基于联合分布偏移差异的跨域滚动轴承 故障诊断方法

现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。 只注重实现源域和目标 域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。 为克服以上问题,提出一种基于联合分布偏移 差异(joint distribution offset difference, JDOD)的跨域滚动轴承故障诊断方法。 使用两个结构一致的卷积神经网络(CNN)分别 提取信号的时域与频域特征,获取更完整的故障信息。 提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对 齐。 在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了 99%以上的平均诊断精度。 实验结果表明联合分布偏 移差异有效提升了跨域故障精度。     

不同型号滚动轴承故障诊断方法

滚动轴承多数时间处于正常运行状态,且其型号多样,存在某种型号滚动轴承带有标签的故障数据稀缺甚至无法获取,导致故障诊断准确率不高甚至无法诊断。针对该问题,提出一种不同型号滚动轴承深层特征迁移的故障诊断方法。该方法首先对不同型号滚动轴承振动信号进行短时傅里叶变换,并构建二维图像数据集,选择某种型号数据作为源域,其他型号数据作为目标域;其次构建领域共享的改进AlexNet深度卷积网络,并引入条件对抗机制,将特征与标签联合分布的优化方法改进为随机线性组合,提取深层特征,实现源域和目标域特征及标签的同时自适应,达到迁移的目的;最后,在训练过程中采用涅斯捷罗夫加速梯度下降优化算法加快梯度收敛,建立不同型号滚动轴承的故障诊断模型。经实验验证,所提方法可实现不同型号滚动轴承正常、不同损伤位置及程度的多状态分类,并获得较高的准确率。     

多源域子域自适应的滚动轴承剩余寿命预测方法

针对单一源域信息有限、域自适应对齐粒度不足导致滚动轴承剩余寿命( remain useful life, RUL)预测精度低的问题, 提出了一种多源域子域自适应(multi-source subdomain adaption network, MS_SAN)的滚动轴承剩余寿命预测方法。 首先,将采 集的原始振动信号进行快速傅里叶变换得到频域信号作为模型的输入。 其次,利用一维卷积将多个源域与目标域数据映射到 一个公共的特征空间,采用局部最大均值差异将每个源域与目标域的退化阶段在独立的特征空间进行领域自适应,缩小多个源 域与目标域之间的分布差异。 最后,通过综合各领域 RUL 预测模块的输出得到最终轴承剩余寿命预测结果。 在 PHM2012 数 据集上的测试结果表明该方法的预测准确率高于对比方法,能够对滚动轴承剩余寿命进行有效的预测。     

基于一维RepVGG协同领域自适应的电机滚动轴承故障诊断

在使用传统机器学习类方法对电机滚动轴承故障进行诊断时,电机运行工况的变化以及采集信号时的噪声干扰,会出现源域训练集和目标域测试集分布不一致的问题。提出了基于一维RepVGG协同领域自适应的故障诊断方法。RepVGG具有精度高和速度快的特点,使用一维RepVGG实现对电机滚动轴承信号的特征提取;基于提取的特征,在网络顶层结构中使用集成优化目标函数来实现域自适应,并完成轴承故障诊断。基于凯斯西储大学轴承数据集,对该方法进行了实验验证。实验结果表明,在电机变工况运行时,改进方法为诊断性能优于现有其他诊断方法。     

基于改进卷积神经网络的风电轴承故障诊断策略

针对风电机组滚动轴承故障特征微弱、提取困难、诊断效率低下等问题,提出一种基于改进卷积神经网络(Convolution Neural Network,CNN)的故障诊断算法。改进CNN模型结构,在全连接层前增加新的卷积层,挖掘信号的深层特征以提高模型的泛化能力。对卷积层数据进行批归一化处理,采用带有动量的随机梯度下降训练算法来加速训练速度。详细介绍了改进CNN的工作原理,给出了采用改进CNN进行故障诊断的流程。最后利用凯斯西储大学滚动轴承数据库的数据进行验证。证明该方法不需要预先提取信号的故障特征,可直接实现对轴承的故障特征提取以及故障识别,诊断率高。     

基于无监督特征对齐的变负载下滚动轴承故障诊断方法

针对滚动轴承实际工作中缺少某种负载数据,使得源领域数据与目标领域数据属于不同分布,以及目标领域样本不含标签的问题,提出一种多域特征构建和无监督特征对齐的滚动轴承故障诊断方法。该方法利用变分模态分解结合奇异值分解获取振动信号的时频特征,再结合振动信号时域、频域特征构建多域特征集;引入迁移学习中能够实现无监督领域适应的子空间对齐(subspace alignment,SA)算法并进行改进,提出将核映射方法与SA算法相结合。将训练数据和测试数据映射到相同高维空间,在高维空间的子空间进行特征对齐,以增加数据类间区分性,实现不同负载下源领域特征向目标领域特征对齐。实验研究表明,与部分降维方法及无监督迁移学习方法相比,所提方法在目标领域无标签的情况下,能够利用滚动轴承已知负载数据识别出其他负载数据对应的状态,并具有较高的故障诊断准确率。     

深度子领域自适应网络电机滚动轴承跨工况故障诊断

针对实际生产中旋转机械工况变化引起状态监测数据分布差异及获取待诊断样本标签困难问题，提出多尺度子领域自适应模型（MSDAM）的跨工况下滚动轴承故障诊断方法。首先，以原始振动信号作为输入，无需信号预处理及人工特征参数提取；其次，搭建多尺度卷积神经网络将已知标签样本和待诊断样本特征迁移到同一子空间，捕获具有细粒度信息的多尺度公共特征；然后，以不同的故障类型来划分相关子域，并通过局部最大均值距离（LMMD）来完成子域的适配，有效削弱不同工况同类故障特征的分布差异；最后，在三个数据集的多个迁移任务上进行试验验证。结果证明，所提MSDAM的跨工况故障诊断性能优于关注全局领域适配的迁移学习方法。     

小样本下滚动轴承故障的多源域迁移诊断方法

为了减小神经网络在机械设备故障预示与健康管理(PHM)过程中对大量完备数据的依赖,针对数据稀少情况下的滚动轴承故障诊断问题,提出了一种多源域迁移学习方法。模型采用一维卷积神经网络(1D-CNN),以原始振动信号作为模型的输入,利用两个不同的源域数据依次对模型进行预训练,使用目标域数据对预训练模型进行微调,提高对目标域的识别精度。采用频询实验台实测数据及西储大学数据集,在目标域故障样本不足的情况下分别对模型的分类精度、训练速度、结果稳定性、多源域有效性进行验证,并与卷积神经网络(CNN)、迁移成分分析(TCA)、联合分布适配(JDA)、支持向量机(SVM)的诊断结果进行对比。实验结果表明,在故障数据稀少时,模型能达到较高的分类精度,在目标域样本数量不同的3种情况下,多源域迁移方法分类精度分别达到了97.71%、96.28%、94.18%,并且模型有着较快的收敛速度,较好的稳定性。     

基于WDCNN-SVM深度迁移学习的燃气轮机转子故障诊断方法

针对在使用深度学习对燃气轮机转子故障诊断过程中,因振动信号样本中正常运行数据多、故障数据少而使得模型故障诊断准确率低的问题,提出了一种采用深度迁移学习对燃气轮机转子进行故障诊断的方法。首先,使用典型行业样本数据集预训练第一层宽卷积核深度卷积神经网络（WDCNN）模型,给予模型初始的权重。其次,在源域中,使用某型燃气轮机试车获得的大量正常运行样本更新WDCNN模型的权重;在目标域中,利用源域训练的卷积层提取燃气轮机的正常和故障数据样本特征,然后使用支持向量机（support vector machines, SVM）进行分类识别,从而达到燃气轮机故障识别的目的。试车数据实验结果表明,该方法能够实现96%的识别准确率,验证了将轴承数据集预训练的深度学习模型迁移到燃气轮机转子领域进行故障诊断的可行性。     

基于自适应流形嵌入动态分布对齐的轴承故障诊断

智能故障诊断技术能有效保障机械设备安全运行,传统的轴承故障诊断通常假设标记的源域和未标记的目标域数据服从同一分布。然而,在实际的诊断场景中,轴承数据的条件分布和边缘分布往往不满足同分布假设。此外,在原始欧氏空间执行自适应分布对齐时,特征扭曲难以消除,从而影响故障诊断性能。通过提出一种具有流形特征学习和动态分布对齐的自适应轴承故障诊断模型,来解决上述问题。首先,在格拉斯曼流形中构造测地线流式核,提取与轴承故障信息相关的固有流形特征表示,以避免数据特征扭曲;其次,通过■-distance定义一个跨域自适应因子来动态评估流形特征的条件分布和边缘分布;最后,基于结构风险最小化原则迭代求解一个跨域分类器,进而预测目标域样本标签。通过多个指标的实验分析,表明该模型能够有效避免特征扭曲,并利用动态权值调整跨域数据条件分布和边缘分布的相对重要性,验证了所提方法的有效性。     

变工况轴承的联合分布适应迁移故障诊断

针对传统的机器学习算法在变工况条件下的轴承故障分类中诊断率低的问题,提出了基于联合分布适应(JDA)算法与K-最近邻(KNN)分类算法相结合的轴承故障诊断方法。首先该方法通过提取不同工况下的轴承故障信号的时域特征分别作为源域样本和目标域样本,并通过Fisher线性判别分析(FLDA)方法计算各个特征所占权重。然后将权重较大的特征组成的特征向量通过JDA方法进行联合分布适配,即通过核函数将源域样本和目标域样本映射到低维潜在空间,以最大均值差异(MMD)距离为度量标准,同时减小源域和目标域样本的边缘分布和条件分布差异。最后将适配完的源域和目标域样本分别作为训练集和测试集,通过KNN分类器进行模式识别,最终实现在变工况条件下的轴承故障诊断分类。通过仿真分析和实验验证,所用方法相较于主成分分析(PCA)、核主成分分析(KPCA)传统机器学习方法以及TCA迁移学习方法,显著提高了变工况条件下的轴承故障诊断精度。     

基于改进谱峭度图与多维融合CNN的轴承故障诊断方法

针对轴承振动信号中存在与故障特征相关性较低成分的干扰导致故障诊断准确率降低的问题，提出了一种基于改进谱峭度图与多维融合CNN的轴承故障诊断方法。首先，为提高振动信号与故障特征的相关性，减少干扰成分，以双树复小波包变换为基础构建改进谱峭度图模型，增强多分辨率差异性故障特征表达。然后，考虑丰富特征评价维度，构建多维融合CNN模型，将原始信号与改进谱峭度图共同作为多维特征输入实现故障精准诊断。实验结果表明，该方法能够提取各类轴承振动信号中具备差异性的故障特征，在多工况下均能够准确识别轴承故障，具有较好的诊断精度。     

基于CEEMDAN和CNN-LSTM的滚动轴承故障诊断

针对滚动轴承工作环境复杂，轴承振动信号受噪声干扰难以提取故障特征以及传统故障诊断算法准确率较低的问题，提出了利用自适应噪声完备集合经验模态分解算法（CEEMDAN）联合卷积神经网络（CNN）内嵌长短期记忆神经网络（LSTM）的滚动轴承故障诊断方法。首先，利用CEEMDAN算法对轴承原始振动信号进行分解得到本征模态函数（IMF）；然后计算重构后的信号的排列熵，归一化后作为特征向量；最后将特征向量输入至CNN-LSTM结合建立的深度学习模型中进行诊断识别。结果表明：所提方法具有更快的拟合速度和更高的准确率，平均故障诊断准确率达到98.63%。     

基于改进域对抗网络的轴承故障迁移诊断方法

针对工业场景下复杂工况导致的轴承故障数据特征分布差异,以及难以获得大量有标签数据的问题,提出一种基于 Wasserstein 距离与局部最大平均偏差(LMMD)改进的一维卷积子域适应对抗迁移网络(SANN)。 该网络首先构建 CNN 特征提 取器进行预训练,学习领域特征表示,在对抗训练阶段,对抗层引入 Wasserstein 距离来度量源域与目标域的差异,实现边缘分 布的对齐,固化训练结果。 在特征提取层引入 LMMD 计算模块捕获每个类别的细粒度信息,实现条件分布的对齐。 通过两种 变工况下的轴承故障数据集对该模型性能进行验证。 实验结果表明,无监督的条件下,本文所提方法在目标数据集上相较于基 础域对抗网络分别提高了 5. 0% 和 6. 9% 的识别精度,性能优于现有的迁移算法。