基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题，提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先，基于重采样扩充故障样本，通过降采样平衡正常样本，以防止样本不平衡带来的过拟合问题；然后，利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进，应对故障样本稀缺问题，缩小不同工况下故障样本分布的差异，提高模型的泛化性；最后，基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明：孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时，孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时，孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言，孪生域对抗迁移学习对滚动轴承的故障...     

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。     

基于仿真数据的无监督域适应轴承故障诊断方法

针对目前实际诊断任务中难以获得有效的滚动轴承故障数据以及目前诊断模型泛化能力差的问题,文章提出一种基于动力学仿真与无监督领域自适应的故障诊断方法。首先建立滚动轴承动力学仿真模型,获得大量的仿真数据充当源域;然后使用无监督领域自适应的迁移学习故障诊断方法,在全局领域适配的基础上,引入最大最小化分类器差异的对抗学习策略,进一步减小了源域和目标域特征的条件分布差异;最后通过与其他迁移学习方法对比验证所提方法的可行性与优异性。     

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。     

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...     

基于深度学习与子域适配的齿轮故障诊断

针对生产实际中标注故障数据不足的问题,提出了基于深度学习与子域适配的齿轮故障诊断方法。首先构建域共享的一维卷积神经网络,从故障数据中提取可迁移特征;然后采用多核局部最大均值差异来测量可迁移特征相关子域的分布差异,并将测得的分布差异加入目标函数中训练;最后将训练完成的模型用于目标域健康状态的识别。实验结果表明,所提方法能在无标签目标域数据的情况下得到较高的准确率。     

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MSCNN与STFT的滚动轴承故障诊断研究

针对现有基于CNN(Convolution Neural Network)的滚动轴承故障诊断方法难以有效挖掘和利用数据中包含的多尺度信息问题,提出了一种多尺度卷积特征融合的滚动轴承故障诊断方法。加入上采样层,通过递归方式建立具有多尺度特征提取和融合能力的卷积神经网络MSCNN(MultiScale Convolution Neural Network)结构,提升模型对输入信号的理解能力。利用美国凯斯西储大学(CWRU)数据库对所提方法的有效性进行验证,采用短时傅里叶变换对滚动轴承信号进行频谱分析,将频谱样本输入到MSCNN网络中,数据分析表明,该方法能有效地提升故障的诊断精度。     

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。     

基于并行卷积神经网络和特征融合的小样本轴承故障诊断方法

在风力发电机轴承故障诊断过程中,基于深度学习的故障诊断方法受限于有限的标注样本,存在模型收敛困难和识别准确率较低等问题,为此,提出了一种基于并行卷积神经网络(P-CNN)和特征融合的小样本风机轴承故障诊断方法。首先,采用集合经验模态分解(EEMD)方法,将轴承的原始振动信号分解为若干个本征模态函数(IMF)分量以及残余分量;然后,分别对其进行了短时傅里叶变换(STFT),将其转换为时频特征图,同时构建了多个相同的卷积神经网络分支,以此作为特征提取器;最后,在融合层中,将提取到的时频域特征进行了通道特征融合,作为最终分类器的输入数据,对风机轴承进行了故障识别;并采用美国凯斯西储大学不同大小的轴承数据集,对该方法的适用性和有效性进行了验证。研究结果表明：在仅含有160个样本时,基于并行卷积神经网络(P-CNN)和特征融合的诊断方法的平均准确率高达94.5%;与支持向量机(SVM)、故障网络(FaultNet)、第一层宽卷积核深度卷积神经网络(WDCNN)相比,该诊断方法具有更高的准确率和更强的鲁棒性。     

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。     

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。     

基于深度学习的电机轴承微小故障智能诊断方法*

运用深度学习技术对滚动轴承微小故障发生的位置、类别和严重程度进行精准自动的辨识是当前故障诊断领域研究的热点。传统的故障诊断方法过度依赖于工程师凭经验进行手工特征提取,难以有效提取微小故障特征。提出了一种改进的CNNs-SVM的新方法用于电机轴承的故障快速智能诊断,该方法采用1×1的过渡卷积层与全局均值池化层的组合代替传统CNN的全连接网络层结构,有效减少CNN的训练参数量,在测试阶段采用支持向量机代替Softmax分类器进一步提升诊断准确率。最后将提出的方法用于电机支撑滚珠轴承的故障实验数据并与多种算法对比验证。结果表明,改进CNNs-SVM算法的故障识别准确率高达99.86%,同时在不同负载下具有良好的迁移泛化能力,具备实际工程应用的可行性。其诊断准确率和测试时间明显优于其他智能算法。     

基于Dropout-多尺度空洞卷积神经网络的轴承故障诊断

为了提高故障诊断模型对故障轴承低信噪比信号的特征提取能力,使模型在强噪声环境下仍能发挥作用,提出了一种基于Dropout-多尺度空洞卷积神经网络(D-MDCNN)的滚动轴承故障诊断模型。首先,通过Dropout数据预处理,对训练数据进行“损坏”,强迫模型仅依靠少量特征便可进行故障诊断,以提高模型的抗噪声能力;然后,使用不同扩张率的空洞卷积扩充了多尺度信息,并利用CNN模块来完成对特征的提取与故障诊断;同时,在模型中加入批量归一化处理操作,用来加快模型训练的收敛速度,提高了模型的性能;最后,利用美国凯斯西储大学轴承数据集和东南大学齿轮箱数据集对基于D-MDCNN的模型进行了实验验证,并将实验结果与采用其他深度学习模型所得的实验结果进行了对比分析。实验结果表明：在无噪声至4dB的噪声环境下,D-MDCNN在西储大学和东南大学两个数据集上均可取得99%的诊断准确率;相比于其他同类模型,基于D-MDCNN的模型具有更高的诊断准确率和抗噪声能力。研究结果表明：基于D-MDCNN的模型是一种有效的轴承故障诊断模型。     

非理想数据下基于仿真数据辅助迁移学习的滚动轴承故障诊断

旋转机械在实际工程应用中常处于正常状态,因而呈现故障样本稀少甚至部分缺失等非理想数据情况。针对直接采用非理想数据建立深度学习诊断模型时的低准确率问题,提出基于有限元仿真数据辅助迁移学习的故障诊断方法。首先,通过数值仿真计算不同运行工况和故障类型的轴承信号;进而,利用大量低成本高保真的仿真样本对模型预训练,利用真实小样本或者仿真样本增补后的混合样本进行模型微调,以完成高准确率故障诊断,并降低迁移学习对故障轴承实测数据的依赖;最后,利用两个轴承实验台数据进行验证。结果表明在单类故障样本数为1时,采用所提方法建立的模型准确率超过95%;在故障样本稀少且多类缺失时,准确率比仿真数据直接增补方式提升超10%。     

基于小波变换和Involution卷积神经网络的滚动轴承故障诊断方法

传统卷积神经网络在滚动轴承故障诊断中存在梯度扩散、参数爆炸和训练时间长等缺点,为此提出一种基于Involution卷积神经网络的滚动轴承故障诊断方法。首先,通过小波变换将原始数据转换为时频图,经过数据预处理后送入基于Involution的神经网络模型;然后,经过不同Convolution卷积核对原始图像的局部区域特征进行不同方式的提取,扩展输入图像通道数;最后,通过Involution对特征图的每个像素点进行进一步特征提取,经过softmax层输出分类结果。CWRU轴承数据集和试验轴承数据集的分析结果表明,基于Involution卷积的神经网络模型所包含的参数较少,训练时间短,故障分类准确率可达99.75%,优于传统的CNN,DBN,自编码器等模型。