排序方式: 共有13条查询结果,搜索用时 15 毫秒
1.
现有无监督的轴承跨域故障诊断研究往往采用充足的试验台数据构建源域,且难以兼顾领域间的边缘分布和条件分布对齐,此外在域适配过程中全体源域样本被赋予相同的重要性。针对以上挑战,提出了一种仿真数据驱动的改进无监督域适应轴承故障诊断新方法。采用仿真所得的故障信息丰富,标签数据充足的轴承故障数据构建源域,降低对试验台资源的依赖。设计了一种嵌入联合最大均值差异的改进损失函数,在无监督场景下实现了不同域间边缘分布和条件分布的同时对齐。开发了一种源域样本权值分配机制,通过领域预测误差衡量源域样本与目标域样本的相似性从而自适应地分配其权值以抑制负迁移。使用两组试验台数据作为目标域对所提方法进行验证,结果表明:所提方法能够充分适配仿真域和实验域的深层特征分布,提高无监督跨域场景下的故障诊断精度。 相似文献
2.
可用故障数据的匮乏给时变转速下转子-轴承系统的端到端故障诊断带来严重挑战,生成对抗网络为解决小样本故障诊断问题提供新思路,但其仍存在梯度消失、全局关联特征学习能力较弱和训练效率较低等缺点。因此,提出一种双阈值注意力生成对抗网络,用于生成高质量的红外热成像图片,以解决时变转速下转子-轴承系统的小样本故障诊断难题。首先,结合Wasserstein距离和梯度惩罚设计新型对抗损失函数,避免训练过程中的梯度消失。其次,构建注意力嵌入的生成对抗网络以指导学习红外热成像图片的全局热力关联特征。最后,开发双阈值训练机制进一步提高生成样本质量和训练效率。将所提方法用于分析转子-轴承系统的实测红外热成像图片,结果表明,所提方法能辅助准确诊断时变转速及小样本下的不同故障模式,性能优于目前常用的生成对抗网络方法。 相似文献
3.
4.
5.
实际工程中难以获取充足可用且同分布的齿轮箱故障样本,此外,获取的无标签样本难免会混入一些分布外的未知干扰样本,这些将给现有的齿轮箱智能故障诊断研究带来难题。提出一种改进半监督原型网络,面向分布外样本干扰,实现少样本下不同工况间的齿轮箱跨域故障诊断。首先,设计一种标签分配准则,既可以充分挖掘利用无标签样本信息,为无标签样本赋予伪标签,同时也可以有效抑制分布外未知样本的干扰。然后,定义一种基于标签平滑和度量缩放的修正代价函数,可以灵活有效地评估故障样本之间的相似性,挖掘元学习任务的通用特性,进一步提高模型泛化性。将所提方法用于分析不同健康状态的齿轮箱试验数据,并设置不同的少样本跨域诊断场景和分布外干扰样本进行对比验证。试验结果表明,相比现有方法,所提方法可以更有效地实现少样本下不同工况间的齿轮箱跨域故障诊断。 相似文献
6.
新近的基于图神经网络(GNN)的轴承半监督故障诊断研究仍存在标签信息挖掘不充分和诊断场景较理想等问题。工程实际中,轴承经常运行于启停等时变转速工况,且故障标签样本的获取成本越发昂贵。针对以上挑战,该文提出时变转速下基于改进图注意力网络(GAT)的轴承半监督故障诊断新方法。基于K最近邻(KNN)算法和平滑假设(SA)设计伪标签传播策略,将标签信息沿边传播给分布相似的邻域样本,从而充分利用有限样本的标签信息。将每个振动频谱样本视为一个节点,构建基于节点级图注意力网络的半监督学习模型,通过注意力机制进一步挖掘代表性的轴承故障特征。将所提方法用于分析两组时变转速下轴承故障实验数据,结果表明所提方法能够在不超过2%的低标签率情况下,准确诊断轴承的不同故障模式,性能优于其他常用的图神经网络半监督学习方法。 相似文献
7.
8.
针对现有的滚动轴承故障诊断方法(例如:小波变换和集合经验模态分解)的周期识别能力并不稳定等问题,我们提出了具有良好的周期分量提取能力的自适应周期模态分解(Adaptive periodic mode decomposition, APMD)方法。然而该方法所采用的最大似然估计方法在强噪声背景下估计周期时常出现错误,这导致APMD在强背景噪声下的周期提取性能并不稳定。为此,我们定义了自适应频率加权能量算子(Adaptive frequency weighted energy operator,AFWEO),并将其用于增强周期脉冲。然后,提出了一种新的周期估计策略以提高周期估计的准确性,并在此基础上提出了增强Ramanujan模态分解(Enhanced Ramanujan mode decomposition, ERMD)方法。滚动轴承仿真和实验信号分析结果表明,新的周期估计策略在强背景噪声下依然有效,同时也说明了ERMD具有优良的周期成分识别和提取能力,是一种有效的滚动轴承故障诊断方法。 相似文献
9.
10.
实际工程中,含标注信息的轴承监测数据严重缺乏,这将导致其智能故障诊断模型难以有效构建。提出了一种基于提升深度迁移自动编码器的新方法用于不同机械设备间的轴承故障智能诊断。首先,采用可缩放指数型线性单元作为标准自动编码器的激活函数,提升原始振动数据的映射质量。然后,非负约束用于修正代价函数,进一步减少重构误差。其次,构建提升深度自动编码器并用充足可用的源域数据进行预训练,得到的参数作为目标模型的初始化参数。最后,目标域中仅有的一个训练样本用于目标模型的微调以适应剩余的测试样本。将所提方法用于分析不同轴承的试验振动数据,结果表明,所提方法能基于原始振动数据有效实现不同种机械设备间的迁移诊断。 相似文献