基于深度卷积迁移学习的机车齿轮箱故障诊断

齿轮箱作为系统传动的核心部件,确保其健康状态对于旋转机械有效运行至关重要。然而,目前大多数传统故障诊断方法通常难以充分挖掘故障相关特征信息,且常见模型在变工况服役条件下通用性差。与此同时,实际工程应用中往往难以获取充足标签数据。针对上述问题,提出一种基于深度卷积迁移学习的变工况机车齿轮箱故障诊断方法。首先,考虑到单一通道所含信息往往存在严重局限性,将多通道特征信息进行有机融合作为输入,搭建深度卷积网络自适应挖掘多通道深度特征,得到源域诊断模型。进一步将不同工况下多通道信号作为输入训练源域模型以增强其感知能力以及泛化性,由源域向目标域做迁移映射,从而实现变工况下的齿轮箱故障诊断。采用齿轮箱故障实验声学数据进行验证分析,结果表明：该方法能在不同的工况下实现知识迁移,增强诊断模型的通用性,准确高效地实现齿轮箱故障诊断,诊断准确率超过99%;对比其他传统故障诊断方法,所提方法有更好的时效性和泛化性。     

刀具切削变工况数字孪生模型构建方法

针对历史工况条件下建立的刀具数字孪生模型对新工况监测的准确度降低,且新工况下缺乏足够训练样本重新训练模型的问题,将深度迁移学习策略引入刀具数字孪生模型,建立刀具切削变工况数字孪生模型。该模型基于边缘分布适配规则,使模型学习到分布相似的源域数据特征和目标域数据特征,只需较少的目标域样本即可将源域训练好的模型迁移到目标域进行监测,从而提高刀具数字孪生模型在目标域的监测精度和适应性。实验验证,相比未引入迁移策略的模型,所建模型能够提高变工况条件下的磨损监测精度和对新工况的泛化能力。     

基于时间迁移模型的旋转机械实时故障诊断

提出一种时间迁移模型,以提升旋转机械工况发生变化时的实时故障诊断性能,其由历史数据构成源领域、当前数据构成目标领域。首先,根据变工况规则确定模型的数据领域,并提取其时域特征向量构成五维空间。其次,将源和目标领域通过最大方差投影(MVP)和流形正则化投影(MRP)分别映射至二维子空间,并利用最小均值差异(MMD)准则缩短两者距离。最后,在投影空间中利用BP神经网络和支持向量机(SVM)分类器对源领域建立分类模型,并应用至目标领域,并通过筛选源领域样本以更新诊断模型。齿轮传动系统试验结果表明,时间迁移能够解决工况发生变化时的实时机械故障诊断问题,相比传统迁移成分分析(TCA)模型能提升诊断性能,故为其工程应用提供有价值的技术手段。     

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% 。     

基于对抗熵的转子系统跨工况故障诊断方法

传统数据驱动的故障诊断方法通常依赖于测试工况数据的可用性，然而转子系统实际运行工况多变，测试工况的先验数据分布难以获取，增加了跨工况故障诊断的难度。针对此问题，提出了基于对抗熵的域泛化网络(Adversarial entropy-based domain generalization network, AEDG)用于转子系统跨工况故障诊断。该方法受信息瓶颈理论与生成对抗网络启发，通过熵的最大最小化博弈实现潜在数据分布的对抗性扰动，旨在提高诊断模型在未知工况下的泛化能力。首先建立条件对抗域适应网络，通过多线性映射融合深度嵌入特征与分类器预测输出，实现多源域诊断知识的深度融合。为进一步提高模型在未知工况下的泛化性能，通过多源域联合嵌入特征的预测输出信息熵最大最小化实现底层数据的对抗性扰动，增强模型对未知工况下数据分布漂移的适应能力。最后采用转子系统故障数据集验证了提出方法的有效性，结果表明提出方法具有良好的跨工况识别精度与泛化能力。     

基于一维CNN迁移学习的滚动轴承故障诊断

由于在工程实际中采集的故障振动数据分布不同且难以标记,使得卷积神经网络（convolutional neural network,简称CNN）在故障诊断过程中难以发挥最佳作用。针对此问题,提出了一种基于一维卷积神经网络迁移学习的滚动轴承故障诊断方法。首先,建立了可直接处理轴承振动信号的一维卷积神经网络模型并使用源域数据对其进行预训练;其次,利用最大均值差异（maximum mean discrepancy,简称MMD）度量源域和目标域在预训练模型中各层上的特征分布距离,并通过MMD判断卷积层和全连接层能否迁移,若不能迁移则使用初始化方式补全模型;最后,使用少量标记的目标域数据再次训练模型,进而对目标域故障数据进行分类辨识。利用故障轴承数据对方法有效性进行验证,结果显示,该方法在目标域只有少量标签的情况下能够实现变工况滚动轴承故障分类,并达到较高的诊断准确率。     

基于改进后半监督深度信念网络的多工况轴承故障诊断研究

随着工业自动化的发展,各类旋转机械在多工序、多任务约束下,其轴承转速与载荷均会发生变化,导致针对单一工况的故障诊断方法的准确率大打折扣.因此,提出一种多工况约束下轴承故障诊断方法,该方法基于半监督深度信念网络(Semi-supervised deep belief network,SSDBN),利用少量标记数据即可完成故障分类、判断,提高了跨工况故障诊断的准确率.首先将源域与目标域设置为负载相同、转速与损伤尺寸不同的数据集,通过小波包分解对源域和目标域信号进行重构;在此基础上,应用最大平均差算法(Maximum mean discrepancy,MMD)作为源域和目标域数据特征分布差异评价指标,筛选出分布差异较小的特征样本数据;利用改进后的半监督深度信念网络训练较少的标签数据和大量无标签数据,提高待测数据的分类精度;最后,以凯斯西储大学轴承数据集为例进行试验,验证相同负载不同转速与损伤尺寸工况下模型的诊断精度,以及不同负载、转速、损伤尺寸工况下的模型诊断精度.结果 表明该方法能够提高轴承在多工况约束下的故障诊断准确率,减少故障诊断的误报率,并能降低训练模型过程中的梯度消失现象,提高故障分类成功的概率.另外,提出的方法无需考虑各种特征的灵敏度,亦无须依赖专家知识与经验,具有较强的普适性与兼容性,有利于及时发现并替换损坏轴承,保证机械设备安全、可靠地运行.     

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

基于仿真数据的无监督域适应轴承故障诊断方法

针对目前实际诊断任务中难以获得有效的滚动轴承故障数据以及目前诊断模型泛化能力差的问题,文章提出一种基于动力学仿真与无监督领域自适应的故障诊断方法。首先建立滚动轴承动力学仿真模型,获得大量的仿真数据充当源域;然后使用无监督领域自适应的迁移学习故障诊断方法,在全局领域适配的基础上,引入最大最小化分类器差异的对抗学习策略,进一步减小了源域和目标域特征的条件分布差异;最后通过与其他迁移学习方法对比验证所提方法的可行性与优异性。     

多传感器信息融合的轴承故障迁移诊断方法

在重型装备低速、重载、强噪声环境下,采用单一传感器难以全面获取轴承的故障诊断信息,导致故障识别率低、识别不稳定,致使变工况下轴承故障迁移诊断失效。针对以上问题,提出了一种多传感器信息融合的轴承故障迁移诊断方法。首先,结合传感器的通道数,构建了堆叠卷积神经网络(MCNNs)提取各个通道的故障特征;然后,在MCNNs中引入最小绝对收缩与选择算子(Lasso),并通过网络反向传播完成了特征权值的更新,从而获得了多通道特征的融合;最后,利用源域数据对模型进行了训练,提取了故障特征,并完成了特征融合,采用损失函数完成了模型参数的优化,将源域训练得到的模型结果作为目标域的初始模型,利用目标域样本对初始模型的参数进行了微调,从而完成了模型迁移;并进行了信息融合效果、方法对比以及传感器信息采集属性的性能实验。研究结果表明：传感器的安装位置对信息融合影响较大,MCNNs+Lasso方法具有较好的特征融合效果,平均迁移诊断精度为99.03%,部分精度可达99.97%,在多个变工况的迁移任务中表现出较高迁移精度和良好的泛化性能。     

基于近似似然的频响函数不确定性模型修正

贝叶斯模型修正框架下，以频响函数作为目标，提出了一种使用近似似然函数的不确定性模型修正方法。相比于模态参数，频响函数包含了结构更加充分的信息，用于结构动力学模型修正时有诸多优点，但现有的不确定性模型修正方法并不能很好地实现将频响函数作为目标进行修正。针对此问题，介绍了频响函数和贝叶斯框架下的不确定性模型修正理论，基于近似贝叶斯计算提出了一种近似似然函数，可适用于频响函数作为目标进行不确定性修正。将提出的似然函数应用到三自由度数值和H型非对称梁的有限元模型修正算例中，并结合DREAM算法对不确定性参数进行识别。研究结果表明：修正后参数的上、下限与目标值相差无几，修正后模型的频响函数与目标值几乎重合，在一定噪声水平下仍具有较好的修正效果，验证了所提方法的有效性。     

信息融合与响应面联合的渡槽结构模型修正

针对大型渡槽损伤诊断研究中有限元模型精度问题,提出一种基于信息融合与响应面法(response surface method,简称RSM)的有限元模型修正方法,能够兼顾优化目标和参数优化两个环节。以某灌区渡槽为研究对象,建立初始有限元模型,采用试验设计方法构建待修正参数与特征频率的设计空间,经过参数筛选后建立设计样本的响应面模型;引入自适应噪声的完整集成经验模态分解和奇异值分解(complete ensemble empirical mode decomposition with adaptive noise-singular value decompose,简称CEEMDAN-SVD)降噪方法联合方差贡献率数据级融合算法,对正常运行工况下覆盖三跨槽身振测信号进行多通道融合处理以获取完整有效的实测频率,并以此为目标值对响应面模型进行最优化求解,实现多跨渡槽有限元模型的参数优化。结果表明,修正后的有限元模型计算出的频率与实测频率吻合较好,最大误差为-4.38%,有效解决了大型渡槽结构有限元模型的精度问题,为后续结构损伤诊断等仿真研究提供基准模型。     

Model updating of damped structures using FRF data

Due to the important contribution of damping on structural vibration, model updating of damped structures becomes significant and remains an issue in most model updating methods developed to date. In this paper, the frequency response function(FRF) method, which is one of the most frequently referenced model updating methods, has been further developed to identify damping matrices of structural systems, as well as mass and stiffness matrices. In order to overcome the problem of complexity of measured FRF and modal data, complex updating formulations using FRF data to identify damping coefficients have been established for the cases of proportional damping and general non-proportional damping. To demonstrate the effectiveness of the proposed complex FRF updating method, numerical simulations based on the GARTEUR structure with structural damping have been presented. The updated results have shown that the complex FRF updating method can be used to derive accurate updated mass and stiffness modelling errors and system damping matrices.     

Application of Bayesian networks for diagnostics in the assembly process by considering small measurement data sets

The ability of variation source diagnosis in the auto body assembly process plays an essential role in the success of the manufacturing enterprises. However, it is more challenging to identify the process faults associated with the compliant sheet metal parts based on small measurement data sets. A new Bayesian networks (BN) modeling approach under the condition of small data sets is proposed. The main causal links are identified based on mapping of the variation sensitivity matrix. The interaction effects are detected according to the conditional mutual information tests. After the network structure is determined, the Bayesian approach is used to obtain the conditional probability tables by incorporating prior probability distributions. The evaluation of diagnostic performance concerning evidence number and log-odds noise levels is also presented. A real bracket assembly case was used to illustrate the whole procedures for fixture fault diagnosis. The examined test cases demonstrate the proposed BN approach is practical and effective, even when incomplete evidences are observed and a medium-level noise is present.     

基于模态综合技术的结构有限元模型修正

由于结构的动力分析需要大量的计算时间和占用大量的计算机内存,常规的数值迭代计算方法难以实现,提出了基于模态综合技术的模型修正方法。该方法首先得到缩减后结构模型的频率与振型,并将该振型转换为缩减前模型物理坐标下的振型。然后,用缩减后模型的频率和转换后的振型,共同构成模型修正的优化目标函数,进而通过优化求解实现结构的模型修正。该方法既保证了计算精度又提高了模型修正的计算效率,使大型复杂结构的模型修正成为可能。最后,对某吊杆拱桥模型进行了动态测试和模型修正,验证了该算法的有效性。     

特征融合和模型自适应更新相结合的相关滤波目标跟踪

提出了一种基于自适应特征融合和自适应模型更新的相关滤波跟踪算法(CFT)。该算法在跟踪的训练阶段利用损失函数计算特征的自适应权重,在检测阶段对不同特征的响应图进行加权求和,从而实现了响应图层面的自适应特征融合。设计了自适应的模型更新策略,采用响应图的峰值旁瓣比判断是否发生遮挡或错误跟踪,据此决定是否在当前帧更新目标模型。在11个视频序列上对所提算法进行了实验,验证了所采用的自适应特征融合策略和自适应模型更新策略的有效性。与多个传统的采用单特征的相关滤波跟踪算法进行了比较,结果显示,所提算法的跟踪精度和成功率典型值分别提升了18.2%和11.5%。实验结果验证了特征融合和自适应模型更新对跟踪算法的改进具有指导意义。     

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。     

基于局部振动测试的约束子结构模型修正方法

针对大型复杂结构模型修正中待识别参数过多、修正效率低等问题,提出一种基于局部振动测试的约束子结构模型修正方法。首先,利用子结构部分的振动测试响应构造约束子结构,从而将子结构从整体结构中隔离出来,形成独立简单的结构,有效地隔绝整体结构对子结构的影响。然后,基于构造的约束子结构响应数据,直接对待修正的目标子结构进行模型修正。最后,以一个T形钢管焊接结构和某发射台骨架为例,对所提方法的有效性进行了验证分析。结果表明,该方法不仅能够减少待识别参数,简化修正过程,而且修正效率及精度也较高,为大型复杂结构的模型修正提供了一种新思路。