近邻概率距离在旋转机械故障集分类中的应用方法

针对多种故障类型的特征属性相互交叉导致故障难以辨识的问题,提出一种考虑相邻点之间成为近邻点概率的新度量函数。将新提出的近邻概率距离(Nearby Probability Distance,NPD)应用于局部保持投影算法(Locality Preserving Projection,LPP)与K-近邻(K-Nearest Neighbor,KNN)分类器中,提出基于近邻概率距离的局部保持投影算法(Nearby Probability Distance Locality Preserving Projection,NPDLPP)与基于近邻概率距离的K-近邻(Nearby Probability Distance K-Nearest Neighbor,NPDKNN)分类器;首先通过时域、频域特征提取方法,将振动信号转化为高维特征数据集,然后通过NPDLPP将高维数据集降维到低维空间,最后将降维得到的低维敏感特征集输入到NPDKNN中进行模式识别;用一个双跨度转子系统的振动信号集合进行验证,证明了所提出的降维算法效果明显,它能够达到各个故障类型更好分离。研究表明,新提出的近邻概率距离较传统的欧式距离测度更能最小化类内散度,最大化类间分离度。     

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。     

EWT多尺度排列熵与GG聚类的轴承故障辨识方法

针对滚动轴承故障信号具有非线性、非平稳性特点导致的故障类别难以辨识问题,提出一种基于经验小波变换、多尺度排列熵、GG(Gath-Geva,简称GG)聚类算法相结合的故障诊断方法。首先,采用经验小波变换对滚动轴承的原始信号进行分解、得到若干个固有模态分量,初步提取滚动轴承的状态特征值;其次,通过相关性分析选择最优模态分量,并在多个尺度下计算其排列熵值;最后,运用主成分分析对高维熵值特征向量进行可视化降维、并输入到GG聚类算法中,实现对滚动轴承的故障辨识。与其他模式组合方法进行比较的结果表明,本研究提出的故障辨识方法具有聚类结果的类内紧致性更好的优点。     

一种用于故障分类与预测的多任务特征共享神经网络

智能故障诊断与预测技术在工业实际中得到了广泛地应用,但仍存在以下局限性:1)将不同退化程度的同类型故障作为多种不同的故障模式进行分类识别,脱离了工程应用的实际; 2)基于特定数据训练的诊断模型工况泛化能力差。针对上述问题,提出一种多任务特征共享神经网络,并将其应用于轴承的智能故障诊断与预测。首先,利用卷积神经网络(CNN)构建自适应特征提取器,从原始振动信号中提取深层次特征;其次,同时建立分类与预测的多任务特征共享诊断模型,实现故障类型分类以及故障尺寸预测。最后,通过凯斯西储大学轴承数据集验证了所提方法。试验结果表明:所提方法不但能同时实现对故障类型的分类以及故障尺寸的预测,而且具有较强的工况泛化能力。     

一种用于主轴轴承故障诊断的深度卷积动态对抗迁移网络EI北大核心CSCD

迁移学习智能故障诊断方法已经成为了机械设备故障诊断领域的一个研究热点。然而,大多数相关方法在迁移学习过程中未能合理地评估源域样本和目标域样本的相似性,且数据分布的差异会造成迁移诊断的结果不同。针对此问题,提出深度卷积动态对抗迁移网络用于主轴轴承智能故障诊断。该网络首先利用一维卷积神经网络从处理过的振动信号中自动提取特征集,然后利用动态对抗学习策略动态地调整条件分布和边缘分布在迁移学习过程中的重要程度,有效地提高迁移诊断的精度。通过数控机床主轴轴承故障诊断实验,验证了所提方法的有效性。实验结果表明,所提方法能够有效挖掘故障特征信息,实现不同工况之间的知识迁移,具有较好的应用价值。