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。     

基于多标签零样本学习的滚动轴承故障诊断EI北大核心CSCD

近年来,数据驱动的方法在滚动轴承故障诊断领域发展迅速,但面对工程实际中没有历史记录的故障类型,仍存在故障特征学习不充分、误诊率高等不足。针对上述问题,提出了多标签零样本学习(multi-label zero-shot learning,MLZSL)故障诊断方法。首先,使用短时傅里叶变换(short-time Fourier transform,STFT)对可见类和未见类样本进行预处理,将得到的时频图像输入残差深度可分离卷积神经网络(residual depthwise separable convolutional neural network,RDSCNN)进行特征提取,再使用可见类故障特征训练属性学习网络,依靠属性学习网络预测未见类故障样本的属性向量,最终实现对未见类故障的诊断。设计了零样本条件下的故障诊断试验,结果表明MLZSL能将可见类故障属性迁移到未见类,并有效诊断未见类故障。     

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。     

基于改进DQN燃气轮机转子故障诊断方法

燃气轮机转子系统作为燃气轮机关键部件，由于难以获取敏感故障特征导致故障诊断精度不高，影响设备的安全服役。针对以上问题，提出一种改进深度Q网络（DQN）深度强化学习燃气轮机转子系统故障诊断方法。首先，以采集的一维工况原始振动信号为输入，该DQN模型的环境状态采用故障样本集组成，转子故障类型为当前模型输入的动作集合；然后，DQN模型的智能体使用一维宽卷积神经网络（WDCNN）拟合得到Q网络，并使用ε-贪婪策略做出决策动作，反馈奖励和下一状态并存储到经验池内；智能体内采用时间差分误差（TD-error）优先经验回放，使得算法更加稳定和训练收敛；智能体与环境不断交互决策出最大奖励，输出最优策略故障诊断结果。将该模型应用于西储大学轴承数据集与燃气轮机试车台数据集中，分别达到99.2%与98.7%的准确率，可以用于快速有效地进行故障诊断。结果表明该改进DQN模型具有较高的故障诊断准确性与通用性。     

基于流形嵌入分布对齐的滚动轴承迁移故障诊断方法

针对变工况下滚动轴承不易获取带标签的振动信号,导致故障诊断准确率低等问题,提出一种基于自适应噪声完整经验模态分解(CEEMDAN)与流形嵌入分布对齐的滚动轴承迁移故障诊断方法。采用CEEMDAN对不同工况下滚动轴承振动信号进行分解,得到若干内禀模态分量(IMF);提取峭度较大的IMF分量的时域和频域特征构造多特征样本集,将所提特征嵌入流形空间进行流形特征变换,同时,对变换后的流形特征动态分布对齐;利用源域数据和目标域数据训练分类模型,以获得未知标签的滚动轴承故障诊断结果。实验表明,所提方法能够最小化域间特征分布差异,有效提高滚动轴承状态识别的准确率。     

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LSGAN-SqueezeNet的轴承故障诊断研究EI北大核心CSCD

在滚动轴承的故障诊断过程中,需要大量的故障样本对模型进行训练,但由于工程实际环境较为复杂,难以采集到足量的轴承故障样本。提出基于最小二乘生成对抗网络(least squares generative adversarial networks,LSGAN)结合SqueezeNet在样本数据量不足条件下滚动轴承故障诊断的方法。该方法首先利用滚动轴承的原始样本训练LSGAN,生成不同状态下的轴承信号样本,采用SqueezeNet对真实样本与生成样本进行模型训练,实现样本数据量不足条件下的轴承故障诊断。通过凯斯西储大学及德国帕德博恩大学的滚动轴承试验数据对所提轴承故障诊断方法进行验证。试验结果表明,真实样本结合生成样本训练模型,对故障的诊断准确率均达到99.7%,该方法具有较高的诊断精度。实现了样本数据量不足条件下故障诊断的可行性及验证其泛化性,且有效提高了故障诊断的准确率、降低了训练成本。     

多模型融合下的滚动轴承故障诊断方法

针对单一分类器对于轴承故障诊断精度低的问题,提出一种多模型融合的滚动轴承故障诊断方法。首先对于滚动轴承的原始振动信号采用WELCH功率谱算法进行预处理,然后从功率谱中提取相关特征参数构成输入样本,分别采用LDA、SVM、KNN以及PNN四种分类器作为基分类器,再结合集成学习算法构造Stacking 集成学习模型,实现对滚动轴承多种故障类型的预测分类。实验结果表明,相比较各个单一分类器,Stacking-SVM集成模型的诊断性能更优,诊断准确率为98 %。同时将该集成模型在不同工况下进行实验及抗噪实验,均能达到较高的诊断准确率。可见该集成模型的故障诊断性能稳定,具有一定的鲁棒性和泛化能力。     

基于概念漂移检测的制冷系统故障诊断模型自适应

制冷系统实际运行中,故障诊断模型可能出现诊断性能波动或下降等情况,需具备再学习能力以适应现场数据。本文设计了一种基于正确率阈值的概念漂移检测机制及支持向量机增量学习的故障诊断自适应模型,并将其应用于制冷剂过量故障的再学习。该算法通过两次优化选择、过滤数据信息,保留原有诊断知识,仅学习未知样本信息,可极大地节约模型学习时间,快速适应新环境。结果表明,新的故障种类出现时,诊断模型检测到概念漂移,进而通过增量学习进行自我更新,实现对新故障的学习与诊断。1 400个过量故障样本中诊断模型只需要学习600个,且保证最终模型对后续数据流具有较佳诊断性能,正确率高达99%。在现场制冷系统故障诊断应用中,诊断模型的再学习和自适应体现出良好的应用前景。     

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。     

邻域自适应增量式PCA-LPP在齿轮箱故障诊断中的应用EI北大核心CSCD

针对流形学习算法的增量处理问题,提出一种邻域自适应增量式PCA-LPP流形学习算法,阐述了算法的基本原理以及增量样本处理方法。对新增样本的引入,首先根据已有样本对协方差矩阵和相似矩阵进行增量更新,而后结合已有样本降维结果对新增样本降维结果进行估计,最后采用子空间迭代法实现新旧样本降维结果的更新。采用齿轮箱故障信号特征向量对邻域自适应增量式PCA-LPP流形学习算法进行检验,结果表明,邻域自适应增量式PCA-LPP流形学习算法降维后特征具有良好的故障分类识别效果。     

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。     

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。     

基于迁移学习与深度残差网络的滚动轴承快速故障诊断算法EI北大核心CSCD

针对现有基于深度学习的滚动轴承故障诊断算法训练参数量大,训练时间长且需要大量训练样本的缺点,提出了一种基于迁移学习(TL)与深度残差网络(ResNet)的快速故障诊断算法(TL-ResNet)。首先开发了一种将短时傅里叶变换(STFT)与伪彩色处理相结合的振动信号转三通道图像数据的方法;然后将在ImageNet数据集上训练的ResNet18模型作为预训练模型,通过迁移学习的方法,应用到滚动轴承故障诊断领域当中;最后对滚动轴承在不同工况下的故障诊断问题,提出了采用小样本迁移的方法进行诊断。在凯斯西储大学(CWRU)与帕德博恩大学(PU)数据集上进行了试验,TL-ResNet的诊断准确率分别为99.8%与95.2%,且在CWRU数据集上TL-ResNet的训练时间仅要1.5 s,这表明本算法优于其他的基于深度学习的故障诊断算法与经典算法,可用于实际工业环境中的快速故障诊断。     

深度置信网络迁移学习的行星齿轮箱故障诊断方法

实际工程中行星齿轮箱受工况、运行情况等因素的影响,获取的数据难以满足训练和测试数据独立同分布且训练数据充足的条件,直接影响故障诊断效果。为此,提出一种深度置信网络(Deep Belief Network,DBN)迁移学习的行星齿轮箱故障诊断方法。首先,将辅助标记数据的原始信号频谱作为DBN网络的输入,逐层更新网络的权重和偏置值对输入信号进行分级表达,以获得其分布式特征表达,得到基于辅助标记样本的DBN预模型。再利用少量的目标标记样本微调DBN预模型的网络权重和偏置值,实现DBN网络的权重和偏置值从源域到目标域的迁移以适应新的目标样本识别,最终提高目标域样本故障识别准确率。通过行星齿轮箱故障模拟实验验证了所提方法的可行性和有效性。     

基于移动多尺度重构的交互式能量熵齿轮故障诊断

为精确提取振动信号中表征齿轮故障类型与程度的敏感特征,提出一种基于移动多尺度重构的交互式能量熵（Moving Multi-scale Reconstruction Based Interactive Energy Entropy,MMR-IEE）齿轮故障诊断方法。通过移动均值重构获得齿轮振动信号在不同尺度下重构信号,利用相邻数据点构成滑动窗口使振动信号的信息提取更加充分;计算不同尺度通道下的原始信号与重构信号能量分布,采用交互式叠加法获得的特征向量表征因故障而导致的振动信号能量突变。在此基础上,结合k最邻近（k-Nearest Neighbor,kNN）模式分类器,提出一种新的齿轮故障诊断方法,并将提出的方法应用于齿轮实验数据分析。结果表明,MMR-IEE方法有强故障特征提取能力,不同转速与不同工况下,齿轮故障诊断准确率达到99%。     

一种改进原型网络的小样本轴承故障诊断方法

在原型网络小样本故障诊断中，由于故障样本少并且易受异常值的影响，导致所得类原型准确性不是很好。为了提高故障原型表示的准确性，提出一种改进原型网络的小样本故障诊断方法，通过引入辅助分类任务提取更具鲁棒性的特征，提高提取特征的区分能力。另外，利用查询集样本进一步优化类原型，提高类原型对故障轴承的表示能力。为验证所提方法的有效性，设置K取不同值，在滚动轴承数据集上进行C-way K-shot故障诊断试验。试验结果表明，改进原型网络所得类原型具有更好的区分性与准确性。在10-way 5-shot试验中，所提方法相较传统原型网络准确率提高了5.1%。     

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。     

模型无关元迁移学习用于空间滚动轴承寿命阶段识别

针对变工况下空间滚动轴承寿命阶段识别时因样本分布差异较大、可训练用寿命阶段样本较少以及不同寿命阶段样本数量不均等所造成的寿命阶段识别准确率较低的问题,提出模型无关元迁移学习（Model-Agnostic Meta-Transfer Learning, MAMTL）用于空间滚动轴承寿命阶段识别。在MAMTL中,将模型无关元学习和迁移学习相结合以实现多任务同步平行训练从而代替传统的迭代训练,多个任务损失函数利用不同工况下无类标签样本和历史工况下少量有类标签样本共同更新MAMTL网络参数,以寻求网络参数的全局最优解,这使MAMTL具有更好的泛化能力,因此MAMTL在较少历史工况有类标签训练样本情况下比传统迁移学习具有更好的域适配性;在MAMTL中构建新型原型网络以将历史工况每一类别的样本表示为一个原型,通过计算当前工况待测样本与原型的相似度完成当前工况待测样本分类,且该分类过程无需参数学习,因此可防止样本不均等情况下对于不同类别样本识别精度差距较大和在少量有类标签训练样本情况下网络出现过拟合的问题,从而更好提高分类精度。MAMTL的以上优势使得它可利用空间滚动轴承历史工况下的少量、非均等已知...