。实验结果表明该系统方案切实可行，诊断准确,为发动机故障诊断系统设计提供了一条新途径。     

支持向量机及其在机械故障诊断中的应用

支持向量机（SVM）是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。     

基于支持向量机的齿轮故障诊断方法研究

故障样本的不足从一定程度上制约了基于知识的方法在实际故障诊断中的应用，针对这一问题，利用支持向量机在小样本情况下具有较强分类能力的特点，提出了一种基于支持向量机的齿轮故障诊断方法。该方法采用小波变换对齿轮的振动信号进行处理来构造特征向量，并直接输入到支持向量机的多故障分类器中进行故障识别。试验结果表明该方法是有效、可行的，且在小样本情况下比BP神经网络具有更高的诊断精度。     

基于CNN-集成学习的多风电机组故障诊断

海上风电场地处偏远环境,长期受到盐碱腐蚀。为解决风电机组运行过程中产生的多种故障检测识别问题,在传统卷积神经网络LeNet-5的基础上构建模型。该模型采用ReLU函数作为激活函数,增加了卷积层、池化层和全连接层。针对风电机组的监督控制和数据采集(supervisory control and data acquisition,SCADA)系统及状态监控(condition monitoring,CM)系统所提供的数据集,进行多元类别故障诊断。并对多台风电机组进行聚类分析,应用集成学习方法,构建多风电机组故障诊断模型。实验表明,所提方法取得了97%~99%的诊断精度。通过将实验结果与其他算法进行对比,验证了该方法的有效性。     

Sentiment Analysis Method Based on Kmeans and Online Transfer Learning

Sentiment analysis is a research hot spot in the field of natural language processing and content security. Traditional methods are often difficult to handle the problems of large difference in sample distribution and the data in the target domain is transmitted in a streaming fashion. This paper proposes a sentiment analysis method based on Kmeans and online transfer learning in the view of fact that most existing sentiment analysis methods are based on transfer learning and offline transfer learning. We first use the Kmeans clustering algorithm to process data from one or multiple source domains and select the data similar to target domain data to establish the classifier, so that the processed data does not negatively transfer the data in the target domain. And then create a new classifier based on the new target domain. The source domain classifier and target domain classifier are combined with certain weights by using the homogeneous online transfer learning method to achieve sentiment analysis. The experimental results show that this method has achieved better performance in terms of error rate and classification accuracy.