深度嵌入关系空间下齿轮箱标记样本扩充及其半监督故障诊断方法

针对只有少量标记样本的情况下,传统的基于深度学习的齿轮箱故障诊断方法训练出来的深度模型泛化能力差并且容易发生过拟合的问题,提出了一种基于深度嵌入关系空间下齿轮箱标记样本扩充的齿轮箱半监督故障诊断方法.该方法将少量的有标记振动信号以成对的输入方式输入到关系网络中进行监督训练,然后以有标记振动信号为参考,将大量的无标记振动...     

基于标签传播的涉烟车辆异常检测

烟草行业与政府财政收入密切关联,走私假烟不仅会造成国家税收流失,同时也会扰乱市场、危害消费者的健康,如何对涉烟车辆实施有效的监管,对烟草行业的发展有重要意义。针对涉烟车辆的问题,并结合实际采集的车辆数据特征,提出了基于标签传播的涉烟车辆异常检测算法。通过对车辆数据集进行有用特征提取,并采用随机森林算法实现特征选择,在此基础上使用标签传播算法对异常车辆进行分类。结果表明,在历史数据和异常车辆标签较少的情况下,基于标签传播的涉烟车辆异常检测算法能有效的检测出大部分涉烟车辆。在给定数据集中,算法检测出异常点的召回率为57.7%,远超其他传统机器学习模型。该算法可为运输违禁物品车辆的侦查提供辅助支持。     

噪声标签下注意力特征混合的旋转机械故障诊断

实际工程中,受人为标记或数据预处理等原因影响,旋转机械故障数据集易出现噪声标签,导致故障诊断模型性能降低,故提出注意力特征混合的旋转机械故障诊断方法。 首先,构建残差神经网络(ResNet)提取样本中的时频特征,通过随机分组和特征交互构建正确标签样本组、部分噪声标签样本组和噪声标签样本组;其次,引入注意力机制计算各样本组内样本相关性对各组样本分配权值,得到能区分部分噪声样本组中噪声标签样本的差异性权值;然后,根据权值对每组样本进行混合(Mixup) ,通过对噪声标签样本插值并在反向传播中更新注意力层参数降低噪声标签样本所占比例;最后,利用在线标签平滑(OLS)统计模型预测信息更新软标签,通过降低噪声标签样本对模型损失更新的影响,进一步抑制噪声标签样本组的负面影响。 在不同程度的噪声标签干扰下的旋转机械故障数据集上进行实验验证,检测精度均达到 95% 以上,证明了所提方法的有效性。     

基于半监督拉普拉斯特征映射的故障诊断

针对有标记故障样本不足和故障数据高维非线性的问题,提出了基于半监督拉普拉斯特征映射（LE）算法的故障诊断模型。该模型运用LE算法,直接从原始高维振动信号中提取低维流形特征,并将其输入到基于LE的半监督分类器,从而识别出机械设备的运行状态。与传统方法相比,该模型能明显提高滚动轴承和齿轮的故障识别性能。     

基于分布适配层和软标签学习的齿轮故障诊断

基于卷积神经网络的齿轮智能识别算法能有效地识别齿轮故障,但卷积神经网络需要大量的已标注训练数据,制约了卷积神经网络在齿轮故障诊断上的应用。针对该问题,提出了基于分布适配层和软标签学习的齿轮故障诊断方法。采用卷积神经网络提取特征和软标签;通过分布适配层提取分布差异,软标签学习生成软标签损失;以分布差异、软标签损失与分类损失生成的联合损失为目标函数,训练模型并进行目标域故障诊断。采用齿轮振动信号验证了提出方法,结果表明,提出方法能准确有效地分类齿轮故障数据。     

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。     

基于伪Wigner-Ville分布与小波变换的滚动轴承故障诊断

针对滚动轴承故障信号非平稳、非高斯的特点,提出了基于伪Wigner-Ville分布及小波变换的滚动轴承内、外圈故障诊断方法。在研究滚动轴承故障诊断机理,伪Wigner-Ville分布及小波变换理论的基础上,利用这两种方法对内圈、外圈故障的滚动轴承的振动信号进行了分析,提取了故障特征频率。结果表明,小波变换能够比伪Wigner-Ville分布更有效地提取轴承故障的特征信息,提高轴承故障诊断率。     

基于半监督模糊核聚类的变速箱早期故障诊断

研究半监督学习的模糊核聚类方法用于变速箱早期故障诊断的方法。故障特征不明显、样本差异小是机械故障早期检测的难点,基于半监督学习的核聚类方法利用少量已知模式的样本,结合大量未知模式的样本进行半监督学习,得到较好的识别效果。进行了变速箱正常运行和齿轮轻微剥落的故障实验,比较基于半监督学习的核聚类方法与无监督学习核聚类方法。实验结果表明,基于半监督学习的核聚类方法性能更优越。     

基于改进深层极限学习机的故障诊断方法

提出一种新的基于稀疏和近邻保持理论深层极限学习机（sparsity and neighborhood preserving deep extreme learning machines,简称 SNP-DELM））的滚动轴承故障诊断方法。首先,将极限学习机（extreme learning machine,简称ELM）与自编码器（autoencoder,简称AE）相结合,提出一种ELM-AE的结构,利用自编码器对极限学习机的隐含层进行分层;其次,将稀疏与近邻思想融入深层网络中,在投影过程中,通过稀疏表示保持数据的全局结构,通过近邻表示保持数据的局部流形结构,无监督地逐层提取数据的深层特征;最后,通过监督学习求解最小二乘进行分类诊断。将该方法用于风机滚动轴承故障诊断实验,并与ELM、堆叠降噪自编码器（stacked autoencoder,简称SAE）、深层极限学习机（deep extreme learning machine,简称DELM）、卷积神经网络（convolution neural network,简称CNN）等方法进行对比,实验结果表明,SNP-DELM算法相对于现有的几种算法具有更高的准确率和稳定性。     

基于极限学习机的航空旋转整流器故障诊断技术研究

航空发电机是航空电源系统的核心部件,针对目前应用于航空发电机旋转整流器故障诊断中的人工智能算法存在诊断速度慢、参数选取困难等问题,将极限学习机引入到航空旋转整流器故障诊断领域。以航空三级式发电机为例,分析了旋转整流器的故障模式,在Matlab/Simulink中建立发电机模型并模拟旋转整流器故障模式。实验结果表明,极限学习机具有较高的诊断精度。与传统的故障诊断方法相比,它具有更优的诊断效率。     

基于对向传播神经网络的齿轮箱故障诊断研究

介绍了CPN网络的原理、算法,利用神经网络具有任意逼近非线性函数的能力,建立了齿轮箱故障征兆与故障原因的对向传播神经网络模型。并用CPN网络对齿轮箱机械传动系统的故障进行了诊断。实例结果表明,该方法能够准确地诊断齿轮箱故障,同时具有训练速度快、结构简单、精度高等特点,是一种行之有效的诊断方法。     

基于正交邻域保持嵌入特征约简的故障诊断模型

提出一种基于正交邻域保持嵌入(orthogonal neighborhood preserving embedding,ONPE)特征约简的故障诊断模型.首先将原振动信号经验模式分解(empirical mode decomposition,EMD)并构造Shannon熵得到高维特征向量,再利用ONPE将高维特征向量约简为低维特征向量,并输入到最近邻分类器(k-nearest neighbors classifier,KNNC)中进行故障识别.本模型充分利用了EMD分解在故障特征提取、ONPE在信息压缩和KNNC在分类决策方面的优势,实现了旋转机械故障特征提取到故障诊断的全程自动化,并提高了诊断精度,为旋转机械故障诊断提供了一种新的模型分析方法.一个滚动轴承故障诊断实例验证了该模型的有效性.     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

一种面向旋转机械的基于Transformer特征提取的域自适应故障诊断

针对基于深度学习的旋转机械故障诊断方法在新工作条件下缺乏标注数据、跨域诊断精度较低的问题,提出了一种基于Transformer的域自适应故障诊断方法。采用Transformer的变体VOLO构造特征提取器以获取细粒度更佳的故障特征表示。利用源域数据进行监督学习对源域和目标域数据的特征提取器进行预训练,并且冻结源域提取器参数以获取固定的源域特征。利用域对抗自适应策略和局部最大平均差异结合目标域未标注数据训练目标域特征提取器,实现源域特征与目标域特征的边缘分布、条件分布对齐。通过两个多工况实验对所提出的故障诊断算法进行了验证,结果表明提出的基于Transformer特征提取的域自适应故障诊断方法相比5种传统域自适应方法,在齿轮和轴承数据集上分别平均提升了22.15%和11.67%的诊断精度,证明所提出方法对于跨域诊断精度具有提升作用。     

基于联邦多表示域适应的不同工况下滚动轴承故障诊断方法

针对不同工况下滚动轴承振动数据分布差异大、部分工况下的带标签数据难以获取、不同用户间数据不共享、单一用户 数据量少,导致建立诊断模型准确率不高的问题,提出一种联邦特征迁移学习框架以及基于联邦多表示域适应的不同工况下滚 动轴承故障诊断方法。 该方法对滚动轴承时域振动数据做小波变换得到时频谱图,将先验的有标签公共数据作为源域,多用户 无标签孤岛隐私数据作为目标域;引入多表示特征提取结构对原始残差网络进行改进,提取源域和目标域的多表示特征,分别 构建多用户本地模型;使用深度神经网络的模型压缩思想改进联邦迁移学习框架中的参数传递策略,增强联邦框架的安全性并 降低通信开销;在服务器端构建可用于不同工况下滚动轴承故障诊断的联邦全局模型。 经两种轴承数据集的实验验证,所提方 法无需多用户共享数据即可整合孤岛数据知识,建立有效的不同工况下滚动轴承故障诊断模型,平均故障诊断准确率可达 97. 6% ,相比单一用户建模提升至少 3. 2% 。     

基于改进随机森林的故障诊断方法研究

为解决不可识别故障诊断中无法有效定位的问题,提出一种基于改进随机森林的故障诊断方法.该方法通过改进决策树的bagging方式,采用条件概率指数进行决策树的无偏节点分裂,并以权重投票法综合决策树的分类结果.在此基础上,利用变量重要性测量来获取辅助故障定位的故障原型指数,从而较好地弥补了随机森林和传统机器学习在故障诊断中的不足和局限性.最后在一个标准数据集和田纳西一伊斯曼故障诊断的问题上进行验证,结果证明了该方法的有效性与可行性.     

有限样本下基于迁移学习的铣削稳定性预测方法

传统铣削稳定性分析因采用静态刀尖点频响函数和平均切削力系数而使其在真实工况下的预测精度降低。为此,引入迁移学习提出一种基于少量实验样本的铣削稳定性预测方法。首先,生成静态刀尖点频响函数和平均切削力系数在全转速范围内多个系列的随机值,并在各系列下进行铣削稳定性分析,通过计算少量极限切削深度实验值与对应的预测值之间的误差,确定最优系列并以其构造源域稳定域数据;然后,利用大量源域数据建立极限切削深度的预训练模型,通过少量实验样本全局微调此模型使其适应真实加工场景。以40组颤振实验样本展开实例验证,所提方法比采用少样本建模的预测精度提升32%,并对比不同数据规模下各类模型预测精度,共同验证所提方法的有效性。     

自适应正则化迁移学习的不同工况下滚动轴承故障诊断

针对不同工况下存在两域分布差异复杂的问题,提出自适应正则化迁移学习的不同工况下滚动轴承故障诊断方法。首先,训练基分类器为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新伪标签获得最优系数矩阵完成不同工况下滚动轴承故障诊断。在两组滚动轴承数据集上进行实验验证,实验结果显示所提方法识别准确率分别达到了96.38%,94.18%。证明该方法能够有效应对多种工况导致的复杂分布差异,同时具有较好的有效性和可行性。