基于均衡适配迁移的异源域样本轴承故障诊断

由于轴承带标签的故障样本数量较少,且源域数据与目标域数据存在异域问题,会导致轴承诊断准确率大大下降。为此,对异源域样本条件下的轴承故障诊断问题进行了研究,提出了基于改进均衡分布适配迁移学习的轴承故障迭代诊断方法。首先,分析了滚动轴承的结构和不同部位故障的信号特征;介绍了迁移学习工作原理,基于动态的均衡因子,提出了改进均衡分布适配方法,解决了边缘分布和条件分布差异性未知导致的异源域适配难题;然后,给出了基于K近邻算法(KNN)的伪标签初步确定方法,提出了基于迁移学习和KNN算法的目标域伪标签迭代优化方法,确定了目标域样本的故障标签;最后,采用实验数据对该诊断方法的有效性进行了验证,并将其与其他两种方法进行了异域样本的故障诊断,对其诊断准确率进行了对比。研究结果表明：在凯斯西储轴承实验中,基于迁移学习、迁移成分分析(TCA)+KNN的诊断准确率均值分别为93.72%和75.52%;在西安交通大学轴承实验中,基于迁移学习、TCA+KNN的诊断准确率分别为94.80%和70.40%。上述实验结果验证了基于迁移学习的迭代诊断方法在异源域样本故障诊断中的优越性。     

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InMPE和MFO-SVM的变负载滚动轴承故障诊断

由于在变负载工况下,提取滚动轴承故障特征较为困难,且其故障识别准确率也较低,为此,提出了一种基于插值多尺度排列熵(InMPE)和飞蛾火焰优化支持向量机(MFO-SVM)的滚动轴承故障诊断方法。首先,在粗粒化时采用三次样条插值代替传统多尺度排列熵(MPE)中的线性插值,设计了InMPE算法,利用美国凯斯西储大学(CWRU)轴承数据集,分析了不同序列长度、嵌入维数和负载对InMPE的影响;然后,使用飞蛾火焰算法(MFO)优化了支持向量机(SVM),构建了基于InMPE和MFO-SVM的故障诊断模型;最后,搭建了轴承故障诊断试验台,制作了变负载工况下滚动轴承故障特征样本集,对基于InMPE与MFO-SVM的故障诊断方法的有效性和先进性进行了验证。研究结果表明：在变负载工况下,采用基于InMPE与MFO-SVM方法所得的故障识别准确率达到了98.5%,而采用传统MPE方法所得的故障识别准确率为95.9%;在噪声背景下,采用基于InMPE与MFO-SVM方法所得的识别准确率为92.4%,优于后者的80.0%准确率;证明基于InMPE与MFO-SVM的方法能有效识别出滚动轴承的故障信息,且对噪声具...     

基于多表示动态自适应的不同工况下滚动轴承故障诊断

在对不同工况下的滚动轴承进行故障诊断时，要收集足够多标记的故障样本是非常困难的。为此，以原始振动信号作为神经网络的输入，通过多表示动态自适应(MRDA)算法多表示对齐可迁移的特征、自适应动态的衡量边缘分布和条件分布相对重要性，从而构建了一种新的深度迁移模型，即一维多表示空洞动态自适应迁移网络(1D MRDDATN)。首先，对迁移学习数据分布进行了问题分析，对DDA进行了理论推导；然后，在一维空洞卷积基础上，创建了一维多表示空洞卷积神经网络(1D MRDCNN),并提出了MRDA算法和多表示动态自适应结构(MRDAM),形成了一维多表示空洞动态自适应迁移网络(1D MRDDATN);最后，采用美国凯斯西储大学(CWRU)的滚动轴承数据集进行了实验验证。研究结果表明：与传统的深度迁移学习方法相比，上述方法的平均诊断准确率有所提升，可达到98%以上；MRDA通过多表示对齐来完成不同工况下的跨域分类任务，自适应地捕获不同方面的信息，可以获得更好的性能。     

基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法

针对滚动轴承故障诊断在工程实际中故障数据稀缺的问题,提出一种基于shapelets时间序列的多源迁移学习滚动轴承故障诊断方法。首先利用典型故障信息丰富、标记样本充足的滚动轴承数据构建多源域数据集,使用不同源域的数据对源域特征提取器与分类器进行预训练;然后利用基于动态时间规整的shapelets学习算法提取源域与目标域的shapelets作为判别结构,通过度量判别结构优化源域数据,对源域网络进行微调以得到诊断模型;最后根据每个源域与目标域的shapelets之间的差异,利用自适应域权重对各分类器的结果进行聚合得出诊断结果。实验结果表明,该方法在小样本与强噪声的情况下具有较高的故障诊断准确率。     

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。     

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。     

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。     

基于孪生网络的小样本滚动轴承故障诊断研究

针对小样本和强噪声条件下的滚动轴承故障诊断问题,提出了一种孪生网络模型：首先,对于滚动轴承故障信号进行连续小波变换以获得时频图像,引入卷积神经网络模型以实现故障图像模式识别;进而,对故障样本进行交叉配对以重新组合,实现了少量故障样本的大幅扩容;同时,针对扩容后样本对数据构建了包含两个子模型的孪生网络模型;最后,为了实现强噪声、小样本条件下滚动轴承故障诊断,设计了孪生网络末端专用分类器,在加噪声数据库和机械故障实验中对方法进行测试,分别达到了96.25%和97.08%正确率。所提出模型能够依靠少量样本完成训练并实现轴承故障准确诊断,所需每类样本的数量可减少至20个,与经典卷积神经网络模型相比具有明显优势。     

基于Morlet小波与CART决策树的滚动轴承故障诊断方法

针对滚动轴承故障诊断过程中样本处理、故障识别等技术问题,提出一种基于Morlet小波和分类回归树(Classification and Regression Tree, CART)的滚动轴承故障诊断方法。首先,利用Morlet小波分析方法和移动窗方法对轴承振动信号进行样本处理。其次,对提取的短样本进行变分模态分解与特征提取,完成训练集和测试集的构建。然后,使用训练集训练CART决策树分类模型,同时引入随机搜索和K折交叉验证用于模型关键参数优化,以获取理想的轴承故障分类模型。测试集验证结果表明,该方法不但能实现多种轴承故障的有效诊断、在含噪测试集中表现良好,而且单个样本的数据长度和采样时长的缩短效果明显。     

基于GRU与迁移学习的滚动轴承故障诊断

现阶段基于深度学习的故障诊断需要大量的数据,而制作数据集是一项耗时耗力的工作。针对这一缺点,提出一种基于门控循环单元(Gate Recurrent Unit,GRU)与迁移学习的滚动轴承故障诊断方法。该方法利用与目标域特征相似且易获得源域数据的特点训练网络,确定网络结构和参数,冻结经过训练的卷积神经网络(Convolutional Neural Networks,CNN)和GRU,用小样本目标域数据训练该网络,微调全连接层和分类层,达到迁移的目的。实验对比分析表明,基于GRU与迁移学习的滚动轴承故障诊断方法明显优于基于BP神经网络和基于概率神经网络(Probabilistic Neural Network,PNN)方法的故障诊断,能够更加准确地进行故障分类,为小样本数据集下的故障诊断提出了新思路。     

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。     

基于SimAM注意力机制的轴承故障迁移诊断模型

针对轴承故障在跨工况迁移诊断时,其域不变特征难以提取,易出现模型过拟合这一问题,提出了一种基于无参数注意力模块(SimAM)的轴承故障迁移诊断方法。首先,以一维卷积神经网络作为基本框架,利用自适应批量归一化(AdaBN)对各输出层进行了归一化处理,经两层卷积层和两层池化层后,对输出特征进行了随机节点失活操作;然后,利用改进后的参数化修正线性单元(PReLU)激活函数自适应提取负值输入权值系数,分别以交叉熵损失函数监督训练有标签的源域数据,以均方对数误差(MSLE)作为损失函数训练无标签的目标数据;最后,利用自制实验台数据和凯斯西储轴承公开数据对模型进行了验证,分别以不同的单一工况作为源域,其余工况作为目标域进行了迁移诊断任务研究。研究结果表明：基于SimAM的轴承故障迁移诊断方具有较好的域不变特征提取的性能,且所提特征具有较好的聚类效果;自制实验台中的平均迁移精度在89.1%以上,最高均值可达97.85%,CWRU数据集中的平均迁移精度达98.68%。该成果可为后续轴承故障由实验向工业现场的迁移诊断奠定基础。     

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。     

基于多尺度残差网络的域适应轴承故障识别方法

不同工况下的故障轴承原始振动信号存在分布差异较大的问题，在进行故障诊断时也会存在特征提取不充分，从而导致故障诊断模型诊断精度较低的问题，为此，提出了一种基于多尺度残差网络的对数相关对齐(logCORAL-MsRN)的域适应轴承故障识别方法(模型)。首先，对轴承原始振动信号进行了预处理，将其转换为二维灰度图像；然后，使用多尺度残差块和空洞卷积对残差神经网络ResNet50的网络结构进行了改进，设计了一种多尺度残差网络(MsRN),以充分提取轴承的故障特征，避免深层网络结构的梯度消失问题；提出了一种对数相关对齐(logCORAL)域适应方法，更好地进行了域间分布对齐；最后，采用交叉熵损失和logCORAL损失作为目标优化函数，对上述模型(方法)进行了训练，在美国凯斯西储大学(CWRU)公开数据集上进行了变工况下的对比实验和消融实验。研究结果表明：logCORAL-MsRN方法在变工况条件下的轴承故障诊断的平均准确率高达96.53%,并且优于其他对比方法，即特征提取网络MsRN可以提取出不同尺度的、更加丰富的轴承故障信息，域适应方法logCORAL可以有效地对齐源域和目标域之间的特征分布，验...     

基于FB-LSTM ResNet的滚动轴承故障诊断方法

提出一种基于FB-LSTM ResNet的滚动轴承故障诊断方法，并将故障诊断过程划分为3个部分。原始振动信号获取与处理模块利用振动信号窗平移方法完成重叠信号的分割，并利用Inception网络高效完成一维信号预处理；振动信号特征提取模块采用FB-LSTM ResNet网络，可以有效处理层深所引起的退化情况；故障诊断分类模块选用全局池化层代替全连接层，能够削减网络参量，从而有效规避过拟合情况。采用CWRU与QPZZ-II故障轴承样本集的试验结果表明，FB-LSTM ResNet方法在原始样本和加噪样本中均获得了最高的故障诊断准确率，并可在较少的迭代过程中达到较优的准确率与损失值，其效果优于单独的FB-LSTM, ResNet方法以及其他融合方法。     

基于二次迁移学习和EfficientNetV2的滚动轴承故障诊断

针对工程实际故障诊断环境下，可用数据稀缺，导致智能诊断模型对轴承健康状态识别精度较低这一问题，提出一种基于二次迁移学习和EfficientNetV2(Two-Step Transfer of EfficientNetV2,TSTE)的滚动轴承故障诊断新方法。首先，将模型在轴承全寿命周期数据集中训练，之后冻结模型浅层权重，将其在多工况轴承数据集中训练，进行第一次迁移学习。其次，通过构造类不平衡数据集，研究实际故障环境下可用数据稀缺对故障诊断性能的影响。然后，基于合成少数类过采样技术（Synthetic Minority Oversampling Technique,SMOTE）过采样方法与编辑最近邻（Edited Nearest Neighbors,ENN）欠采样方法对故障数据进行扩充，使类不平衡数据集重构为类平衡数据集。最后，将模型在类平衡数据集中训练，冻结模型底层权重，训练模型深层，进行第二次迁移学习，使模型掌握平衡数据集故障特征。通过多种指标进行实验评估，同时与其他方法进行对比，并使用GradCAM方法进行了特征可视化。结果表明，所提方法能够将模型在实验室环境下积累的故障诊断知识应...     

基于增强层次注意熵和极限学习机的轴承故障检测方法

采用传统诊断模型进行轴承故障识别时，需要设置较多的超参数，且参数对模型性能的影响较大。针对这一问题，提出了一种基于增强层次注意熵(EHATE)和灰狼算法优化的极限学习机(GWO-ELM)的滚动轴承故障诊断模型，其中，EHATE方法用于提取滚动轴承振动信号的低频和高频特征信息，而GWO-ELM用于识别滚动轴承的故障类型。首先，基于分形理论和增强的层次分析，提出了一种能够同时测量非平稳时间序列在低频段和高频段复杂度的指标-增强层次注意熵(EHATE);随后，利用EHATE方法充分提取了滚动轴承振动信号的故障特征，实现了对不同样本故障状态进行精确表征的目的；最后，将故障特征输入至GWO-ELM分类器中，进行了滚动轴承故障类型和故障严重程度的识别，基于EHATE+GWO-ELM模型对3组滚动轴承故障数据集进行了实验，并将其与其他故障诊断方法进行了对比。研究结果表明：该故障诊断模型能够快速有效地识别滚动轴承的不同故障，3组数据集的识别准确率分别达到了100%、99.2%和96.92%,在识别准确率和特征提取效率方面优于对比方法；同时该故障诊断模型在特征提取阶段仅需要设置单个参数，且该参数对模型的...     

边缘计算生成式对抗网络差分进化滚动轴承特征识别方法

滚动轴承是旋转机械系统中保障安全运行重要组成部分之一。开展滚动轴承特征识别具有重要理论实际应用价值。通常采用的深度学习滚动轴承特征识别方法，需要有监督标记数据或无监督故障数据参与训练，标签和故障数据不易获取，无法满足滚动轴承特征识别需求。本文提出了一种边缘计算生成式对抗网络差分进化滚动轴承特征识别EC-DE法。该方法训练过程采用健康数据训练生成式对抗网络，通过学习健康数据分布规律进行滚动轴承健康特征识别。边缘端对比输入样本与生成式对抗网络生成样本差异性进行识别，根据输入样本健康置信度提前退出，提高系统实时性；云端采用差分进化算法搜索生成式对抗网络生成器输入潜空间，获得输入样本对应生成器输入潜变量，提高识别精度。本文方法在CWRU滚动轴承公共数据集上的识别正确率达99.8%且对超参数不敏感，推理阶段耗时降低，具有实际生产应用价值。