数据驱动故障诊断方法泛化性能的经验性分析

近年来数据驱动的故障诊断方法被广泛研究,但是这些方法有效的一个前提条件是训练诊断模型的数据与待测试数据应需采集自相同的设备和运行环境,然而这个前提条件在实际的诊断情形中很难得到满足,实际能够用来训练诊断模型的通常是采集自同类型设备或不同工况的历史数据。对于实际诊断情形下存在潜在差异的数据集,数据驱动故障诊断方法是否有效的问题鲜有讨论。首先讨论了影响诊断方法泛化性能的可能因素,然后构建了多个跨数据集诊断任务,在此基础上对几个数据驱动诊断方法的泛化性能进行了经验性的分析,分析发现相较于模型复杂度数据集间的分布差异是影响跨域诊断泛化性能的主要因素;并进一步从信号特性分析的角度解释了设备型号差异和工况差异对跨域诊断性能影响的深层次原因。这些讨论有益于启发面向实际诊断情形的数据驱动诊断方法的研究。     

基于相关分析和Lempel-Ziv指标的轴承损伤程度识别

针对单一故障模式下轴承内、外圈损伤程度的区分问题,提出了一种基于相关分析的Lempel-Ziv指标评估方法。通过相关分析在保留信号中频率成分的基础上来降低信号中噪声对Lempel-Ziv指标的影响。首先,该方法对原始信号进行自相关分析,将信号进行降噪;其次,对降噪处理后的信号进行0-1编码,得到信号的编码序列;最后,对编码后的序列计算Lempel-Ziv指标,得到信号的复杂度。通过仿真和轴承故障实验数据验证了所提方法的有效性。与传统的Lempel-Ziv指标及滤波后的Lempel-Ziv指标相比,在噪声环境下,所提方法能较好地识别噪声中轴承故障信号的复杂程度,能够有效的区分单一故障模式下轴承内、外圈的损伤严重程度。