自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

故障样本获取困难导致的训练样本不均衡严重影响故障诊断模型的可用性及准确率,因此提出一种基于自适应辅助分类器生成式对抗网络的故障样本生成模型,通过度量判别器与生成器的相对性能自适应地调节生成器损失值,使训练收敛更快、生成数据质量更好。将所提方法、辅助分类器生成式对抗网络方法生成的数据,以及未经处理的试验原始数据作为BP分类模型的输入数据进行试验,结果表明所提方法生成数据训练的模型更优。所提方法与1D-CNN、e2e-LSTM、CFVS-SVM和FFT-CNN等方法的对比结果表明,所提方法的故障诊断准确率、信息处理时间均最优。     

生成式对抗网络研究综述

深度学习领域一个十分活跃的分支—生成式对抗网络（GAN）已经成为人工智能学界一个热门的研究方向。生成式对抗网络采用无监督的学习方式,自动从源数据中进行学习,在不需要人工对数据集进行标记的情况下就可以产生令人惊叹的效果。阐述了GAN的背景、基本思想,对其相关理论、训练机制和应用研究进行了梳理,总结了GAN的常见网络构架、训练技巧与模型评估标准,还进行了GAN与其他生成模型VAE、衍生模型的对比,最后进行分析总结,指出GAN的优缺点并对未来发展方向进行展望。     

基于GAN的轴承故障诊断方法

针对轴承工作过程中早期故障样本少、故障类型不平衡的问题,提出一种基于生成式对抗网络(GAN)的数据增强方法。该方法应用快速傅里叶变换(FFT)对轴承信号进行预处理,然后将频谱作为GAN的输入,生成故障样本数据。最后,将生成的数据与原始数据结合构成新的数据集,并利用支持向量机(SVM)实现故障分类识别。通过轴承实验和统计学特性验证,表明该方法可以生成有效故障样本,同时采用扩充后的新数据集与原始数据集相比诊断准确率更高。     

基于特征可视化和深度自适应网络的轴承故障诊断

针对轴承故障诊断中,特征提取环节严重依赖人工经验及专家知识的问题,提出了一种基于格拉姆角场（Gramian angle field,GAF）变换和自适应深度网络的轴承故障诊断方法。首先,通过经验模态分解方法对采集信号进行分析,通过马氏距离度量方法有效地确定本征模函数（Intrinsic mode functions,IMFs）,将染噪信号与原始信号的相似模态分量进行挑选,以提高染噪信号信噪比,剔除不同类别信号的相似模态分量,突出信号特征;然后,利用选定的IMFs将信号重构,并基于GAF变换将重构信号可视化;最后,利用深度自适应网络进行特征学习和状态识别。结果表明,所提方法的准确率达到94.97%,优于常见的振动信号故障诊断方法;且所提方法对于噪声也能很好地抑制,具有较好的鲁棒性,为轴承的智能化和精确化诊断提供了合理思路。     

基于进化算法优化GAN的轴承故障诊断

针对滚动轴承故障诊断故障样本类别不平衡的问题,提出一种基于进化算法优化的条件生成对抗网络（evolutionary conditional generative adversarial nets, 简称ECGAN）故障诊断方法。首先,利用进化算法优化条件生成对抗网络中的生成器,使其在不同的损失函数下生成与原始样本分布相似的新样本,扩充数据集;其次,将生成的样本和原始样本输入判别器,提取出样本中有效的数据特征,判断输入样本的真假和类别;最后,通过对抗学习机制优化生成器和判别器,提高网络的故障识别能力。实验结果表明,在轴承故障样本数据类别不平衡的情况下,ECGAN模型具有较好的故障诊断性能。     

基于深度残差网络的滚动轴承故障诊断方法

在实现滚动轴承故障诊断的过程中,需要通过时频分析方法对原始信号进行特征集构建,期间包含大量计算且对于人工经验有着很强依赖性.针对滚动轴承故障诊断中依赖特征集选取这一问题,提出了基于深度残差网络的故障诊断方法,凭借深度学习的自主学习及强泛化能力以实现故障特征的自我获取和训练,消除故障诊断中人为特征集选取环节,从而简化故障诊断的流程.主要内容包括:首先,构建残差网络模型,通过建立多组卷积层、池化层及残差块,共同组成深层次网络模型;其次,通过滚动轴承故障实验台获取不同类型的故障样本,对信号进行分组并构建训练样本和测试样本;进而,对网络进行初始化设定后,将训练集输入深度残差网络模型,利用多层卷积和池化运算实现对原始信号抽象化表征;最后,在网络模型末端集成Softmax分类器,实现对两类轴承故障样本的分类诊断.所提出方法在两组诊断实验中均达到了 100％的准确率,对于不同类型、转速和损伤程度的滚动轴承故障都具有很好效果.研究说明所建立模型能够自主地挖掘故障信号的特征集,可在一定程度上简化故障诊断研究中的预处理和特征计算环节,避免人工提取特征的主观盲目性和经验依赖性,具有广泛的工程应用前景.     

基于双树复小波和深度信念网络的轴承故障诊断

提出了一种基于双树复小波(DTCWT)和深度信念网络(DBN)的轴承故障诊断新方法。采用DTCWT对轴承振动信号进行分解实验,结果表明DTCWT能够很好地将信号分解到不同频带。进而提取能量熵作为故障特征,采用DBN小样本分类模型对轴承故障进行分类,并与传统分类器进行比较,结果表明该方法能准确识别不同故障类型,扩展了DBN在机械故障诊断中的应用。     

基于次优网络深度学习的3D打印机故障诊断

为实现精度可靠且成本节约的3D打印机故障诊断,采用消费品级的姿态传感器采集打印机的健康状态数据,并提出次优网络深度学习以弥补低成本硬件精度的不足。次优网络深度学习在由预训练和精细调节组成的传统深度学习基础上,一方面提出预分类方法自适应确定次优的网络结构参数,另一方面采用精细分类方法进一步提高故障诊断分类的精度。试验中,将姿态传感器安装于并联臂3D打印传动链的末端即打印头上。传感器全部通道的运动信号作为输入信息,采用深度玻尔兹曼机构建了次优网络故障诊断算法进行大数据驱动的故障诊断。将所提出的次优网络深度学习故障诊断方法与其他方法相比较,其结果表明,所提出方法可以有效诊断3D打印机的传动故障。     

不平衡样本下基于生成式对抗网络的风机叶片开裂状态识别

针对风机叶片开裂状态样本少、识别率低的问题,提出基于生成式对抗网络(GAN)的开裂状态样本增强方法来提高识别率。以经验风险分类模型为对象,从理论角度对不平衡样本问题进行深入分析,设计了满足开裂样本生成与判别的GAN网络模型,引入批量归一化保障特征服从标准正态分布,加速网络训练过程收敛。以神经网络为分类器,以F1值、Recall、Precision为度量指标,在36个UCI基准数据集上对所提方法进行测试,结果表明增强后的结果更好。真实实验表明,以逻辑回归及神经网络为分类器,相比原始不平衡样本,增强后的结果分别提升13.88%,8.20%。与SMOTE算法对比,以上两种分类器的分类准确率分别提高74%和11%;与ADASYN算法对比,分类准确率分别提高19%和23%。     

基于WGAN-GP的轴承健康诊断方法

针对生产现场设备的故障数据有限,影响其健康诊断准确性的问题,结合振动信号的特点,设计一种改进梯度惩罚Wasserstein距离生成对抗网络的数据扩充方法。对故障信号进行快速傅里叶变换获得其频谱信号,将频谱信号作为网络的输入,由生成器产生生成信号,扩充不平衡的数据集。在轴承健康诊断实验中,该方法可以解决数据不平衡下的健康诊断问题,并与其他常用的数据扩充方法相对比,验证该方法的有效性。     

基于改进堆叠稀疏降噪自编码器的轴承故障诊断

为提高堆叠稀疏降噪自编码器的性能,解决其计算复杂度高、收敛速度慢等问题,提出了一种基于堆叠边缘化稀疏降噪自编码器的滚动轴承故障诊断方法.首先,对稀疏降噪自编码器的损失函数进行边缘化处理,并结合逐层贪婪训练策略构建出SMSDAE网络;然后,将SMSDAE网络与Softmax分类器结合,得到SMSDAE-Softmax特征...     

基于改进DQN网络的滚动轴承故障诊断方法

针对实际中滚动轴承正常和故障状态下的振动数据不平衡,且故障诊断准确率不高的问题,基于深度强化学习,提出一种改进深度Q网络(DQN)的滚动轴承故障诊断方法.该方法将振动信号进行短时傅里叶变换,构建时频图样本集;提出把K-means算法中样本到中心点的距离作为回报值的偏置,以不平衡比为基准,为训练集构建具有个性化的回报函数...     

基于深度特征提取和对抗域适应网络的滚动轴承故障诊断

实现轴承的智能化诊断是实现旋转设备的智能化诊断的关键。在轴承故障诊断实际情况中存在特征提取不完全、变工况情况下传统的诊断方法效率低的问题。针对这个问题,提出了一种组合方法。在该方法中使用具有宽卷积核的卷积神经网络与长短时记忆网络组合的深度特征提取网络对原始的振动信号进行深层次的特征提取,其次以对抗域适应网络实现源域与目标域间的知识迁移,解决了变工况情况下的跨域诊断能力不理想的问题。并对所提方法进行了验证,实验结果表明,所提方法能够有效地实现对轴承振动信号的深度提取以及识别变工况情况下的轴承故障类型,提高了跨域诊能力。     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

基于深度置信网络的旋转机械迁移故障诊断

在对实际工业场景中的旋转机械进行故障诊断时,旋转机械的变工况会导致测试样本与模型训练样本间存在分布差异,进而影响故障诊断模型的准确率,对此,提出了一种基于深度置信网络的旋转机械迁移故障诊断方法.首先,利用最大重叠离散小波包变换处理了原始振动信号,提取了统计特征构建原始特征集;其次,基于源域有标签特征数据和目标域正常状态...     

基于增强深度自编码网络的滚动轴承故障诊断方法

为了提高深度自编码网络的特征挖掘能力,自适应地选取网络超参数,提出了一种增强深度自编码网络,并将其应用于滚动轴承故障诊断。采用最大相关熵代替均方误差作为自编码器的损失函数,加入稀疏惩罚项和嵌入非负约束因子的收缩惩罚项,进一步减小重构误差;通过灰狼优化算法自适应地选取网络关键参数。实验分析结果表明,与现有方法相比,该方法具有更强的特征提取能力与稳定性,对变工况下的轴承振动数据也能达到较高的识别精度。     

基于二维图像和自适配归一化SGAN网络的滚动轴承故障诊断

为了在标记数据稀缺的复杂运行环境下得到更高的故障诊断精度,并为每一层网络自动寻找合适的归一化操作,提升网络的泛化能力,提出一种基于二维图像和自适配归一化半监督生成对抗网络(VMD-2D-SN-SGAN)的集合型故障诊断新方法.首先,将一维的振动信号进行变分模态分解降噪,转换为2D图像并作为半监督生成对抗网络的输入;其次...     

深度残差网络在滚动轴承故障诊断中的研究

近年来,由于传统人工提取特征的方法不足以准确表征滚动轴承的健康状态,深度学习算法被逐渐应用于滚动轴承的故障诊断中,它能够自适应的从输入数据中学习出所需要的特征.其中,相较于普通的深度学习算法,深度残差网络通过恒等映射的方式可以大幅度降低模型的训练难度.因此,采用了一种用于滚动轴承故障诊断的深度残差网络(ResNet),...     

基于小波卷积自编码器和LSTM网络的轴承故障诊断研究

针对传统滚动轴承故障诊断方法过度依赖专家经验和故障特征提取困难的问题,结合深层神经网络处理高维、非线性数据的优势,提出了一种基于深层小波卷积自编码器(DWCAE)和长短时记忆网络(LSTM)的轴承故障诊断方法。首先构造了小波卷积自编码器(WCAE),改进了其损失函数,并加入了收缩项限制防止网络过拟合;其次将多个WCAE堆叠构成DWCAE,利用大量无标签样本对DWCAE进行了无监督预训练,挖掘出更有利于故障诊断的深层特征;最后利用深层特征训练LSTM网络,从而建立了诊断模型。仿真信号和实验数据分析结果表明:该方法能有效地对轴承进行多种故障类型和多种故障程度的识别,特征提取能力和识别能力优于人工神经网络、支持向量机等传统方法及深度信念网络、深层自编码器等深度学习方法。     

基于改进深度残差收缩网络的旋转机械故障诊断

旋转机械振动信号在多层深度学习过程中会出现退化和过拟合现象,同时含噪数据样本也会使模型故障诊断正确率偏低,数据样本不平衡会引起模型训练具有倾向性,针对以上一系列问题,提出了一种基于改进型深度残差收缩网络(DRSN)的旋转机械故障诊断方法。首先,对多故障、长时间序列数据样本进行了矩阵化处理,得到了模型容易接受的多维度灰度图故障样本;针对旋转机械从正常状态到故障状态的机械老化过程,采用了多点随机采样方法,构建了全寿命周期数据样本,用于后续的故障诊断;然后,在卷积神经网络(CNN)的基础上,通过引入残差项、注意力机制和焦点损失函数,构建起了多层深度残差收缩网络,对旋转机械进行了故障诊断(其中,残差项降低了训练过程中样本数据的特征损失,避免了模型的退化和过拟合;注意力机制和软阈值化自动设置噪声阈值,降低了噪声对故障诊断精度的影响;焦点损失函数修正了模型训练的倾向性,提高了模型训练效率和灵敏性);最后,利用滚动轴承数据库样本对模型的性能进行了实例验证。研究结果表明：DRSN模型在训练过程中没有出现明显的退化现象,能够始终保持较高的训练效率和故障诊断精度,有效避免了噪声干扰,在不平衡数据集上修正了...