基于迁移学习的刀具剩余寿命预测方法

在新加工工艺条件下,针对历史工艺条件下的刀具剩余寿命预测模型失效,且新工艺条件下缺乏足够的训练样本构建新预测模型的问题,提出一种基于动态对抗域适应的迁移学习方法,以快速构建新工艺条件下的刀具剩余寿命预测模型.首先,利用历史工艺条件下带寿命标签的过程监控数据样本,预训练源域的刀具剩余寿命预测模型.其次,通过对抗域适应训练,利用新工艺条件下的少量目标域样本,对源域预训练得到的预测模型进行部分模型参数的调整.利用调整后的模型进行新工艺条件下的刀具剩余寿命预测.最后,更新目标域样本,重复进行对抗域适应训练与预测操作,直至结束.以轮槽铣刀的加工为例,验证了所提方法的有效性.     

轴承变工况故障的域自适应迁移深度学习诊断

为了实现变设备、变工况条件下的轴承故障精确识别,提出了基于域自适应迁移深度卷积神经网络的诊断方法。对于具有不同分布特征（即不同域）的训练集和测试集,在深度卷积神经网络中构造了故障特征提取模块、域识别模块、标签分类模块,以特征提取模块与域识别模块对抗训练的方式实现域自适应迁移能力,使深度卷积神经网络能够有效提取不同域的共同特征参数。使用凯斯西储大学和智能维护系统中心数据设计了4组迁移实验,传统深度卷积神经网络的识别精度均值为64.5%,域自适应迁移卷积神经网络的识别精度均值为94.9%,充分说明了域自适应迁移深度卷积神经网络能够有效识别变设备、变工况条件下的轴承故障。     

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。     

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。     

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

在新的工艺条件下，针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题，提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征，利用最大均值差异测量不同工艺条件下刀具样本分布差异，通过类间-类内距离约束提升源域特征的样本距离，对目标域数据概率矩阵采取最大化核范数的策略，以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性，模型的平均辨识准确率为96.8%，比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。     

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能力。为充分利用标签信息和提取高维特征,构建卷积神经网络和两个独立的分类器对源域数据分别训练,用于检测远离决策边界的目标域样本。为有效减少不同决策边界处样本的误匹配,进一步构建分类损失函数和分类器判别损失函数,并引入对抗训练策略,最大两个分类器的分类差异,同时最小化源域与目标域特征分布差异,实现目标域样本与源域样本自适应匹配,从而有效改进故障的分类性能。在滚动轴承数据集上对所提方法进行充分评估,并与其他三种深度迁移学习方法：域适配网络（Domain adaptive network,DAN）,多层域适配网络（Multi-layer DAN,MLDAN）,以及深度对抗卷积神经网络（Deep adversarial convolutional neural network,DACNN）进行充分比较,结果表明,所提方法不仅具有良好的分类能力和泛化能力,同时明显优于其他方法。     

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。     

基于迁移学习的变刀具-刀柄夹持状态下数控铣削稳定性预测研究

分析刀具-刀柄结合状态变化时的数控铣削稳定性,其效率因需重复测量刀尖点频响函数而降低。针对此问题,引入迁移学习提出仅需测量目标刀具少量悬伸量下刀尖点频响函数的铣削稳定性预测方法。首先,测量源刀具多个悬伸量和目标刀具少量悬伸量的刀尖点频响函数,采用铣削稳定性解析法获取各铣削参数组合的加工振动状态信息,构建充足的源域数据和少量的目标域数据,并通过源域和目标域的相似匹配筛选源域样本,然后结合神经网络和TrAdaBoost迁移学习算法,自适应更新源域与目标域混合样本权重,建立目标刀具的铣削加工振动状态分类器。以三组刀柄-刀具组合进行实例分析,少样本下采用迁移学习后两组目标刀具的分类器精度分别提升了10.93%、6.25%,并通过铣削实验验证了所提方法的有效性。     

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.     

基于对抗域自适应的轴承剩余使用寿命预测方法

基于学习模型的轴承剩余使用寿命(RUL)预测方法通常假设训练和测试数据具有相同的数据分布,为解决现有方法在不同工况或不同轴承RUL预测精度大幅下降的问题,提出一种基于对抗域自适应的轴承RUL预测方法。首先进行轴承健康阶段划分,使用等渗回归对振动数据进行预处理,平滑退化信号中的随机波动,再通过测量滑动窗口内的退化梯度进行健康阶段识别,表征退化趋势并识别跳跃点,从而划分健康阶段;在此基础上,选择源域和目标域的轴承退化阶段的振动数据作为模型输入,使用源域数据预训练特征提取器和寿命预测模块;然后设计域判别器网络对抗性地训练特征提取器,以最小化源域特征与目标域特征之间的分布差异;最后使用更新参数的目标特征提取器提取目标域的特征并进行RUL预测。使用IEEE PHM Challenge 2012轴承数据集验证了本文方法的有效性,与现有模型的对比试验表明本文方法在实现不同工况下轴承RUL预测迁移问题上表现更好。     

基于深度迁移学习的变工况气体泄漏检测

压力容器气体泄漏智能检测识别技术易受多种因素干扰,且智能检测模型需要大量的监测数据训练。 而在实际工业环 境中,可用数据特别是数据标签十分稀缺,为了克服多工况干扰和数据缺少标签信息等问题,提出了一种利用迁移学习的无监 督变工况智能检测技术。 首先采集实验室环境下的多种泄漏的样本,选择 3 种不同压力工况下将数据分为有标签的源域和无 标签的目标域;其次设计卷积特征提取器,针对两个域的边缘分布和条件分布,提出一种改进的联合分布适应机制,并进一步改 进了分布差异度量,以增强邻域混淆。 在 6 个迁移学习任务上的实验结果验证了该方法的有效性,对比经典域自适应算法有更 高的准确率。     

仿真数据驱动的长期服役电梯导轨故障迁移诊断方法

现有的电梯导轨故障诊断研究存在水平振动分类数据稀缺,训练和测试数据集分布差异较大等问题。提出了一种仿真数据驱动的长期服役电梯导轨故障迁移诊断方法。首先构建电梯轿厢的水平动力学模型,将不同类型的导轨故障激励作为系统输入进行仿真,获得丰富的轿厢水平异常振动数据;然后融合残差网络和卷积注意力机制来提取故障特征,采用子领域自适应方法实现无监督场景下源域与目标域条件分布的对齐;最后使用不同工况下的电梯水平振动数据作为目标域对所提方法进行验证。实验结果表明,所提方法在无监督跨域场景下具有较高的故障诊断精度,为解决长期服役电梯的故障数据稀缺问题提供了参考。     

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% 。     

基于无监督迁移成分分析和支持向量机的故障分类方法

针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题，构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型。首先，将不同工况的样本特征映射到Hilbert核空间；然后，通过最大均值差异(MMD)来度量迁移的源域样本数据，实现从源域到目标域的跨域特征信息迁移；最后，通过实验对所提故障分类方法进行验证。实验结果表明：所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比，能够减少域分布差异以更准确的进行样本数据分类，进而准确地检测出滚动轴承的故障状态。     

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...     

基于双尺度柔性原型迁移网络的空间滚动轴承寿命阶段识别

针对变工况条件下样本分布差异较大、不同寿命阶段样本数量不均衡导致现有空间滚动轴承寿命阶段识别方法的寿命阶段识别精度较低问题,提出基于双尺度柔性原型迁移网络（Dual scale flexible prototype transfer network,DSFPTN）的空间滚动轴承寿命阶段识别方法。在所提出的DSFPTN中,构造双尺度柔性域感知模块并将其嵌入特征提取器来增强特征提取器对不同领域私有特征的探索能力,提高特征提取器对空间滚动轴承源域和目标域样本特征的学习能力;设计同域泛原型学习以防止跨域样本不加区分的特征学习和不正确聚类,增加两域异类样本的区分性;构建两域原型迁移机制来获得域不变原型,实现从源域原型到目标域原型的迁移;利用加载域不变原型后的双分类器对齐两域之间的分布并计算目标域待测样本与域不变原型之间相似度完成对空间滚动轴承目标域待测样本分类,该分类方式在不同寿命阶段样本数量不均衡条件下能提高对各寿命阶段样本的识别精度。地面模拟空间环境下空间滚动轴承寿命阶段识别实例验证所提出的基于DSFPTN的寿命阶段识别方法的有效性。总之,构建双尺度柔性域感知模块、同域泛原型、两域原型迁移机制和加载域不变原型的双分类器使得DSFPTN在样本分布差异较大以及不同寿命阶段样本数量不均衡条件下,仅利用空间滚动轴承源域的非均衡有标签样本就能对目标域待测样本进行较高精度的寿命阶段识别。     

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。     

数据驱动的拖挂房车底盘结构安全监测

为了解决拖挂房车驾驶过程中预判失误引起的底盘结构失效问题,提出一种面向数字孪生和神经网络的底盘结构安全监测方法。首先应用数字孪生技术构建拖挂房车的五维数字孪生模型,以整车质量、重心位置和加速度为变量,以底盘的应力分布和失效状态为预测目标,针对紧急制动、紧急转向和紧急制动转向工况建立结构仿真数据集。通过BP神经网络回归训练与置信度校验,对底盘结构性能进行实时监测和行驶安全状态评估。数值实验表明,该监测方法具有实时性以及较高的准确率与召回率,能够为拖挂房车的安全使用与优化设计提供支持。