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。     

自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

故障样本获取困难导致的训练样本不均衡严重影响故障诊断模型的可用性及准确率,因此提出一种基于自适应辅助分类器生成式对抗网络的故障样本生成模型,通过度量判别器与生成器的相对性能自适应地调节生成器损失值,使训练收敛更快、生成数据质量更好。将所提方法、辅助分类器生成式对抗网络方法生成的数据,以及未经处理的试验原始数据作为BP分类模型的输入数据进行试验,结果表明所提方法生成数据训练的模型更优。所提方法与1D-CNN、e2e-LSTM、CFVS-SVM和FFT-CNN等方法的对比结果表明,所提方法的故障诊断准确率、信息处理时间均最优。     

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

基于本体的机械故障诊断贝叶斯网络

针对机械设备维护与故障诊断过程中的不确定性,提出了一种将本体语义表示与贝叶斯网络相结合的故障概率推理模型。从异构多源的维护诊断信息和非结构化的专家经验知识出发,建立语义知识模型并进行概率扩展。利用贝叶斯分类器实现异常工况识别,给出了基于最大可能解释(MPE)的故障概率推理算法,从而根据运行工况、故障征兆和证据信息推理获得故障诊断解释。将本体语义描述的精确性和贝叶斯网络的概率推理能力相结合,既实现了诊断领域知识的形式化描述与共享,又能在一定程度上消除诊断过程的不确定性。某凉水塔风机转子典型故障诊断实例表明,该模型具有较好的故障识别效果。     

残差网络和注意力机制相结合的滚动轴承故障诊断模型

针对轴承故障诊断过程中存在的特征提取复杂、分类器训练困难等问题,提出了一种基于残差网络和注意力机制相结合的滚动轴承故障诊断模型。该模型以滚动轴承的一维振动时序信号作为输入,通过残差网络完成特征提取,然后经带有注意力机制的双向长短记忆神经网络单元,实现特征在时序上的表达并赋予不同的权重,输出到分类器完成端到端的振动信号分类,完成滚动轴承故障的诊断。实验表明,该模型的诊断准确率可达99.86%以上,对各故障类别的诊断率均在99%以上,提取的特征信息区分度高;模型诊断准确率优于基于特征工程的诊断模型,稳定性优于其他基于深度学习的诊断模型。     

基于SCAE⁃ACGAN的直升机行星齿轮裂纹故障诊断

直升机行星传动轮系结构复杂、工况多变,其振动信号受工况影响大,在故障样本较少的情况下导致行星齿轮箱故障诊断准确率不高,早期故障诊断困难。针对上述问题,提出将堆栈收缩自动编码网络(stacked contractive autoencoder,简称SCAE)与辅助分类生成式对抗网络(auxiliary classifier generative adversarial networks,简称ACGAN)相结合的SCAE-ACGAN故障诊断方法。ACGAN的生成器产生与真实样本具有类似分布的生成样本,扩展训练样本集,并与真实样本一起输入至判别器进行训练。ACGAN采用SCAE作为判别器,利用SCAE良好的抗数据波动能力,从扩展样本集中挖掘出有效的深度特征,并实现样本的真伪与类别的判定。ACGAN的判别器和生成器在对抗学习训练机制下交替优化,提高方法的样本生成质量与故障判定能力。将SCAE-ACGAN应用于直升机行星轮裂纹故障诊断,结果表明,SCAE-ACGAN的故障诊断性能好,在样本数量少与工况变化情况下具有较好的健壮性和适应性。     

基于随机投影和NB网络的模拟电路故障诊断

针对模拟电路故障诊断中故障类型复杂多样、典型故障信息难以获取以及易受噪声、温度等环境影响的难题,提出一种基于随机投影和朴素贝叶斯网络的模拟电路故障诊断方法。该方法首先提取模拟电路故障信息,并利用随机投影算法降维后获取模拟电路故障特征向量,然后通过朴素贝叶斯分类器诊断模型识别模拟电路各个故障。通过对CSTV滤波器电路、四运放双二次高通滤波器电路和实际Sallen-Key带通滤波器电路的实验结果分析表明,相对于传统的模拟电路故障诊断方法,该方法表现出更优的故障诊断性能,并具有更强的抗干扰能力。     

基于改进ABC算法优化的LSSVM多分类器组机械故障诊断模型

为了提高复杂机械故障诊断的确诊率,提出了一种基于改进人工蜂群算法(improved artificial bee colony,IABC)优化LSSVM多分类器组的故障诊断模型。该模型利用多特征提取方法,获取了较为完备的时频域特征信息,同时选择具有较强搜索能力和快速收敛性的IABC算法优化了LSSVM分类器的参数,提高了分类效率,在诊断决策层,利用评估矩阵进行了多分类器诊断结果的融合决策。通过与传统方法的对比表明:该诊断模型不仅能获取完备的故障特征信息,而且能更快地获取LSSVM最优分类参数;同时,基于评估矩阵的融合决策能够充分考虑各子分类器的性能差异,保证了诊断决策的高效精确。多种数据仿真表明,该诊断模型适用于机械故障诊断。      

数值模型驱动的传动系统故障个性化诊断原理

如何获得机械传动系统大量反映实际运行状态的故障样本,是制约人工智能诊断模型走向工程应用的瓶颈.基于个体差异的精准诊断需求,提出机械传动系统个性化故障诊断基本原理,通过建立机械传动系统数值模型,进行仿真分析,获得故障样本,解决故障诊断过程中故障特征信息缺乏的短板,从而激活人工智能诊断方法.以轴承、齿轮传动、转子系统等机械传动系统为例,构建完好结构有限元模型,开展模型修正,获得具有一定精度的仿真模型.预定义多类故障并添加至具有一定精度的有限元模型,计算生成故障样本集,作为人工智能诊断模型的训练样本,用于待诊断测试样本分类.任意选取的支持向量机、极限学习机、卷积神经网络等人工智能诊断模型故障分类实验结果表明:所提出机械传动系统故障诊断的个性化诊断原理,具有较强的普适性与可拓展性.     

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明：该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。     

基于集成卷积神经网络的行星齿轮智能诊断方法

针对行星齿轮箱故障振动特征需要预处理、识别困难以及诊断模型收敛速度较慢的问题,提出基于集成卷积神经网络的行星齿轮箱智能故障诊断方法。首先,采用一维卷积对齿轮的原始时域振动信号提取特征,之后通过采用两个弱分类器,根据弱分类学习错误率的性能更新样本权重,调整权重后根据训练集训练弱分类器。重复此过程,最后通过设置策略整合弱分类器,形成集成卷积神经网络;建立一个稳定用于行星齿轮箱的智能故障诊断的模型。实验结果表明：集成卷积神经网络能很好地对行星齿轮原始振动信号进行快速诊断。相对于传统卷积神经网络对齿轮原始时域振动故障信号的诊断具有更强的辨识能力和更快的收敛速度;所建立的智能诊断模型可以有效地诊断齿轮不同的故障状态。     

大数据样本与半监督环境下基于生成对抗网络的故障诊断

在大故障样本条件下,提出一种基于生成对抗网络模型的故障诊断方法研究.构建生成对抗网络模型,保证模型判别器输出数据的总体分布与原始故障集趋同,并基于空间测量工具对梯度函数进行优化,降低损失;采用故障集图像转换方式实现对原始信号的降维处理,利用判别器的神经网络结构训练输入数据,并提取出机械故障数据集中的故障特征点.实验结果表明,提出方法具有良好的分类诊断性能,故障诊断精度能够达到９９．４５％.     

基于选择性加权适配网络的多域新故障识别方法

针对深度迁移学习诊断方法要求机械设备训练数据与测试数据具有相同类别空间,同时难以有效识别新故障的问题, 提出了一种基于选择性加权适配网络的多域新故障识别方法。 所提方法利用一维卷积神经网络提取源域与目标域深度判别特 征,并集成领域判别器与多分类器结构,构建源域与目标域权重函数,自适应度量源域与目标域类别的相似程度;从而利用对抗 学习策略来有效减少源域与目标域共享类数据的分布差异;最后利用高斯分布拟合方法自动判别权重阈值,实现对目标域已知 故障和新故障的有效诊断。 在齿轮箱变工况迁移诊断任务上对所提方法进行分析与应用验证,并与现有的其它方法进行比较, 所提方法在所有任务上的调和平均值(E-score)达到 0. 8 以上,验证了所提方法的有效性与优越性。     

基于ACGAN-DSAN的变工况滚动轴承故障诊断

针对轴承故障数据少、样本不平衡以及变工况导致故障诊断准确率低的问题,提出一种辅助分类生成对抗网络与深度子领域自适应网络(ACGAN-DSAN)相结合的故障诊断方法。首先,将不同负载下的原始一维数据转换为灰度图,建立二维图像的数据集,并分为源域和目标域;其次,用故障样本训练ACGAN,将生成的故障样本混入原始样本中,以达到平衡和增强数据集的作用;然后,在ACGAN中引入自适应损失函数,通过超参数控制模型的鲁棒性,进而提高生成图像的质量;最后,基于DSAN通过非线性变换将源域和目标域分布的相关子领域对齐,使子领域分布差异最小化,并引入自注意力机制提高模型对故障特征的非线性拟合能力,通过构造联合损失函数对变工况轴承的故障进行自适应诊断。以美国凯斯西储大学轴承数据集为例进行试验验证,结果表明该方法能有效提高故障诊断准确率,且模型有较好的泛化能力。     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

基于OS-ELM的风机关键机械部件故障诊断方法

针对传统故障诊断中前馈神经网络算法诊断效果不佳、泛化能力不强问题,提出了基于在线贯序极限学习机(OS-ELM)的风机关键机械部件故障诊断方法。该方法将测试得到的预测样本加入训练样本,作为下一次的更新信息,建立在线贯序极限学习机诊断模型,从而最大限度提高故障诊断精度,分析了激活函数、隐层节点数目对诊断性能的影响,并同BP神经网络、SVM以及ELM神经网络进行对比。实验表明,该方法在风机关键机械部件出现故障情况下,OS-ELM网络能够作出准确诊断且性能明显优于BP神经网络,与SVM、ELM故障分类准确率相当,但极大地提高了运算速度,便于工程应用。     

基于神经网络与小波变换的滚动轴承故障诊断

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于神经网络的滚动轴承故障诊断方法的研究

神经网络是一种具有非线性映射能力强以及自学习、自组织、自适应等优点的智能方法,非常适合于滚动轴承的故障诊断。针对滚动轴承是机械设备重要的易损零件之一,大约有30%的故障是由轴承损坏引起的,提出了基于神经网络的滚动轴承故障诊断方法。以滚动轴承小波分解后的能量信息作为特征,通过神经网络作为分类器对滚动轴承故障进行识别、诊断。实验表明,该方法对于滚动轴承的故障诊断具有良好的效果和应用价值,并可方便地推广到其他类似的诊断领域。     

基于堆叠稀疏自编码的滚动轴承故障诊断

针对机械设备故障数据大容量、多样性的特点,提出一种基于堆叠稀疏自编码(SSAE)的滚动轴承故障智能诊断方法。使用自动编码器(AE)逐层训练网络,从海量数据中自适应地学习各类故障的特征表达,再通过有监督的反向传播算法优化整个网络,最终将特征输入softmax分类器实现滚动轴承健康状况精确诊断。在动力传动故障诊断试验台采集了5类轴承故障数据进行测试。试验结果表明:SSAE算法能够有效地提取故障特征,且故障诊断效果优于传统智能诊断方法。     

模拟电路故障的一种聚类二叉树支持向量机诊断新方法

针对模拟电路故障特征样本的分类(诊断)问题.提出了一种基于聚类二叉树支持向量机(SVMs)多分类器的故障诊断新方法,并分析了几种分类器的平均测试复杂度.首先,利用自组织特征映射神经网络(SOFM)对训练样本进行层次聚类.得到一棵聚类二叉树;其次,按照树的结构利用二元SVMs设计故障分类器,并对样本进行分组训练和测试.实际仿真和测试表明.所设计的故障分类器性能在诊断精度和效率上皆优于传统的"1-v-r"SVMs和"1-v-1"SVMs分类器,较为适合模拟电子电路的故障分类和诊断.