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。     

基于粒子群优化KFCM的风电齿轮箱故障诊断

针对基于有监督学习的方法无法识别未知类别故障,提出了一种基于粒子群优化模糊核聚类(kernel fuzzy c-means clustering,简称KFCM)的风电机组齿轮箱故障诊断方法。首先,建立以训练样本分类错误率为目标的聚类模型,利用KFCM对训练样本进行分类;然后,以初始聚类中心和核函数参数作为优化变量,利用粒子群优化算法求解聚类模型,获得最优分类结果下每个类的类心;最后,根据新样本与各类心之间的核空间样本相似度判断新样本属于已知故障或者未知故障。以某风电机组齿轮箱为例,对提出方法的有效性进行试验验证。结果表明,与传统基于有监督学习的神经网络方法相比,该方法能有效诊断已知和未知类别的故障。     

基于模糊核聚类和引力搜索的风电齿轮箱故障诊断

为了诊断风电齿轮箱已知类别和未知类别的故障,提出了基于模糊核聚类和引力搜索的故障诊断方法。首先建立以训练样本分类错误率为目标的聚类模型,利用模糊核聚类对训练样本进行分类;然后利用引力搜索算法求解聚类模型,获得最优分类结果下每个类的类心;最后根据新样本与各类心之间的核空间样本相似度判断属于已知故障或者未知故障。结果表明,该方法准确度高,可有效用于风电齿轮箱故障诊断。     

改进灰狼优化模糊核聚类在风电齿轮箱故障诊断中的应用

为准确地辨识已知、未知故障类别,提出一种基于模糊核聚类模型的风电齿轮箱故障诊断新方法。首先,将模型初始聚类中心和核参数作为优化变量,采用改进型灰狼优化算法寻优求解。改进型灰狼优化算法中引入莱维飞行策略和非线性收敛向量,能够提高算法的收敛速度与精度,从而获得最佳分类结果下的各聚类中心和核参数;然后,根据待测样本与各聚类中心之间的核空间样本相似度,先判断样本是否属于已知故障,再诊断故障类别;最后,通过模拟风电齿轮箱的故障实验验证了该方法的有效性。     

基于混沌与模糊聚类的机械故障自动识别

针对大型设备旋转部件故障模式复杂难以识别的特点,给出一种基于混沌与模糊最大似然估计(Fuzzy maximum likelihood estimates,FMLE)聚类相结合的机械故障自动识别方法。利用混沌振子在非平衡相变对小信号非常敏感,而对噪声和高频信号具有强免疫力的特点,可检测出微弱的周期故障特征信号的频率信息,并将其作为故障特征矢量输入模糊聚类分类器进行聚类分析。同时针对传统的模糊C均值(Fuzzy center means,FCM)聚类算法只适用于球形或者类球形数集分布的缺陷,将基于最大似然估计的距离测度引入故障特征聚类中,实现对不同形状、大小和密度的故障数据集模糊聚类,达到对机械故障自动识别的效果。试验及工程实例结果证明了方法的有效性,同时证明FMLE聚类具有更好的聚类效果。     

基于对称式对比学习的齿轮箱无监督故障诊断方法

针对跨工况下无监故障诊断特征提取难、模型泛化性弱的问题,提出一种基于对称式对比学习策略的齿轮箱无监督故障诊断方法。首先,利用原始信号构建正负样本集,通过加噪声、序列倒转等数据增强后,分别输入两个结构相同的卷积神经网络提取高维特征;其次,度量正负样本的相似程度进行编码学习数据的隐藏表示,通过对称式自监督对比学习优化正负样本的对比估计损失函数,从而有效利用样本自身标签信息,提升网络从无标签样本中学习判别特征的能力;最后,在齿轮箱数据集上对所提方法开展试验验证,通过聚类准确率、分类系数和划分熵进行综合评估。结果表明,所提方法聚类精度可达98%以上,相比其他方法,呈现了更强的聚类能力和泛化性能。     

基于EEMD样本熵和GK模糊聚类的机械故障识别

针对目前各种机械故障诊断方法的局限性,提出了基于总体平均经验模式分解（EEMD）样本熵和GK模糊聚类的故障特征提取和分类方法,建立了一种机械故障准确识别的有效途径。首先,对机械振动信号进行EEMD分解,得到若干不同时间尺度的固有模态函数（IMF）分量。其次,通过相关性分析和能量相结合的准则对IMF分量进行筛选,并将筛选出的IMF分量的样本熵组成故障特征向量。最后,将构造的特征向量输入到GK模糊聚类分类器中进行聚类识别。实验及工程实例证明了该方法的有效性和优越性。     

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信号输入到训练好的关系网络中,建立有标记信号与无标记信号的嵌入关系空间。在关系空间中将具有最大相似的无标记信号被挑选出,并赋予其预测标记作为伪标签添加到有标记振动信号集中,重复上述步骤以进行有标记样本集扩充,以提高关系网络的泛化能力,当关系网络训练好后用于机械故障诊断,实现故障的诊断及分类。实验结果表明:利用本诊断方法处理只有少量标记样本的齿轮振动信号时,成功地实现了少量标记样本的扩充,并取得了优于传统的监督和半监督故障诊断方法的齿轮箱故障辨识效果。     

基于K-means和高斯混合模型聚类的齿轮箱故障识别研究

针对传统的基于振动信号的机械故障诊断技术过于复杂、诊断时间过长等问题,提出了结合K-means和高斯混合模型聚类方法的齿轮箱轴承和齿轮故障快速识别方法。首先,通过经验模态分解方法分解振动信号,利用相关分析选取了对振动信号局部特征表达最佳的IMF分量,IMF分量的均方根值和原始振动信号的均方根值,共同构成了振动信号特征集;然后,利用K-means算法确定了振动信号特征集的可分类别数;最后,基于振动信号特征集及其可分类别数,利用高斯混合模型聚类构造了齿轮箱运行状态的多维高斯分布函数,建立了齿轮箱在各运行状态下的从属概率模型,并根据从属概率大小,实现了齿轮箱故障的快速识别。实验和研究结果表明:针对实验环境下齿轮箱轴承和齿轮典型故障识别,基于K-means和高斯混合模型聚类的齿轮箱故障识别方法平均识别准确率为94.3%,高于基于模糊c均值聚类方法的故障识别平均准确率(84.5%)。     

基于PCA与蚁群算法的机械故障聚类诊断方法

针对现代机械复杂化、智能化的特点,为快速准确地诊断出设备故障,提出了基于PCA与蚁群算法的机械故障聚类诊断新方法。定义了聚类准确率判别因子,对主元的选取进行自适应调整,利用基于高斯径向基核函数的主元分析方法实现了故障特征提取。以蚁群算法解决旅行商问题为原型,定义了城市圈,改进蚁群算法实现了双重寻优,把故障聚类转化为蚁群算法最擅长的寻求最优解问题,将改进的蚁群算法用于故障特征样本的聚类。实例分析证明了该方法的有效性。     

Semi-supervised weighted kernel clustering based on gravitational search for fault diagnosis

Supervised learning method, like support vector machine (SVM), has been widely applied in diagnosing known faults, however this kind of method fails to work correctly when new or unknown fault occurs. Traditional unsupervised kernel clustering can be used for unknown fault diagnosis, but it could not make use of the historical classification information to improve diagnosis accuracy. In this paper, a semi-supervised kernel clustering model is designed to diagnose known and unknown faults. At first, a novel semi-supervised weighted kernel clustering algorithm based on gravitational search (SWKC-GS) is proposed for clustering of dataset composed of labeled and unlabeled fault samples. The clustering model of SWKC-GS is defined based on wrong classification rate of labeled samples and fuzzy clustering index on the whole dataset. Gravitational search algorithm (GSA) is used to solve the clustering model, while centers of clusters, feature weights and parameter of kernel function are selected as optimization variables. And then, new fault samples are identified and diagnosed by calculating the weighted kernel distance between them and the fault cluster centers. If the fault samples are unknown, they will be added in historical dataset and the SWKC-GS is used to partition the mixed dataset and update the clustering results for diagnosing new fault. In experiments, the proposed method has been applied in fault diagnosis for rotatory bearing, while SWKC-GS has been compared not only with traditional clustering methods, but also with SVM and neural network, for known fault diagnosis. In addition, the proposed method has also been applied in unknown fault diagnosis. The results have shown effectiveness of the proposed method in achieving expected diagnosis accuracy for both known and unknown faults of rotatory bearing.     

基于半监督谱核聚类的转子系统故障诊断

针对机械系统故障诊断中对先验知识利用不足和在高维特征空间中诊断难的问题,提出了一种基于成对约束和通过约束准则构造核函数的半监督谱核聚类方法。首先,在训练集中利用先验知识建立约束点对,即属于同一聚类的must-link点对和不属于同一聚类的cannot-link点对;其次,通过样本连接图的结构信息和约束点对信息设计核函数,计算出投影矩阵;最后,在投影空间中使用k-means算法聚类。测试集的每个样本点找到在对应训练集中k个近邻样本的投影值,计算局部投影矩阵,从而可以在线计算出每个新来样本的投影值。实验表明,该算法较相关比对算法聚类准确率更高,可以满足转子系统故障诊断的实际需要。     

极限标签下基于解耦特征伪标签传播的故障诊断

面对实际工程中标签稀少,尤其是单类样本仅1个标签的极限标签场景,现有半监督诊断方法的故障识别能力严重不足。为此,本文提出一种基于解耦特征伪标签传播算法的半监督故障诊断方法。首先,引入局部选择的并行集成异常检测方法分离故障样本;其次,提出基于解耦特征的伪标签传播算法,通过解耦对抗自编码器获得增强的故障特征,进而通过故障特征降维、特征分布伪质心标定与距离度量实现高效伪标签传播;最后,利用伪标签故障样本训练故障分类器,结合异常检测实现高准确率故障诊断。两个旋转部件数据集上的实验结果表明,所提方法在单类故障标签数量为1时,同工况和跨工况实验下的平均诊断准确率分别超过97%和90%,明显优于对比方法。     

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。     

Nonlinear machine fault detection by semi-supervised Laplacian Eigenmaps

A semi-supervised Laplacian Eigenmaps algorithm for machine fault detection is proposed. The purpose of the algorithm is to efficiently extract the manifold geometric characteristics of nonlinear vibration signal samples, and to determine fault classification of operating equipment so that the accuracy of fault detection can be improved. The data acquisition and pre-processing of the vibration signal is firstly implemented from monitoring equipment, then hybrid domain feature is obtained, and the initial sample set can be built. This is followed by implementing the semi-supervised Laplacian Eigenmaps algorithm so that the sensitive nature characteristics of manifold can be obtained from the device initial sample set. In order to establish the intelligent diagnostic model, the Least square Support vector machine (LS-SVM) is then adopted, which fault diagnosis and decisions can be achieved in the feature space of the low-dimensional manifold. The experiment results of using the IRIS data, gearbox and compressor fault data show the proposed method has more advantage when compared with the PCA and Laplacian Eigenmaps on improving the accuracy of fault detection.     

基于 VMD 的数控机床旋转机械运行路径偏离故障检测方法

为精准提取数控机床旋转机械设备故障信息,量化数控机床旋转机械运行路径偏离程度,提出一种基于 VMD 的旋转机械运行路径偏离故障检测方法。分析数控机床旋转机械设备运行频率和振动情况,运用突变检测算法优化采集效率,使用自适应脉冲法采样机械信号;创建约束变分模型,利用遗传算法搜索信号变量最优值,通过 VMD 法分离信号频域分量,提取机械信号故障特征;通过聚类法评估路径偏离水平,构建胶囊网络进行路径偏离故障检测,利用 squash 函数挤压处理胶囊矢量并提升矢量维度,运用特征编码和归一化处理获得高精度偏离故障检测输出值。实验结果表明,所提方法检测的数控机床旋转机械运行路径偏离故障效果较好,且检测效率较高。     

改进掩码自编码器的滚动轴承半监督故障诊断

针对滚动轴承在不同转速条件下数据分布不同以及实际工程应用中标签样本不足导致故障诊断精度低的问题,将领域适配模块融入掩码自编码器(MAE)中,提出了改进掩码自编码器(IMAE)的滚动轴承半监督故障诊断方法。首先,对滚动轴承振动信号进行连续小波变换(CWT)得到反应信号时频特征的二维时频图,然后对时频图随机掩码,利用无标签样本进行掩码自编码器预训练,获得数据中复杂的内在特征,减少对有标签样本的依赖;其次将领域适配模块引入到预训练后的编码器中,使用少量有标签源域数据对IMAE进行微调,在希尔伯特空间中利用最小化最大均值差异减小因转速不同造成的源域与目标域间数据分布差异;最后在Softmax分类层下实现滚动轴承半监督故障诊断。通过滚动轴承数据集实验验证,所提方法检测精度均达到94%以上,证明了该方法的可行性与有效性。     

重载铁路电化区段信号机械设备故障自动检测方法

为解决重载铁路电化区段信号机械设备故障在检测中存在检测结果误差大、错检与漏检率高等问题，设计了重载铁路电化区段信号机械设备故障自动检测方法。分析重载铁路电化区段信号机械设备的组成，以及机械设备运行的自动化控制过程，确定机械设备故障类型；针对不同故障类型设置故障自动检测判据，利用传感器设备采集实时运行数据，通过滤波和融合后输出初始数据样本，提取信号机械设备实时信号特征，通过计算检测判据相似度，确定信号机械设备故障类型，输出故障自动检测结果。实验结果表明，所提方法综合信号机械设备故障位置、程度等多个方面，使平均检测误差低于1.0,错检率和漏检率均低于1%,提升了重载铁路电化区段信号机械设备故障自动检测的有效性。