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。     

自适应辅助分类器生成式对抗网络样本生成模型及轴承故障诊断

故障样本获取困难导致的训练样本不均衡严重影响故障诊断模型的可用性及准确率,因此提出一种基于自适应辅助分类器生成式对抗网络的故障样本生成模型,通过度量判别器与生成器的相对性能自适应地调节生成器损失值,使训练收敛更快、生成数据质量更好。将所提方法、辅助分类器生成式对抗网络方法生成的数据,以及未经处理的试验原始数据作为BP分类模型的输入数据进行试验,结果表明所提方法生成数据训练的模型更优。所提方法与1D-CNN、e2e-LSTM、CFVS-SVM和FFT-CNN等方法的对比结果表明,所提方法的故障诊断准确率、信息处理时间均最优。     

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。     

基于主动生成式过采样和深度堆叠网络的轴承故障诊断

针对数据不平衡分类问题，提出了一种基于主动生成式过采样与深度堆叠网络(DSN)的故障诊断方法。首先，在带有分类器的生成式对抗网络(ACGAN)的训练过程中，将Wasserstein距离作为新目标函数，为生成器提供有效梯度，并根据损失值之比自适应地调整迭代过程中生成器与判别器的训练次数，克服训练不协调所导致的模型收敛困难，以提高ACGAN的训练稳定性，改善生成样本的质量。其次，采用基于委员会查询(QBC)的主动学习算法，并设计多样性评价指标Diversity,对ACGAN生成的高信息熵样本进行二次筛选，以保证所挑选样本的多样性；同时利用筛选出的样本训练判别器，引导生成器生成信息量丰富的少数类样本。最后，在平衡数据集的基础上，训练基于DSN的故障分类模型。通过对比实验验证了所提出方法的有效性。     

基于SCAE⁃ACGAN的直升机行星齿轮裂纹故障诊断

直升机行星传动轮系结构复杂、工况多变,其振动信号受工况影响大,在故障样本较少的情况下导致行星齿轮箱故障诊断准确率不高,早期故障诊断困难。针对上述问题,提出将堆栈收缩自动编码网络(stacked contractive autoencoder,简称SCAE)与辅助分类生成式对抗网络(auxiliary classifier generative adversarial networks,简称ACGAN)相结合的SCAE-ACGAN故障诊断方法。ACGAN的生成器产生与真实样本具有类似分布的生成样本,扩展训练样本集,并与真实样本一起输入至判别器进行训练。ACGAN采用SCAE作为判别器,利用SCAE良好的抗数据波动能力,从扩展样本集中挖掘出有效的深度特征,并实现样本的真伪与类别的判定。ACGAN的判别器和生成器在对抗学习训练机制下交替优化,提高方法的样本生成质量与故障判定能力。将SCAE-ACGAN应用于直升机行星轮裂纹故障诊断,结果表明,SCAE-ACGAN的故障诊断性能好,在样本数量少与工况变化情况下具有较好的健壮性和适应性。     

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。     

基于领域对抗网络的轴承故障诊断方法研究

在使用传统机器学习方法进行机械设备故障诊断过程中,因运行工况复杂多变无法满足测试数据和训练数据的同分布,导致模型诊断性能不高。针对这一问题,提出了一种基于领域对抗网络的设备变工况故障诊断方法。在卷积神经网络基础上,建立了包含特征提取器、故障分类器以及领域判别器的诊断模型,对测试与训练样本进行了分析处理,通过最小化故障分类器损失和最大化领域判别器损失,实现了对机械设备的故障诊断过程;通过在轴承试验台上进行了故障诊断模拟实验,将该方法诊断结果与其他故障诊断方法结果进行了对比,验证了该诊断模型对故障的识别能力。研究结果表明:该方法取得了96%以上的平均诊断准确率,在诊断过程中具有不受训练样本和测试样本差异影响的效果。     

基于改进ACGAN的钢表面缺陷视觉检测方法

为提高小样本环境下钢表面缺陷检测精度,提出一种基于改进辅助分类生成对抗网络（Auxiliary classifier generative adversarial network,ACGAN）的钢表面缺陷检测方法。利用残差块优化ACGAN的网络结构,提高模型的特征提取能力;其次,为提高模型训练的稳定性,在网络的卷积层中添加谱范数归一化,防止模型异常的梯度变化;基于正-未标记分类的思想优化判别器的损失函数,提高生成样本的质量;同时,为缓解生成对抗网络的模式崩塌问题,在损失函数中添加梯度惩罚来约束判别器的梯度;通过生成器和判别器的对抗优化训练实现样本扩充。通过对钢表面缺陷数据集的试验,验证了提出的方法能准确有效地实现小样本环境下钢表面缺陷检测。与经典的SVM、ResNet50以及一些小样本分类模型相比,所提方法具有更高的检测精度。     

联合训练生成对抗网络的半监督分类方法

深度神经网络需要大量数据进行监督训练学习,而实际应用中往往难以获取大量标签数据.半监督学习可以减小深度网络对标签数据的依赖,基于半监督学习的生成对抗网络可以提升分类效果,但仍存在训练不稳定的问题.为进一步提高网络的分类精度并解决网络训练不稳定的问题,本文提出一种基于联合训练生成对抗网络的半监督分类方法,通过两个判别器的...     

基于粗糙集-BP神经网络的垃圾破碎机故障诊断

针对目前垃圾破碎机故障诊断效率低的问题,设计了一种基于粗糙集理论与BP神经网络的故障诊断系统。结合粗糙集理论和BP神经网络的优点,首先利用粗糙集对原始故障诊断样本进行处理,然后对条件属性进行约简,删除冗余的信息,减少神经网络输入端的数据,从而简化神经网络的结构。并将基于粗糙集-BP神经网络的故障诊断系统对垃圾破碎机进行故障诊断。利用粗糙集对故障知识进行约简,简化BP神经网络结构,提高故障诊断的速度及准确度。将此方法应用于某型号垃圾破碎机的故障诊断中,诊断结果表明所提诊断方法可简化神经网络结构,提高诊断效率。     

不平衡技术在轴承故障诊断中的应用

为解决实际工程环境中因轴承故障数据缺失引起的数据不平衡,进而影响模型诊断的问题,提出了不平衡数据处理技术在轴承故障诊断中的应用,即使用少量数据,训练出一个能够诊断多种轴承故障的模型.针对不同种类故障数据的边界混淆及类内不平衡,首先对少数类样本进行高斯混合模型( GMM )聚类,根据簇密度分布函数使用 GMM-SMOTE 进行权重采样,然后针对边界混淆问题使用 Tomek’s Link 数据清洗技术进行边界混淆样本数据清洗,形成类内类间平衡的数据集,结合超参数优化的支持向量机(SVM )模型进行诊断分析.实验结果表明,该方法效果良好,在轴承的故障诊断中有较好的实际工程意义和推广性.     

基于格拉姆角场和CNN-RNN的滚动轴承故障诊断方法

针对卷积神经网络难以处理时间序列数据和循环神经网络难以提取数据深层特征的问题,提出了一种基于深度卷积网络和循环神经网络相结合的滚动轴承故障诊断方法.首先,使用格拉姆角场(GAF)编码将一维轴承振动信号构造为时序图像并划分为训练集、验证集和测试集;然后,将训练集和验证集输入VGG16模型进行特征提取,将提取到的特征输入R...     

基于融合特征的双通道CNN滚动轴承故障识别

针对传统的滚动轴承故障识别方法效果较差,对专家经验依赖较高的问题,提出一种基于融合特征的双通道CNN滚动轴承故障识别方法.该方法首先将原始信号采用小波分解方法生成时频图,再将时频图和原始故障信号融合输入到Lenet-５网络中,进一步对故障特征进行准确提取,在输出层对数据进行融合,使用Softmax分类器对轴承故障进行分类.实验结果表明,该方法对不同种类的滚动轴承故障的识别均能做出准确的判断,识别准确率高.     

基于Bagging-MCNN模型的不均衡样本轴承故障诊断方法

针对轴承不均衡样本情景下故障诊断存在的精度与泛用性不高问题,借鉴集成学习获取强监督模型的方法,结合对不均衡样本进行采样处理的类别重组法,提出一种基于Bagging思路的多通道卷积神经网络(Bagging-MCNN)故障诊断模型。首先将原始数据进行标准化处理并划分为训练集与测试集,对训练集进行放回采样构造多个训练子集,同时对测试集进行乱序操作;然后将构造完成的新集合放入多通道卷积神经网络模型进行训练,获得各卷积网络子模型的判别矩阵,融合所有判别矩阵获得最终的诊断结果。在公开轴承数据集上进行试验验证,结合Bagging思路的多通道卷积神经网络故障诊断方法在均衡以及不均衡情景下的诊断精度相较普通卷积神经网络模型,分别提高了1.1%与10.8%,同时提高了模型的收敛速度以及诊断稳定性。     

基于关联规则的多普勒天气雷达故障挖掘算法分析

基于辽宁丹东多普勒天气雷达等台站,针对当前多普勒天气雷达发射机、接收机、伺服等软硬件故障挖掘过程中,受冗余、缺失、错误数据的影响导致最终挖掘率和挖掘准确率不高,误挖率以及漏挖率始终较高的问题,提出了基于关联规则的多普勒天气雷达故障挖掘算法.该算法利用关联规则挖掘技术原理以及相关定义定理,将收集到的多普勒天气雷达故障数据集划分成不同区域,滤除弱关联故障数据,保留强关联故障数据,完成对多普勒天气雷达故障数据的预处理,并构建了故障原始判断表和故障挖掘模型,在此基础上,利用故障原始判断表和挖掘模型对多普勒天气雷达故障进行定位和类别判断,完成挖掘.性能测试结果显示,采用所提算法能够实现多种类型多普勒天气雷达故障的高精度挖掘,为多普勒天气雷达系统的安全、稳定运行提供了有效保障.     

深度学习融合模型在机械故障诊断中的应用

为了解决浅层学习与传统深度学习模型因机械装备结构复杂、工作环境噪声和大数据等因素引起的诊断困难问题,提出了一种基于降噪自编码器和深度信念网络的融合模型,来实现高效准确的故障诊断。首先,降噪自编码器用于处理原始信号的随机噪声并学习低层特征;其次,深度信念网络用基于所学习的低层特征来学习深层特征;最后,将深度特征输入粒子群支持向量机中,对诊断模型进行训练。所提出的方法被应用于滚动轴承的故障诊断,结果表明与现有方法相比,该方法更加有效和鲁棒。     

基于注意力机制的一维卷积神经网络行星齿轮箱故障诊断

针对行星齿轮箱故障信号成分复杂和时变性强的特点,提出了基于注意力机制的一维卷积神经网络(１D-CNN )行星齿轮箱故障诊断方法.首先,将行星齿轮箱各类故障状态的原始振动信号进行分段处理,作为模型的输入;其次,利用一维卷积神经网络对行星齿轮箱的原始振动信号学习齿轮故障特征,结合注意力机制( AM )对特征序列自适应的赋予不同的权重,增强故障特征信息;最后,利用 Softmax 分类器实现行星齿轮箱的故障诊断.通过故障实验验证以及与其他模型的对比,该故障诊断模型具有较强的学习能力,诊断性能优于其他的深度学习模型,有较好的工程实际意义.     

在轨飞轮故障诊断混合框架设计

为提升飞轮的可靠性,本文对飞轮故障诊断技术进行了研究。通过对基于数学解析模型与基于智能计算的故障诊断方法的对比研究,提出了一种基于神经网络的混合故障诊断方法。该方法首先使用数学解析模型与原系统输出的差值作为一级残差;而后利用该一级残差以及系统可测状态对神经网络进行训练;然后使用混合模型输出的二级残差对系统故障进行检测;最后以飞轮注入母线电压以及电枢电流故障对该方法进行验证:在存在母线电压故障工况下混合模型避免了解析模型电流估计的发散问题,与单神经网络模型相比最大跟踪误差降低了44%。在存在电流故障时,不同的转速工况下与两种单模型相比混合模型的最大跟踪误差降低了90%,跟踪方差减小了10倍以上。混合方法可以有效解决由于解析模型存在建模误差引起的故障诊断不够准确的问题以及由于缺乏训练数据所引起的单神经网络模型不能适应新工况的故障诊断问题。