基于改进卷积生成对抗网络的少样本轴承智能诊断方法

轴承样本较少会使模型学习不充分,导致诊断准确性不高。为解决这一问题,构建了一种改进的卷积生成对抗网络,借助生成对抗网络的数据生成能力和改进深层卷积网络的特征提取能力,提高复杂工况下少样本轴承故障诊断准确性。首先,构建了一种深度卷积对抗生成网络,通过生成器和判别器的对抗学习挖掘真实数据的深层特征,用以生成相似的模拟数据,以弥补少样本的不足;其次,将密集块与扩容卷积引入卷积神经网络中,从深度和广度两个方面提升网络的学习能力,挖掘多类别数据中细微差距,增强复杂数据的故障特征提取性能;最后,采用定工况和变转速两种少样本轴承数据进行方法验证与对比分析,结果表明新构建的对抗网络在少样本、含噪声等复杂情形下仍然具有较高的诊断准确率。     

小样本条件下轴承故障的DCGAN诊断方法

针对基于故障数据图像的诊断方法所需训练数据严重不足以及在小样本故障库条件下诊断准确率较低等问题,提出了一种基于深度卷积生成对抗网络（deep convolutional generative adversarial networks, 简称DCGAN）的扩充滚动轴承故障小样本库的方法,以丰富故障信息,在小样本故障库条件下提高故障诊断准确率。为了改善传统算法易产生的棋盘格效应,设计上采样卷积（up-sampling convolution, 简称USCONV）层,将传统DCGAN算法与双线性插值的上采样及卷积相结合,对故障数据小波变换图像进行训练学习,输出逼真的生成样本。该模型针对多种故障情况,在小样本故障库条件下能准确完善数据集,缓解过拟合等问题,提高了再诊断的准确性。实验结果表明,USCONV层对棋盘格问题有明显改善,小样本库扩充后诊断模型对包含多种故障情况的测试集识别率由91.67%提升至98.96%,证明了该方法的可行性和有效性。     

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。     

迁移学习在机械设备故障诊断领域的进展研究

迁移学习是一种新兴的机器学习方法,通过运用已学习的知识对不同但相关领域问题进行求解,能够较为有效的解决模型泛化能力弱、样本数据不足等问题。针对迁移学习在机械设备故障诊断领域的应用方法进行了综述,总结了三类关于迁移学习的诊断预测方法,并对迁移学习在故障诊断领域的未来研究方向进行了探讨。     

IDCGAN及其在滚动轴承故障诊断中的应用

目前以人工神经网络为代表的模式识别方法已被广泛应用到故障诊断领域,但这些方法通常需要大样本数据进行模型训练,而工程实际中通常存在数据不足的情况。因此需要合适的方法进行小样本情况下的故障诊断。深度卷积生成对抗网络能够实现样本生成。它不仅提高了对数据的学习能力,还对网络设定了一连串的限制,增加了网络的稳定性和收敛性。但其存在着训练不稳定和生成样本质量不高的问题。对深度卷积生成对抗网络进行了改进,提出了一种改进的深度卷积生成对抗网络（Improved-deep Convolutional Generative Adversarial Networks,简称IDCGAN）然后运用到滚动轴承故障诊断中。实验信号分析结果表明了该方法的有效性。     

基于ACGAN的功率变换器参数性故障诊断方法

提出了一种基于辅助分类生成对抗网络的功率变换器参数性故障智能诊断方法。首先采集功率变换器的测点电压与支路电流信号,提取信号的时域特征,构成故障特征向量。采用对抗学习机制训练生成器和判别器,由ACGAN中生成器构造与真实故障特征分布近似的伪数据,从而将伪数据与真实数据同时用于训练判别器,判别器通过判别真伪数据来训练生成器。以Buck变换器为例,验证了所提出的故障诊断方法的可行性,结果表明ACGAN故障诊断方法相对于传统神经网络具有更高的故障诊断率与更优的泛化性能。     

基于边界辅助判别的滚动轴承故障特征增强及诊断方法

滚动轴承作为机械设备重要部件,对保障设备安全稳定运行具有重要意义。针对实际诊断中的滚动轴承故障数据不平衡问题,提出了一种基于边界辅助判别的辅助分类生成对抗网络模型(BD-ACGAN)。首先,设计了一种可用于提取故障样本边界细节特征的边界辅助判别器,以引导生成器生成更真实的样本,并采用该生成样本解决了数据不平衡的问题;其次,采用了自适应权重损失模块,动态调整了损失权重,使该模型更加关注重要的特征信息,从而提高了该模型的生成质量和特征表达能力;利用生成样本和真实样本数据对BD-ACGAN模型进行了增强训练,提高了该模型的泛化能力和诊断能力;最后,进行了消融实验及对照实验,对BD-ACGAN模型的特征增强能力和诊断效果进行了验证,分别采用美国凯斯西储大学和西安交通大学滚动轴承数据集对模型进行了实验验证。研究结果表明：该BD-ACGAN模型能够有效利用故障样本的边界特征解决数据不平衡问题,并且故障诊断精确度为98.79%,优于其他对照模型,为滚动轴承故障诊断提供了一种新的方法。     

基于改进特征选择方法的齿轮故障SVM诊断

为提高齿轮故障诊断的精度,对常用的共享特征选择方法(Share feature selection,SFS)进行改进,提出了改进的特征选择方法(Improved feature selection,IFS).改进的特征选择方法结合齿轮两两故障类型之间的特点,在齿轮两两故障之间建立独立的故障特征集,用以取代所有故障类型的...     

基于MWT和CNN的滚动轴承智能复合故障诊断方法

提出一种基于多小波变换（MWT）和卷积神经网络（CNN）的滚动轴承智能复合故障诊断方法。对滚动轴承的振动信号进行去除后处理的MWT,得到相应的多小波系数分支;用所得多小波系数分支构造特征图,建立CNN分类器组模型,以实现滚动轴承复合故障的智能诊断。基于人工轴承故障数据集进行了实验研究,同时对诊断方法作了优化改进,即对振动信号进行MWT,用所得多小波系数矩阵构造特征图,建立CNN分类器模型,并进行了对比实验研究。结果表明,该方法能有效识别滚动轴承的复合故障,改进的方法能有效提高故障识别率,降低训练成本。     

基于EMD和支持向量数据描述的故障智能诊断

针对数据维数过高导致的支持向量数据描述的分类结果不理想的问题,提出了一种基于经验模式分解特征提取和支持向量数据描述的故障智能诊断方法,将提取实测信号经经验模式分解后的各基本模式分量的能量作为信号特征,进行支持向量数据描述分类器的训练和分类。滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,降低数据维数,提高单值分类在故障智能诊断中的准确性。     

基于VAE-MSGAN网络的复杂细节图像生成方法

生成式对抗网络被广泛应用于图像生成领域,但其在图像生成时模型不易收敛,导致生成图像的局部细节易出现背景模糊问题.将变分自动编码器与生成式对抗网络相结合,在两者图像生成方面优势相结合的基础上,引入多尺度判别器,提出了VAE-MSGAN网络模型.通过不同尺度的卷积核可以提取到更加丰富的特征信息,并通过加入批标准化(BN)层...     

基于DBN的故障特征提取及诊断方法研究

随着装备日趋复杂化,依靠专家经验或信号处理技术人工提取和选择故障特征变得越来越困难。此外,以BP神经网络、SVM为代表的浅层模型难以表征被测信号与装备健康状况之间复杂的映射关系,且面临维数灾难等问题。结合深度置信网络(DBN)在提取特征和处理高维、非线性数据等方面的优势,提出一种基于深度置信网络的故障特征提取及诊断方法。该方法通过深度学习利用原始时域信号训练深度置信网络并完成智能诊断,其优势在于能够摆脱对大量信号处理技术与诊断经验的依赖,完成故障特征的自适应提取与健康状况的智能诊断,该方法对时域信号没有周期性要求,具有较强的通用性和适应性。在仿真数据集和轴承数据集上进行了故障特征提取和诊断实验,实验结果表明:本文提出的方法能够有效地从原始信号中进行多种工况、多种故障位置和多种故障程度的故障特征提取和诊断,并且具有较高的故障识别精度。     

基于贝叶斯网络的机械设备故障诊断方法研究

建立了一种基于贝叶斯网络的机械设备故障诊断模型,引入评分函数和蚁群算法对模型进行了优化,在模型建立过程中引入知识进行自我学习,减少了因检测对象造成的不确定信息,提高了机械设备故障检测的可信度,最后通过实例进行了验证。     

基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法

为了能全面准确识别齿轮的故障类别,建立了基于时域、频域以及能量等多域特征参数的特征空间模型。在此基础上,提出了一种基于多域特征与改进D-S证据理论的齿轮故障智能诊断方法。通过实验台实测数据提取相关特征参数作为诊断样本,以粒子群优化支持向量机的初步诊断结果构建多个证据体。实验结果验证了改进D-S证据理论融合证据体诊断结果的有效性。     

基于深度宽卷积 Q 网络的行星齿轮箱故障智能诊断方法

针对行星齿轮箱故障诊断常依赖较强的专业知识,诊断模型通用性差的问题,基于深度强化学习,提出一种深度宽卷积Q网络的行星齿轮箱故障智能诊断方法。首先将行星齿轮箱的故障诊断分解为序贯决策问题,采用分类马尔科夫决策过程进行描述,并建立故障诊断模拟环境;其次设计深度宽卷积神经网络作为深度Q网络模型中的动作值网络,增强对环境状态的感知能力;最后模型通过与环境间的不断交互,并依据环境反馈的奖励,自主学习最佳诊断策略,从而完成行星齿轮箱的状态辨识。试验及案例结果表明：该方法能够在多个工况下均可有效、准确地实现行星齿轮箱的智能诊断,诊断准确率均超过99%,增强了诊断模型的泛化性和通用性。     

设备故障智能诊断方法的研究

模糊聚类、粗糙集理论、灰色系统理论等相关技术曾被广泛应用于设备故障诊断中,但是模糊聚类只能对已知样本做出决策,不具有柔性,不能通过已知信息和聚类结果对问题所涉及领域内的新样本的类别做出决策;粗糙集理论不能处理连续变量;而灰色系统理论无法去除故障诊断中冗余的特征参数,不能区分各特征参数的重要性,因而制约了它们在故障诊断中的应用.在本文中,这几种理论被有机地结合起来,应用于设备故障诊断中.在故障诊断过程中,首先利用模糊c均值聚类对样本的参数进行离散化处理,求得各类别的聚类中心,接着基于粗糙集原理对设备特征参数进行约简,去除冗余参数,定量确定各特征参数的重要程度,然后根据约简的特征参数和各参数的重要程度,利用灰色关联分析的方法确定各种标准故障状态与目前设备状态的关联度,从而找到设备的故障所在之处.在本文最后部分通过实例证明,将模糊c均值聚类、粗糙集理论和灰色系统理论结合起来,应用于设备的故障诊断中是一种行之有效的方法,为智能故障诊断提供了理论基础.     

给水管网故障智能诊断方法

针对传统的支持向量机(support vector machine,简称SVM)参数选择方法以人工试验为主,花费时间长且很难得到最优参数的问题,提出了一种基于遗传算法(genetic algoritlam,简称GA)的支持向量机参数自动寻优方法.利用GA的全局搜索能力对支持向量机的各项参数进行寻优预处理,找到最优的参数取值,建立基于遗传算法的支持向量机模型(GA-SVM).以某小型给水管网为研究对象,采用水力分析算法求得管网局部破坏状态下的各项数据,并用这些数据对预测模型进行故障诊断试验,结果表明,经遗传算法优化的支持向量机模型具有较高的预测精度,整体性能优于传统的BP神经网络模型.     

基于神经网络对轴承故障的智能诊断

已知试验轴承的故障特征参数与非故障特征参数,采用何种方法对采自实际应用场合的轴承信号进行判断和处理是问题的关键。对比感知器网络和径向基函数网络对轴承的诊断结果,证明径向基函数网络具有较多的优越性,便于实际应用。     

半监督阶梯网络和GAN在滚动轴承故障诊断的应用

滚动轴承是旋转机械的关键部件,统计表明,约30%的旋转机械故障出现在滚动轴承处。人工智能的发展给工业生产中的故障诊断提供了新途径,深度学习已经成为旋转机械故障诊断的一种新颖且有效的方法。普通神经网络的训练需要大量各种情况下的带标签数据,然而现实中工业数据存在不平衡和标签成本高等问题,限制深度学习在工业实际中故障诊断的发展。这里针对滚动轴承监测数据不平衡和缺少标签等问题影响深度学习在工业领域落地应用的情况,提出一种基于半监督阶梯网络和生成对抗网络（GAN）的方法,建立GAN-SSLadder分类模型,基于公开的轴承故障数据库,实现在标签少,数据量小的情况下测试集的识别准确率达到95.5%。