基于伪标签深度学习的半监督滚动轴承故障诊断模型

针对实际工程应用中被标记的滚动轴承故障样本收集困难,传统诊断模型精度较低的问题,提出一种伪标签学习融合参数迁移深度学习网络的半监督滚动轴承故障诊断模型。首先将ImageNet数据集上预训练的残差网络（Residual Network,ResNet）模型参数迁移至本文模型中作为初始参数,并使用不同学习率微调网络层参数以加快模型收敛速度;随后引入伪标签半监督学习,使用标签数据训练模型并对无标记数据进行预测以生成伪标签;最后使用标签数据以及伪标签数据训练参数迁移后的ResNet模型,并测试诊断效果。对两种滚动轴承故障数据进行半监督下故障诊断实验及跨域故障诊断实验。实验结果表明,在具有大量未标记样本集下,所提出模型可迁移至不同设备完成诊断,具有较强的鲁棒性,可用于处理复杂工业环境中的故障诊断问题。     

基于教师-学生网络的半监督故障诊断模型

针对神经网络模型在有标签样本数量较少的情况下,容易产生网络过拟合、故障诊断精度低、不能充分利用大量无标签样本数据等问题,提出一种基于连续小波变换和教师-学生网络的半监督学习方法用于旋转机械的故障诊断。该方法以改进的LeNet5卷积神经网络模型为基础,建立具有相同结构和初始化参数的学生网络模型和教师网络模型。首先,将旋转机械振动信号进行连续小波变换,将其转换为三维时频图像。接着,利用教师模型的预测结果生成伪标签,将这些伪标签和真实标签结合起来,训练学生网络。同时,通过指数加权移动平均算法更新教师网络模型参数。试验结果表明,相对于纯监督学习模型,所提出的算法能够在有标签样本数量较少的情况下显著提高模型训练过程的稳定性和故障诊断的精度。     

基于在线半监督学习的故障诊断方法研究

针对机械故障诊断中准确、完备的故障训练样本获取困难,而现有分类方法难以有效地发掘大量未标记故障样本中蕴含的有用信息,提出了一种基于在线半监督学习的故障诊断方法.该方法基于Tri-training算法将在线贯序极限学习机从监督学习模式扩展到半监督学习模式,利用少量不精确的标记样本构建初始分类器,并从大量未标记样本中在线扩充标记样本,对分类器进行增量式更新以提高其泛化性能.半监督基准数据试验结果表明,训练样本总数相同但标记样本数与未标记样本数比例不同时,所提算法得到的分类准确率相当且训练时间相差小于1.2倍.以柴油机8种工况的故障模式为对象进行试验验证,结果表明标记故障样本较少时,未标记故障样本的加入可使故障分类准确率提高5％～8％.     

故障诊断专家系统在制冷系统中的实现研究

本文介绍了作者开发的一个适于诊断蒸气压缩冷循环故障的专家系统软件，用户中需输入必要的制冷系统运行中采集的数据，或辅以要的人机对话，即能诊断该系统是否发生故障，该专家系统经多方试验验证，取得了满意的效果，证明有一定的实用价值。     

基于概念漂移检测的制冷系统故障诊断模型自适应

制冷系统实际运行中,故障诊断模型可能出现诊断性能波动或下降等情况,需具备再学习能力以适应现场数据。本文设计了一种基于正确率阈值的概念漂移检测机制及支持向量机增量学习的故障诊断自适应模型,并将其应用于制冷剂过量故障的再学习。该算法通过两次优化选择、过滤数据信息,保留原有诊断知识,仅学习未知样本信息,可极大地节约模型学习时间,快速适应新环境。结果表明,新的故障种类出现时,诊断模型检测到概念漂移,进而通过增量学习进行自我更新,实现对新故障的学习与诊断。1 400个过量故障样本中诊断模型只需要学习600个,且保证最终模型对后续数据流具有较佳诊断性能,正确率高达99%。在现场制冷系统故障诊断应用中,诊断模型的再学习和自适应体现出良好的应用前景。     

应用VB开发制冷系统故障诊断专家系统

专家系统在制冷空调领域的开发应用比较多。本文介绍了用VB开发制冷系统故障诊断专家系统，着重介绍了其核心部分：知识库和推理机的开发。     

制冷系统故障诊断中模糊模式识别技术的应用

模糊数学是人类认识事物的规律之一。本文将这一概念引入制冷系统故障诊断技术中,使制冷系统运行参数量化问题得到更合理的解决。     

通过实验选择空调制冷系统故障诊断检测参数

空调制冷系统是一个比较复杂的系统，应通过搭建故障诊断实验台，获得诊断程序中所需的故障范例集。本文共模拟了十一种故障，列出了各故障与原因之间的对应关系从而建立故障诊断范例集。     

制冷系统故障诊断若干方法研究

本文是多年从事制冷系统故障诊断技术研究的理论总结,它主要介绍了在制冷系统故障诊断中可以采用的几种方法：经典专家系统,模糊数学,人工神经网络和小波分析,还指出了各种方法的优缺点。只要掌握了它们的实质,这些方法还可以联合运用,对于实际应用有一定的借鉴价值。本文祈望能进一步推进我国制冷空调行业创人工智能技术。     

基于改进半监督生成对抗网络的少量标签轴承智能诊断方法EI北大核心CSCD

轴承在线监测大数据主要是由大量无标签数据和少量有标签数据组成的。已有的智能诊断方法多依赖于大量有标签数据的监督学习。针对此问题,提出一种改进半监督生成对抗网络,利用生成器与分类器的对抗学习增强分类器的辨识能力,提出了增强特征匹配算法,借助分类器的深层特征优化网络损失值计算,进而提高网络收敛速度,结合半监督学习使用少量有标签数据进一步提升分类器的学习能力,最终实现对无标签数据的正确归类。使用四组轴承试验数据的迁移学习验证和对比了改进深度网络对不同轴承、工况、故障生成模式、故障程度的辨识能力,结果表明该网络具有更高的分类准确率和更快的收敛速度。     

模糊数学在制冷故障诊断专家系统中的应用

基于专家系统的诊断方法是故障诊断领域中最为引人注目的发展方向之之一。在故障诊断专家系统中，无论从现象的获得或现象到故障的推理，甚至故障诊断的基本原理三个方面都存在着模糊性。本文将模糊数学引入制冷系统故障诊断技术中，较好地解决了这一问题。     

Fault Diagnosis for Non-linear System Based On Adaptive Fuzzy System

１ＩｎｔｒｏｄｕｃｔｉｏｎＬｏｔｓｏｆｖａｌｕａｂｌｅｒｅｓｕｌｔｓｆｏｒｆａｕｌｔｄｉａｇｎｏｓｉｓｏｆｌｉｎｅａｒｓｙｓｔｅｍｂａｓｅｄｏｎｍｏｄｅｌｈａｖｅｂｅｅｎａｃｈｉｅｖｅｄ，ｂｕｔｉｔｉｓｄｉｆｉｃｕｌｔｙｔｏａｐｐｌｙｔｈｅｓｅｒｅｓ...     

基于CBR的机载雷达故障诊断专家系统研究

以故障诊断的理论和方法为基础,综合运用神经网络、基于案例推理(CBR)和专家系统理论,对雷达装备的故障诊断问题进行研究,形成一个集成的智能诊断专家系统。介绍了系统的总体结构和工作原理,并给出具体的诊断实例,此方法充分利用神经网络和CBR的优点,将提高雷达装备故障诊断的正确性和效率。     

基于改进灰色关联度的机械故障诊断

故障征兆和故障类型之间存在的非线性关系决定了传统的方法难以完全满足工程应用的要求。为此提出一种改进面积广义灰色关联度来分析序列之间的相似性与相近性,以期能有效诊断冷冻压缩机的故障类型。     

基于Lyapunov指数谱的转子-机匣系统故障诊断研究

发展了基于Lyapunov指数谱的航空发动机转子-机匣系统故障诊断方法。基于实测的航空发动机机匣振动时间序列求解了系统不同状态的Lyapunov指数谱;基于Lyapunov指数谱,应用最大Lyapunov指数和Lyapunov指数谱图对航空发动机转子-机匣系统进行了故障诊断。研究结果表明:航空发动机机匣振动时间序列在不同状态下具有不同的Lyapunov指数谱,即可以Lyapunov指数谱作为故障诊断的特征量。     

基于IVMD和马田系统的滚动轴承故障检测方法

针对滚动轴承运转信号单一特征参数对早期故障的敏感性、可靠性问题,提出一种基于IVMD和马田系统的滚动轴承故障诊断方法。该方法首先根据谱相关系数确定VMD分解层数;其次,通过VMD方法对机械振动信号进行处理得到一系列有限带宽固有模态函数,并计算各模态函数的特征参数,在此基础上构建MTS系统的基准空间。引用信噪比的方法筛选有效特征变量,并重新构建MTS的基准空间。最后,计算待诊断信号到基准空间的马氏距离来检测轴承故障,建立滚动轴承早期故障的诊断控制指标。     

Fault Diagnosis of an Intelligent Building Facility Using Bayesian Networks

There is great significance to diagnose the fault of an intelligent building facility for fault controlling, repairing, eliminating and preventing. As an example, this paper established a Bayesian networks model for fault diagnosis of the refrigeration system of an intelligent building facility, gave the networks parameters, and analyzed the reasoning mechanism. Based on the model, some data was analyzed and diagnosed by adopting Bayesian networks reasoning platform GeNIe. The result shows that the diagnosis effect is more comprehensive and reasonable than the other method.     

MDCNet轴承智能故障诊断方法研究

目的 为解决轴承故障特征时频图像难以识别的问题,在进行时频图像训练和学习故障特征的基础上,提出新的故障诊断方法。方法 本文提出一种MDCNet网络,该网络由多尺寸卷积核模块（Multi-Size Convolution Kernel Module）、双通道池化层（Dual-Channel Pooling Layer）和跨阶段部分网络（Cross Stage Partial Network）组成。首先,将采集的振动信号经过同步压缩变换,得到信号的瞬时频率图像,然后输入神经网络获得故障诊断结果。结果 将提出的方法在西储大学轴承数据集进行预测,准确率达到了99.9%。与AlexNet、VGG–16、Resnet等传统方法进行对比试验,结果表明MDCNet方法分类精度可达99.9%,高于传统方法的分类精度（95.70%、98.51%、97.64%）。结论 结果表明,本文所提出方法的预测准确率高于其他方法的,验证了该方法在包装机械故障诊断中是可行的。