谱质心迁移在变工况轴承故障诊断的应用

轴承故障诊断普遍存在需建立不同模型以适应变工况的问题,故提出一种谱质心迁移学习模型,通过将源工况领域迁移至目标工况领域减少后者的建模代价,并增强模型通用性。首先计算两工况领域间频谱相似度(FSSM)并排序选择近距离源工况领域为初始训练集。其次在迭代过程中剔除与训练集谱质心均值距离较远的样本,并加入同数量目标工况领域无标签样本,直至两者谱质心均值距离一致,模型故障类别取决于支持向量机(SVM)和逻辑回归(LR)基分类器的输出。Spectra Quest齿轮传动系统试验结果表明,转速负载发生变化时,该模型诊断性能优于非迁移模型,且能够根据替换样本数、精度、频谱相似度、耗时等指标评估源工况领域质量,因此具有解决变工况轴承故障诊断问题的潜在价值。     

有限变工况特征迁移学习方法及其在高速列车轴箱 轴承故障诊断中的应用

以高速列车轴箱轴承为研究对象,提出了一种适用于有限数量变工况下的轴承故障诊断方法。该方法以有监督的学习模式构造自编码器,将不同工况下特征值集向参考工况下特征集做映射迁移,从而减弱由工况变化引起的轴承故障特征值改变的影响。再将迁移后的特征集输入由参考工况特征集预训练的基于卷积神经网络的故障诊断模型,实现变工况下轴承故障的诊断。凯斯西储大学轴承公开数据集和高速列车轴箱轴承数据集的试验结果表明,经监督式自编码器特征迁移后的轴承故障识别准确率有了较大提升,该方法能够较好的实现有限工况下的特征序列的迁移,解决工况变化带来的故障特征的畸变问题。     

基于IFOA-TCA的跨工况轴承故障诊断

为解决不同工况下轴承振动数据分布不一致且目标工况轴承诊断数据不足的难题,提出一种采用改进果蝇优化算法(IFOA)优化主题相关性分析(TCA)的跨工况轴承故障诊断方法。首先,通过联合混合模型挖掘源域与目标域轴承故障样本数据中的共有主题与领域独有主题;其次,以共有主题为桥梁,映射领域独有主题并共同构建一个新的特征空间;然后,选用逻辑回归模型,在新的特征空间里利用源域轴承故障样本数据训练模型,并通过训练好的模型输出对目标轴承的故障诊断结果;最后,调整果蝇优化算法中味道浓度判定值的取值方式并采用多种策略改进果蝇优化算法,将改进果蝇优化算法用于优化主题相关性分析中的超参数,提高对目标工况轴承的故障诊断精度。     

改进LSSVM迁移学习方法的轴承故障诊断

机械系统存在的外部环境干扰、变工况条件以及无法直接测量等因素,导致获取的数据常常不满足传统机器学习的两个前提:训练与测试数据分布相同以及目标诊断数据量充足,从而影响诊断模型的泛化能力。针对上述问题,提出一种基于辅助数据的增强型最小二乘支持向量机(LSSVM)迁移学习策略,用于数据量不足时的轴承故障诊断。其中利用递归定量分析(RQA)提取非线性特征并与传统时域特征相结合以提高诊断精度。诊断分类器通过改进传统LSSVM模型,在原目标函数和约束条件中分别增加辅助集的惩罚函数和约束条件,最终得到加入辅助集的函数估计,从而将该算法推广至迁移学习。此外,类内类间距离指标用于描述特征区分性,并提出4种辅助数据集的使用方法,从而构建迁移学习为框架的诊断模型。球形轴承的振动信号试验结果表明,相比传统机器学习,在目标振动数据较少条件下所提模型在轴承故障诊断时性能提升显著。     

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。     

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...     

一种改进CNN在轴承故障诊断中的应用

针对轴承智能故障诊断过程中的特征自适应提取和在变工况下诊断能力差的问题,提出了一种基于特征通道权重调整的“端对端”一维卷积神经网络(Squeeze-Excitation Convolutional Neural Network,SECNN)滚动轴承故障诊断模型。首先采用一维卷积神经网络自适应地从原始振动信号中提取特征进行分类;然后通过增加特征通道权重模块来获取通道全局信息,学习特征通道之间的依赖关系;再据此对特征通道权重进行调整,增强滚动轴承故障诊断模型在变工况下的特征自适应提取能力。通过轴承实验台数据的验证结果表明:SECNN在多个变载荷工况下的故障诊断准确率均值达到97%,相比于传统方法提高了20%左右。同时利用t-SNE技术可视化特征提取过程,进一步验证了所提取的诊断模型的有效性。     

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。     

基于增强迁移卷积神经网络的机械智能故障诊断

现有的基于深度迁移学习的智能诊断方法通常对源域和目标域特征对齐来减少两者分布差异,没有考虑源域类别决策边界对目标域特征匹配的影响,针对此不足,提出了一种增强迁移卷积神经网络(Enhanced transfer convolutional neural network,ETCNN)来改进机械设备在变工况下的诊断精度和泛化...     

一种残差注意力迁移学习方法及其在滚动轴承故障诊断中的应用

提出了一种基于残差注意力卷积神经网络(CSRA-CNN)的迁移学习算法,用于提高滚动轴承的故障诊断精度。在卷积神经网络模型中加入残差注意力机制,使模型在训练过程中更加注重故障特征的提取,从而有效提高迁移准确率。为了测评基于残差注意力卷积神经网络的性能,将其与传统卷积神经网络在不同迁移学习策略下的结果进行对比。用动力传动故障诊断综合实验台和高速列车综合实验台对所提算法进行了验证,该方法可以完成变转速以及变转速变载荷下轴承不同健康状态的迁移学习,且迁移效果均优于传统的卷积神经网络。     

时域流形特征增强在数控机床轴承故障诊断中的应用

以数控机床轴承的时域振动信号为研究对象,提出一种基于流形学习的特征增强方法。首先,将采集信号的时间序列进行相空间重构,通过计算子相空间的信息熵来构建信号在特征空间中的表示,并以流形距离作为原始信号来集中不同故障类型的度量。然后,使用等距特征映射算法求取信号在特征空间中同胚的低维流形,其结果可用于对故障类型的分类判别。经实例数据集的验证分析发现,信息熵—等距特征映射变换能够在低维特征空间表达并强化轴承时域信号的故障类型特征,可有效应用于数控机床轴承单一和复合故障场景的设备运行诊断。     

基于特征选择与软竞争ART的轴承故障诊断

模糊自适应共振理论(fuzzy adaptive resonance theory,简称Fuzzy ART)已被广泛应用于机械设备实时监控和故障诊断。Fuzzy ART采用只允许一个获胜节点学习的硬竞争学习机制,导致系统极易产生误判。针对此问题,将Yu范数相似度准则、生物侧抑制理论与Fuzzy ART相结合,建立了允许多个获胜节点学习的软竞争ART(简称Soft-ART)算法。为了提高故障诊断精度,运用Yu范数相似度测度改进了基于距离测度的特征参数选择方法。利用轴承故障诊断数据对特征选择算法及Soft-ART算法进行了检验,并与FCM,BP及Fuzzy ART算法进行了对比。结果表明,该Soft-ART算法具有更高的诊断精度,同时说明了特征选择算法的有效性。     

基于AlexNet和迁移学习的滚动轴承故障诊断研究

传统的轴承故障诊断方法需要进行复杂的信号处理,同时依赖专家知识和人工构造算法等技术手段,并且工程实际中可利用的机械设备故障数据量较少,针对这一系列问题,以滚动轴承正常运行时和发生不同故障时收集到的原始振动信号为识别依据,提出了一种基于AlexNet和迁移学习的滚动轴承故障诊断方法.将收集到的滚动轴承原始振动数据转换为振...     

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。     

改进ReliefF算法在水泥工艺故障诊断中的应用

针对ReliefF算法在迭代过程中受样本选取随机性、随机样本可能带有干扰及类别先验概率等因素影响较大的问题,提出了一种无需类别先验概率,且可以在所有类别的样本核心圈进行迭代的改进ReliefF算法。在标准数据集上的试验结果表明,改进ReliefF算法克服了传统ReliefF算法容易受迭代次数、最近邻样本数影响的问题,且算法的特征选择结果稳定,在选取特征维数相同的情况下,改进ReliefF算法选取特征的分类效果较传统ReliefF算法也有所提高。最后,将改进ReliefF算法运用于水泥工艺故障诊断,运用该算法提取故障特征,以支持向量机作为分类器,实现了故障的准确识别。     

基于改进型shapelets算法的动车组轴箱轴承故障诊断方法研究

现存的两种分别基于信号处理技术和大数据处理技术的滚动轴承故障诊断方法,存在着过度依赖信号处理、模型复杂、可解释性弱等特点.针对传统故障诊断技术的不足,本文将基于shapelets学习算法的时间序列分类方法引入故障诊断领域,通过动车组轮对台架滚振实验建立了动车组轴箱轴承故障的非平衡数据集,并基于Dropout思想对诊断模...     

应用ACSBP算法的轴承故障诊断

为进行轴承故障位置和损失程度的有效识别,提出一种基于自适应布谷鸟搜索算法结合BP神经网络(ACSBP)的故障诊断模型。在ACS算法中,取消了Levy飞行策略,降低了算法搜索过程的随机性。同时,步长的更新由适应度函数值决定,无需进行参数初始化,以体现面向不同优化问题的普适性。此外,发现概率采用动态调整方式,提高了ACS算法的寻优精度以及收敛速度。以此为基础,实现了轴承故障诊断模型的构建。仿真实例表明,与布谷鸟搜索算法结合BPNN(CSBP)和粒子群算法结合BPNN(PSOBP)相比,ACSBP模型具有较强的容错性,可有效提高轴承故障诊断的精度。     

基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。