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...     

非理想数据下基于仿真数据辅助迁移学习的滚动轴承故障诊断

旋转机械在实际工程应用中常处于正常状态,因而呈现故障样本稀少甚至部分缺失等非理想数据情况。针对直接采用非理想数据建立深度学习诊断模型时的低准确率问题,提出基于有限元仿真数据辅助迁移学习的故障诊断方法。首先,通过数值仿真计算不同运行工况和故障类型的轴承信号;进而,利用大量低成本高保真的仿真样本对模型预训练,利用真实小样本或者仿真样本增补后的混合样本进行模型微调,以完成高准确率故障诊断,并降低迁移学习对故障轴承实测数据的依赖;最后,利用两个轴承实验台数据进行验证。结果表明在单类故障样本数为1时,采用所提方法建立的模型准确率超过95%;在故障样本稀少且多类缺失时,准确率比仿真数据直接增补方式提升超10%。     

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...     

分布式故障诊断智能代理体系的研究

基于ＣＯＲＢＡ规范的请求代理软件技术,分析已有的状态监测与故障诊断系统,将封闭的诊断系统分解并对象化,实现网络环境中的服务对象之间的互操作和重用;在以诊断服务对象,按不同的目标,建构面向领域的故障诊断智能代理体系和面向设备的故障诊断智能代理体系。完成网络环境下的复杂机械设备多专家协高故障诊断。     

基于网络的机械设备远程监测与故障诊断

本文回顾了机械设备状态监测与故障诊断从单机监测诊断系统到分布式监测诊断（ＤＭＤＳ）,再到基于网络的远程监测诊断系统这样一个发展历程。分析了机械设备远程监测与故障诊断所使用的主要技术,提出了机械设备远程监测诊断系统网络体系结构和两种运行模式,并讨论了机械设备远程监测诊断的系统组成,最后总结了设备远程监测诊断的优点。     

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。     

现场总线基于知识的智能传感器故障诊断

智能传感器是现场总线控制系统中最基本的结构单元,智能传感器的正常工作对整个控制系统至关重要.根据总线中智能传感器的工作原理,对总线中的智能传感器采用基于知识故障诊断方法,描述了基于知识的故障诊断的系统结构模型.     

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。     

面向变工况下工业流数据故障诊断的持续迁移学习系统

机器学习模型在智能故障诊断中取得了显著成功,但主要应用于静态场景。 在实际场景中,新的故障类别数据以流形 式不断产生,且数据分布随机械设备运行条件变化而发生变化,导致连续流数据具有非独立同分布的特征,这种面向非独立同 分布连续流数据的诊断问题被称为持续迁移诊断问题。 针对此问题,本文提出了一种基于持续迁移学习系统(CTLS)的故障诊 断方法。 该方法设计了域适应学习损失函数和持续迁移学习机制,能有效处理变工况下的工业流数据,无需重放旧类别数据便 能够能学习新类别知识。 此外,利用机械故障诊断案例评估该方法的性能,分析结果证明 CTLS 能够高效处理变工况条件下的 工业流数据,是一种极具潜力的解决实际工业问题的可靠工具。     

Multi-model ensemble deep learning method for intelligent fault diagnosis with high-dimensional samples

Frontiers of Mechanical Engineering - Deep learning has achieved much success in mechanical intelligent fault diagnosis in recent years. However, many deep learning methods cannot fully extract...     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

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。     

基于智能方法的电机故障诊断技术综述

随着人工智能技术的快速发展,越来越多的国内外学者不断提出了基于智能方法的电机故障诊断技术,主要包括专家系统、人工神经网络、粗糙集理论、贝叶斯网络、支持向量机等。该文对这些方法的理论概念、各自的优缺点和研究成果分别作了简单分析,最后探讨了电机故障诊断领域的发展趋势。     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...     

齿轮箱故障边缘智能诊断方法及应用研究

针对齿轮箱运行状态监测数据量大而数据价值密度低导致的数据传输和存储困难、受到带宽影响导致的故障辨识实时 性差以及大而深的深度学习模型难以有效部署至边缘端硬件等问题,本文提出了一种基于乘法-卷积网络(MCN)的齿轮箱故 障边缘智能诊断方法。 首先,综合考虑信号滤波在特征表征以及深度学习在特征提取的优势,设计了一种轻量化的 MCN 模型, 同时在嵌入式微处理器搭建了一套端侧边缘智能处理原型与系统。 该系统可以直接部署于齿轮箱边缘,通过云服务器训练和 更新 MCN 模型参数并部署至边缘端,于边缘端完成数据采集、处理和故障状态辨识等功能,将大量传感器数据直接消耗在边缘 端。 实验结果显示 MCN 具有 99. 75% 的平均识别精度,且部署 MCN 的齿轮箱故障边缘智能诊断系统可以在 0. 696 s 内准确识 别出故障状态。     

浅谈汽车发动机智能故障诊断技术

发动机作为汽车等其它机械的动力源,其结构复杂,工作条件越来越苛刻,故障的判断也越来越困难。在介绍发动机故障诊断技术发展趋势同时,重点论述了发动机智能故障诊断技术的内容及国内外的发展现状。