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。     

仿真数据驱动的改进无监督域适应轴承故障诊断

现有无监督的轴承跨域故障诊断研究往往采用充足的试验台数据构建源域,且难以兼顾领域间的边缘分布和条件分布对齐,此外在域适配过程中全体源域样本被赋予相同的重要性。针对以上挑战,提出了一种仿真数据驱动的改进无监督域适应轴承故障诊断新方法。采用仿真所得的故障信息丰富,标签数据充足的轴承故障数据构建源域,降低对试验台资源的依赖。设计了一种嵌入联合最大均值差异的改进损失函数,在无监督场景下实现了不同域间边缘分布和条件分布的同时对齐。开发了一种源域样本权值分配机制,通过领域预测误差衡量源域样本与目标域样本的相似性从而自适应地分配其权值以抑制负迁移。使用两组试验台数据作为目标域对所提方法进行验证,结果表明：所提方法能够充分适配仿真域和实验域的深层特征分布,提高无监督跨域场景下的故障诊断精度。     

基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题，提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先，基于重采样扩充故障样本，通过降采样平衡正常样本，以防止样本不平衡带来的过拟合问题；然后，利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进，应对故障样本稀缺问题，缩小不同工况下故障样本分布的差异，提高模型的泛化性；最后，基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明：孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时，孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时，孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言，孪生域对抗迁移学习对滚动轴承的故障...     

基于迁移成分分析的跨域轴承故障分类方法研究

针对部分轴承故障样本稀少、源域和目标域数据存在分布差异、缺乏良好的跨域特征表示,从而导致分类性能退化、故障辨识精度低等问题,提出了一种基于迁移成分分析的域自适应轴承智能故障诊断方法。首先,建立了一个新型特征表示;然后,通过一个用特征提取方法得到的参数核实现域自适应,将数据投射到已学习的迁移成分,让源域和目标域样本在特征子空间上的最大均值差异最小化,得到了一个降维的特征子空间,由此显著地缩小了域分布间的距离,实现了从源域到目标域的跨域特征信息迁移;最后,通过实验对所提出的故障诊断方法的有效性进行了验证。研究结果表明:所提方法的最高分类精度达到95%,平均测试准确度达到81%,比常用分类方法的准确率提升了70%左右;所提算法可以减少域分布差异和标签噪声的影响,正确、有效地对小样本数据进行分类,检测出滚动轴承的健康状态。     

域适应网络与平衡动态分布自适应的轴承变工况故障迁移诊断研究

机械设备在工业现场下的工况复杂多变，导致故障样本分布不均，给传统机器学习带来巨大的困扰。针对上述问题，提出了一种基于域适应神经网络与平衡动态分布自适应的轴承故障迁移诊断方法。首先，利用小波变换改进卷积神经网络的卷积层，并自适应提取轴承样本特征。其次，利用最大均值差异度量和权重正则化在损失函数处理所生成的特征，改善样本分布差异，获取域适应神经网络模型。最后，利用A-distance距离改进平衡分布自适应，使其具备动态特性，进一步改善样本分布差异，通过KNN分类器实现轴承迁移诊断。经过实验验证，所提方法在同试验台和跨试验台案例验证中，能够较为精确地迁移出轴承故障状态，证明该方法可有效解决无标签样本在变工况条件下样本分布不均的问题，具备有效性与鲁棒性。     

基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。     

自适应正则化迁移学习的不同工况下滚动轴承故障诊断

针对不同工况下存在两域分布差异复杂的问题,提出自适应正则化迁移学习的不同工况下滚动轴承故障诊断方法。首先,训练基分类器为目标域预测伪标签,利用联合分布适配对齐两域分布,以减小分布差异;其次,通过流形正则化对目标域数据进一步利用,挖掘数据的潜在分布几何结构,学习目标域数据分布信息;最后,利用在结构风险最小化框架下建立的分类器结合上述两步学习策略,迭代更新伪标签获得最优系数矩阵完成不同工况下滚动轴承故障诊断。在两组滚动轴承数据集上进行实验验证,实验结果显示所提方法识别准确率分别达到了96.38%,94.18%。证明该方法能够有效应对多种工况导致的复杂分布差异,同时具有较好的有效性和可行性。     

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1D-DCGAN和1D-CAE的小样本轴承故障跨域诊断方法

充足的故障样本是基于深度学习的故障诊断方法取得良好效果的保证。然而,数据不平衡是工业大数据的典型特征。为了减小智能诊断方法对样本数量的依赖,同时为了解决小样本下同种设备以及不同设备间的故障诊断问题,提出了一种基于一维卷积生成对抗网络(1D-DCGAN)与一维卷积自编码器(1D-CAE)的轴承故障诊断方法。首先,利用一维卷积层构建了1D-DCGAN网络,凭借其强大的数据生成能力扩充了故障数据集;然后,利用一维卷积层构建了1D-CAE网络,通过无监督学习的方式,有效地提取出了故障样本中的潜在特征,实现了对设备的故障诊断功能;基于迁移学习思想,通过对1D-CAE模型参数进行迁移,进一步地对小样本下的轴承故障进行了跨域诊断;最后,为验证基于1D-DCGAN和1D-CAE的轴承故障诊断方法的效果,采用了美国凯斯西储大学(CWRU)以及西安交通大学(XJTU)轴承数据集进行了实验。实验结果表明：基于1D-DCGAN和1D-CAE的方法明显优于其他对比模型,同种设备的故障识别精度达到了99.21%,不同设备之间的跨域故障识别精度达到了98.87%。研究结果表明：即使在样本数量较少的场景下,基于1D-...     

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。     

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。     

基于双识别器对抗的开放域自适应故障诊断方法

领域自适应问题在机械设备故障诊断领域已被广泛研究，当前大多数封闭域自适应方法通常都假设源域和目标域共享相同的标签类型空间。然而，这不完全符合机械设备真实的诊断需求，实际上会出现新的故障类型，因而传统依据边缘分布对齐的方法难以处理此开放域问题，不能正确辨识出已存在的样本类型和新出现的类型。针对源域和目标域标签类型空间部分重叠的这另一典型开放域诊断问题，提出了一种基于双识别器对抗的开放域自适应故障诊断方法。两个结构相同的神经网络被引入进行对抗性训练，以增强模型对已知类型辨识的领域自适应性能，利用源域与目标域熵最大与最小化策略，以及目标域样本输出的二元交叉方案用以建立分界线隔离新出现的未知类型。利用轴承数据和自吸式离心泵数据进行分析验证，实验结果表明：所提方法相对于典型的封闭域和开放域模型，能更准确的判定机械设备已存在的故障类型和新出现的未知故障类型，在各诊断任务中，均能达到90%以上的正确率。     

基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法

采用深度对抗迁移学习算法进行故障诊断时,受到领域中丰富的特征属性的影响,在领域自适应中无法充分学习可用于迁移的共有知识特征,且其在类别水平上忽略了不同类别的对齐程度的差异。针对这一问题,提出了一种基于中间桥层和相似矩阵(MB-SM)的对抗故障诊断模型,以实现对滚动轴承故障进行跨域诊断识别的目的。首先,利用改进的一维多尺度残差网络对数据的特征进行了提取;然后,引入了中间桥层和相似矩阵,完成了对共有知识特征的充分学习,降低了整体网络的数据传输难度,进一步加强了源域和目标域中同一类别内的聚类和类别之间的分离,提高了故障数据的领域适配能力;最后,采用实验室轴承数据集和美国凯斯西储大学(CWRU)数据集,对基于中间桥层和相似矩阵的模型方法进行了验证。研究结果表明：在自建实验室数据集中,采用基于中间桥层和相似矩阵的方法可以达到90.37%的平均准确率;在美国凯斯西储大学(CWRU)数据集中,也可以达到99.34%的平均准确率。相较于其他迁移学习对比模型,采用该模型方法可以获得更好的诊断性能。     

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。     

选择性集成迁移算法在轴承故障诊断领域的应用

针对工况复杂多变而产生数据分布不一致,导致传统机器学习进行故障诊断分析时精度低的问题,提出了选择性集成迁移学习的故障诊断方法,基于相似度原理,将相似度高的源域数据迁移至目标域,增加了有效训练样本的数据量,然后结合集成SVM进行故障识别;并在此基础上,提出了一种基于类内类间数据样本分散度的特征选取方法。轴承故障诊断实验结果表明,选择性集成迁移学习可以有效解决工况多变导致设备故障诊断精度低的问题,而且特征优选后诊断精度会得到进一步提升。     

无标签数据下基于特征知识迁移的机械设备智能故障诊断

对于智能故障诊断方法,大量有标签数据是实现智能模型训练的必要条件,但该条件在部分工业应用场景下难以满足。难以采集足够有标签数据,尤其是故障状态下的数据,在一定程度上限制了智能故障诊断方法的工业化应用。为解决该问题,提出基于特征知识迁移的机械设备智能故障诊断方法,将实验设备或其他相关设备所采集的足量有标签数据所蕴含的特征知识迁移至工业现场设备所部署的智能模型中,完成不同机械设备之间监测数据的特征知识迁移,从而实现无标签数据下的机械设备智能故障诊断。提出方法首先构建一维深度卷积神经网络,实现从原始振动信号到机械设备故障类别的深度映射。然后在深度卷积神经网络中加入领域适配正则约束项,实现不同机械设备监测数据间特征知识的深度迁移适配。最后,通过全连接神经网络进行机械设备健康状态的识别。为验证提出算法的有效性,通过两种机械设备的轴承在不同性能状态下所采集的监测数据进行迁移故障诊断实验,实验结果表明:提出方法实现了不同设备间监测数据特征知识的迁移适配;相对于传统智能诊断方法,提出的方法在两个数据集之间的迁移故障诊断识别率提高20%以上。     

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。     

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。     

样本不均衡时轴承故障的非平衡卷积网络诊断

为了提高样本不均衡条件下轴承故障诊断精度,提出了基于VAE-SNN的样本增广方法和基于非平衡损失网络的故障诊断方法。首先,使用变分自编码器用于数据生成,并依据孪生神经网络对生成数据的类别进行判定,实现了基于变分自编码器和孪生神经网络的样本增广;其次,分析了卷积神经网络无差别对待样本的缺点,针对不均衡样本的特殊性,提出了非平衡损失函数卷积网络,该网络能够自动关注数量少、难分的样本训练。经实验验证,生成对抗网络增广的样本相似度为0.847,孪生神经网络增广的样本相似度比对抗网络提高了6.61%,说明孪生神经网络的样本增广效果更好;在相同诊断方法前提下,样本增广后比增广前的准确率提高了9.42%,说明样本增广有利于提高轴承的故障诊断准确率;非均衡损失网络比卷积神经网络的诊断精度提高了7.17%,比自适应深度学习提高了4.12%,验证了非均衡损失网络的高准确率和优越性。