基于孪生网络结构的轴承故障诊断研究

针对轴承故障诊断中故障样本稀缺、深度神经网络模型在小样本条件下存在故障诊断准确度较低的问题，提出将深度神经网络扩展为孪生网络结构的框架，以提高在小样本条件下的故障诊断性能。孪生网络通过权值共享的骨干网络从样本对中提取特征，采用L₁距离判定样本对的特征相似度，实现轴承故障诊断。不同于传统深度神经网络，孪生网络采取输入样本对的方法，在故障数据不足的情况下，可以提高轴承故障诊断性能。分别将不同层数的卷积神经网络(CNN)与长短期记忆网络(LSTM)扩展为孪生网络结构，在实测轴承数据集上进行小样本故障诊断实验。实验结果表明，通过扩展为孪生网络结构可以提高故障诊断结果的准确率，孪生CNN网络比对应的CNN网络准确率平均提高1.08%,孪生LSTM网络比对应的LSTM网络准确率平均提高4.78%。     

基于小波包样本熵及GA-BP网络的旋转机械故障识别

针对旋转机械故障信号具有非线性、非平稳性特点,提出一种基于小波包样本熵及GA-BP网络的故障识别方法。首先对故障信号进行小波包分解,计算重构节点信号能量较大的前4个子频带振动信号的样本熵作为特征向量;然后将特征向量输入GA-BP网络模型进行故障类型识别,并且与传统BP网络作对比。实验结果表明:转子实验台不同故障信号的小波包样本熵不同,该方法对转子故障区别度更有效果,故障识别率明显提高。     

面向回转机组电机小样本复合故障的多源异构自适应迁移学习

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明：单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间缩短近2/3。     

基于高价值小样本的石化装置旋转机械故障诊断NN模型

针对石化装置旋转机械故障特征之间呈现模糊性和耦合性导致故障类型识别难的问题,提出基于高价值小样本的石化装置旋转机械故障诊断NN模型.依据故障特征拟合情况,提取高价值小样本故障特征;运用高价值小样本故障特征建立高效的NN模型,利用梯度搜索技术,使网络的实际输出值和期望输出值的误差最小,达到最佳分类效果.研究结果表明:高价值小样本故障特征的训练数据与测试数据具有高度的一致性,故障类型识别的准确率达到98.3％.该方法应用于石化大机组旋转机械表明方法简单有效,高价值小样本特征提取准确,故障识别能力强,可为石化大机组及其他大型设备旋转机械故障诊断提供指导.     

基于深度动态密度估计的轴承异常检测

针对传统的机器学习算法在应对工业系统中样本不均衡现象时难以获得较高的异常检测性能的问题，提出一种基于深度动态密度估计的轴承信号异常检测方法(DCEN)。首先，训练该压缩网络时只需要从正常样本中提取特征，得到原始数据的低维表示；接着将其进一步输入到高斯混合模型(GMM)中，对正常数据进行动态密度估计；然后，利用估计网络来促进模型的参数学习，以端到端的方式多次迭代同时优化深度自动编码器和混合模型的参数；最后，采用高斯混合模型的预测能量值作为异常分数，模型在没有学习异常样本分布的情况下将故障样本输入到本文模型中产生更高的异常分数来检测异常。通过在3个不同轴承数据集上的实验和对比分析，验证了该方法的有效性和优越性。     

基于小波包神经网络的轴承故障识别模型

针对传统故障特征提取过程复杂、诊断方案单一且准确性差等问题,提出了基于多阈值小波包和深度置信网络(DBN)的轴承故障识别方案。本文作者采用最优小波基函数和软硬阈值结合方法对原始振动信号进行三层分解降噪处理,得到8个从低频到高频段的信号成分,对其进行组合重构作为神经网络的输入样本;通过DBN在数据处理上的特征重构优势,建立了DBNBP神经网络的轴承故障识别模型,确定模型的各类参数。经多次实验,探究不同样本输入对模型识别率的影响,并与传统的浅层神经网络识别模型做对比分析,结果表明:经训练的DBNBP轴承故障识别模型可从原始数据、小波包分解信号实现轴承故障信号的准确特征学习和分类,结合识别率和诊断时间考虑,经小波包分解信号输入具有更优的诊断效率。     

基于深度迁移学习的矿井通风机轴承故障诊断

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题，提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层，构建CNN-BiGRU-RF诊断模型，提取轴承更深层次故障特征以便于故障识别；利用源域数据对模型训练，确定模型结构参数；最后，引入迁移学习将模型迁移至目标域，使用目标域有标签数据微调模型参数，构建目标域诊断模型进行故障分类。实验结果表明：在矿井通风机轴承负样本稀少情况下，所提方法的故障识别平均准确率在94%以上，与其他方法相比，具有更好的诊断精度和泛化能力。     

基于组合矩和随机森林的转子轴心轨迹识别

针对大型旋转机械难以获得大量故障样本和不变矩识别率低的问题,提出基于组合矩和随机森林模型的转子轴心轨迹识别方法。采用实测的轴心轨迹作为样本,采用Sobel算子提取轴心轨迹的轮廓,基于轮廓的形状几何特征和不变矩构造组合矩。将不变矩和组合矩作为随机森林模型的输入进行分类,证明了组合矩的分类准确率最高。对随机森林、支持向量机和BP神经网络的分类效果进行了对比,结果表明：随机森林的分类准确率要高于支持向量机和BP神经网络,并且识别时间较短,是诊断旋转机械故障的一种新方法     

基于ADASYN和Swin Transformer的滚动轴承故障诊断研究

针对实际工况下,正常样本丰富、故障样本稀缺的类别不平衡情形,导致基于深度学习的故障诊断模型诊断能力较差这一问题,提出一种基于自适应综合采样方法(ADASYN)和Swin Transformer的故障诊断模型。使用自适应综合采样方法,改善数据分布,解决实际工况中故障样本与正常样本类别不平衡问题;使用Swin Transformer网络模型代替CNN网络 ,并使用深度迁移学习方法,使Swin Transformer网络模型掌握判别滚动轴承故障所需的浅层权重,深层权重通过反向传播方法训练获得;之后,将模型用于轴承故障测试,并对其进行调试;最后,将模型用于轴承故障实测,检验其实际工况下的诊断能力。实验结果表明：所提模型具有97%的诊断准确率,能够很好地适用于类别不平衡情形下的滚动轴承故障诊断。     

基于SAE与深度Q网络的旋转机械故障诊断

为了解决传统深度学习方法无法挖掘原始振动数据与旋转机械状态之间的非线性映射关系问题,提出了一种基于堆叠式自动编码器与深度Q网络相结合的深度强化学习旋转机械故障诊断方法。首先,建立故障诊断"博弈"模型从而为故障诊断代理提供观察、行动和获得奖励的交互式环境;其次,堆叠式自动编码器采用完全连接模型进行逐级的内在特征学习进一步构建了故障诊断代理,然后通过引入记忆回放和迭代更新策略以及奖励反馈机制,使得深度Q网络实现了原始振动信号与故障模式之间的非线性映射关系。实验结果显示提出的方法在滚动轴承以及液压泵故障诊断上具备较高的诊断精度,验证了该方法能够有效地实现了旋转机械端到端的故障诊断。     

数据驱动算法在旋转机械故障诊断中的应用研究

传统故障诊断方法依赖于先验数据与模型,具有局限性。为解决此问题,提出一种基于数据驱动的旋转机械故障诊断方法。利用经验模式分解（EMD）算法拆分原始故障信号,得到有限个IMF分量,优化现有EMD算法得到最优的截断阈值,并有效分离系统噪声干扰;从多域量化角度提取故障信号的时域、频域特征,并基于EMD样本熵实现对去噪旋转机械故障信号中故障点特征的分类与识别。仿真结果表明：所提出的数据驱动算法能够准确地识别出不同载荷条件下的故障信号微弱特征,具有更高的训练精度和故障诊断精度     

基于大数据深度迁移模型的机械故障诊断

针对现有机械故障诊断方法在小样本条件下检测率低的不足,提出一种基于深度迁移学习模型的机械大数据故障诊断方法研究。构建深度学习模型,计算模型的稀疏特性和分类错误率指标,并基于此提取机械大数据的故障特征类型;针对实际检测中有效样本较少的不足,利用迁移学习方法将实验数据用于辅助机械故障特征大数据的训练与测试,不断地调整输出结果并提高对故障点的定位与诊断精度。实验结果表明,提出诊断方法的G-Mean指标优于现有方法,在故障比为1:1000的条件下,故障查准率仍可达到96.34%。     

模拟退火算法在旋转机械故障诊断中的应用

用模拟退火算法建立了旋转机械故障诊断的人工神经网络模型,以幅值谱中七个频段上的幅值为网络的输入模式,对旋转机械常见的几种故障进行分类训练,并应用于待识别故障样本的识别计算,证明该方法在旋转机械故障诊断中是有效的。     

基于改进多任务学习网络的零样本故障诊断

多任务学习网络结构和参数冗余、网络规模过大，导致网络实时性差的问题；无法获取元件的部分或者全部故障类型样本，导致零样本问题。针对上述问题，提出一种基于元学习优化的轻量化多任务学习网络。为了提高实时性，利用MobileNetV3轻量化网络构建具有多个子任务诊断网络的轻量化多任务学习网络模型；研究了跨元件零样本问题，利用模型无关(MAML)元学习方法，对轻量化多任务学习网络的训练方式进行优化，构建基于元学习优化的轻量化多任务学习网络；最后，从不同微调步数和测试任务数角度，测试了所提网络的诊断性能。通过齿轮和轴承多元件的实测故障分析可知，所提方法可以实时高精度地解决多任务故障诊断问题和跨元件零样本问题。     

基于ES-MLSTM的液压机故障诊断系统设计

为解决大型液压机故障诊断难的问题,提高故障识别准确率,确保液压系统正常有效工作,设计了专家系统(ES)与多模型长短期记忆(MLSTM)神经网络的融合识别算法。首先通过大型液压机数据采集系统,获取液压机压力、电磁阀与行程开关等状态信号,并对数据进行数字滤波与数据清洗,得到一个22维的特征向量;然后构建了LSTM模型,选取最优的输入节点、隐层节点、输出节点个数,分析了在不同训练样本下的识别率,以及特征向量维数对识别率的影响。分析LSTM模型对识别率影响的因素,提出对同一个LSTM结构、采用多个参数模型的方法,并利用ES对参数模型进行管理,提高识别率。设计专家系统的推理知识模型、数据清洗知识模型、多模式深度学习网络(MLSTM)的调度知识模型等;最后设计了推理机,对MLSTM网络学习训练,完成建模。在故障预测分类时,通过ES进行数据推理得出初步候选结果,并对预测结果按照概率进行排序,取出排序前面N个结果,用深度学习网络MLSTM进行判别,有效减小了识别时间,利用专家系统的推理功能,实现MLSTM的模式转换,大大提高了分类精度。系统采用了12个故障类、120个训练样本、1 920个测试样本进行测试,采用ES-MLSTM识别率为100%,而相同样本,采用SVM的识别率是92.9%,采用PSOSVM的识别率是96.3%,采用BP的识别率是73%,证明基于ES-MLSTM识别方法可以满足故障诊断的要求。     

基于无限因子隐Markov模型的旋转机械故障识别方法

在机械故障识别方面,因子隐Markov模型是目前常用的识别工具。无限因子隐Markov模型(IFHMM)是因子隐Markov模型(FHMM)的一种扩展形式,克服了因子隐Markov模型链条数往往事先假定的缺点。本研究将无限因子隐Markov模型(IFHMM)运用到旋转机械的升降速过程故障的诊断当中,提出了使用IFHMM作为诊断工具的旋转机械故障诊断方法,并与基于因子隐Markov模型的旋转机械故障诊断方法进行了对比,最后将提出的方法成功地应用到旋转机械的故障中。实验结果表明,提出的方法明显优于FHMM识别方法。     

基于改进长短期记忆网络的铣刀磨损量预测研究

针对铣刀磨损量预测精度低的问题，提出一种高精度铣刀磨损量预测方法。该方法通过遗传算法（GA）寻出长短期记忆网络（LSTM）的最优参数，并将参数输入LSTM实现改进模型GA-LSTM。采用时域、频域及时频域方法提取特征，应用皮尔逊相关系数法筛选出与铣刀磨损量高度相似的特征向量，输入GA-LSTM模型进行训练，并对测试数据进行预测。实验结果表明:与传统的机器学习方法BPNN或深度学习方法FE-LSTM、CNN相比，GA-LSTM的均方根误差分别下降了41.3%、39.0%、51.5%，平均相对误差分别下降了48.3%、40.8%、56.7%，模型的预测识别精度有较大提高，实现了铣刀磨损量的有效预测。     

基于视觉的工业机器人装配演示示教研究

针对工业机器人编程效率低下、智能化程度不高和人机交互性能弱等问题，提出一种基于视觉的工业机器人装配演示示教系统，该系统包括目标检测与中心点定位模块、装配动作分类识别模块和机器人动作执行模块。在目标检测与中心点定位模块中,提出一种目标物体中心点定位和机器人抓取方法，使用实例分割算法识别物体类别，通过掩码均值化处理和坐标转换计算物体3D姿态信息；在装配动作分类识别模块中，建立基于深度学习网络的动作分类识别模型，该模型的输入为装配动作视频帧，输出为动作分类标签；最后，机器人动作执行模块根据物体类别、物体3D姿态和动作分类标签等信息规划机器人装配动作，控制机器人执行装配任务。以轴孔装配为例，验证了上述方法的有效性，实现了基于视觉演示的机器人装配模仿编程，对机器人演示示教研究具有一定的参考价值。     

基于迁移学习与残差网络的刀具磨损状态监测

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题，建立基于迁移学习（TL）与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图，作为网络模型的输入；将在ImageNet数据集上训练的ResNet50模型作为预训练模型，通过迁移学习的方法，应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%，实现了刀具不同磨损状态下的智能识别，有效提高了刀具磨损状态监测的准确性和稳定性。     

旋转压合成形数字孪生系统构建及应用

针对口罩生产这种新型旋转压合成形技术生产过程中的数字孪生技术进行了研究。研究阐述了数字孪生在旋转压合生产中的框架和系统组成，利用西门子的NXMCD软件构建了数字孪生模型，并建立了其中的运动关系，在运动关系上利用传感器和模型之间的映射来实现模型的驱动，实现了虚实同步。此外，通过接口将深度学习的神经网络和数字孪生系统结合，实现以虚预实，对传感器的数据源进行不断地迭代，实现了产线的实时优化。这种融合了数字孪生与旋转压合技术的方法，为制造业的智能制造提供了宝贵的数据和参考，推动了生产过程的高效化和智能化。