针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先,为了充分挖掘齿轮箱多通道数据的信息,提出了...针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先,为了充分挖掘齿轮箱多通道数据的信息,提出了基于信息熵加权的多通道融合方法,采用信息熵法计算各通道数据的融合权重,并对各通道的采样数据进行加权融合。其次,利用源域的融合数据对深度迁移模型进行预训练,将预训练得到的模型参数作为目标域模型的初始化参数,同时冻结目标域模型特征提取器的参数,并利用目标域的融合数据对目标域模型分类器的参数进行微调,实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后,齿轮箱多工况迁移诊断试验结果表明,所提方法可有效用于齿轮箱的故障诊断,相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation,BDA)、迁移成分分析(transfer component analysis,TCA)、联合分布自适应算法(joint distribution adaptation,JDA)、统计分布和几何空间联合调整算法(joint geometric and statistical alignment,JGSA)、测地线流式核算法(geodesic flow kernel,GFK)及深度迁移学习方法自适应批归一化(adaptive batch normalization,AdaBN)、多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)、深度卷积迁移学习网络(deep convolutional transfer learning network,DCTLN)这8种当前常用方法,具有更高的平均迁移诊断精度和变工况下良好的泛化性能。展开更多
针对民航机务维修领域安全风险研究过程中文本数据利用不充分造成风险要素遗漏的问题,提出了基于改进LDA的机务风险要素识别模型(TF-IDF and Gaussian function-LDA,TG-LDA)。通过构建机务维修领域词典,改善文本挖掘预处理中分词精度不...针对民航机务维修领域安全风险研究过程中文本数据利用不充分造成风险要素遗漏的问题,提出了基于改进LDA的机务风险要素识别模型(TF-IDF and Gaussian function-LDA,TG-LDA)。通过构建机务维修领域词典,改善文本挖掘预处理中分词精度不高的问题;针对LDA主题模型输入样本量大、噪声多的问题采用TF-IDF算法与高斯函数结合的词条双重优化模型对其优化,最终识别出26类机务维修不安全事件风险要素,并通过可视化进行了风险要素分析。结果表明,与传统算法对比,困惑度由7.19×10^(-4)降低至2.13×10^(-4),改善了文本挖掘中风险要素遗漏的问题,同时识别出机务维修领域主要的风险要素为人员认知存在偏差、维修过程违规作业、人员遗忘/疏漏、检查不全面及飞机部件出现故障。展开更多
针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残...针对旋转机械工况复杂多变、有标签样本不足而导致的故障特征提取困难等问题,提出了一种用于旋转机械故障诊断的改进深度残差网络(improved deep residual network,IDRN)。首先,采集旋转机械一维振动信号进行数据预处理;然后,在深度残差网络的基础上引入了长短时记忆(long short-term memory,LSTM)网络,其中,LSTM网络可以有效捕捉故障的时序信息;在残差块中引入Dropout层提高了故障诊断的精度和收敛速度;最后在轴承与齿轮数据集上验证本文提出方法的有效性。实验结果表明,该方法在堆叠多层网络模型时,没有出现明显的网络退化现象,与当前广泛使用的几种诊断方法进行对比实验,表现出了较高的平均诊断精度和良好的适用性。展开更多
文摘针对齿轮箱单一传感器故障识别精度波动大、数据利用率低、可靠性低及故障诊断模型在多工况下泛化能力不足等问题,提出了一种加权融合多通道数据与深度迁移模型的齿轮箱故障诊断方法。首先,为了充分挖掘齿轮箱多通道数据的信息,提出了基于信息熵加权的多通道融合方法,采用信息熵法计算各通道数据的融合权重,并对各通道的采样数据进行加权融合。其次,利用源域的融合数据对深度迁移模型进行预训练,将预训练得到的模型参数作为目标域模型的初始化参数,同时冻结目标域模型特征提取器的参数,并利用目标域的融合数据对目标域模型分类器的参数进行微调,实现深度迁移模型从源域到目标域的迁移以适应新的目标样本识别任务。最后,齿轮箱多工况迁移诊断试验结果表明,所提方法可有效用于齿轮箱的故障诊断,相比传统迁移学习方法平衡分布自适应算法(balanced distribution adaptation,BDA)、迁移成分分析(transfer component analysis,TCA)、联合分布自适应算法(joint distribution adaptation,JDA)、统计分布和几何空间联合调整算法(joint geometric and statistical alignment,JGSA)、测地线流式核算法(geodesic flow kernel,GFK)及深度迁移学习方法自适应批归一化(adaptive batch normalization,AdaBN)、多核最大均值差异(multi-kernel maximum mean discrepancy,MK-MMD)、深度卷积迁移学习网络(deep convolutional transfer learning network,DCTLN)这8种当前常用方法,具有更高的平均迁移诊断精度和变工况下良好的泛化性能。
文摘针对民航机务维修领域安全风险研究过程中文本数据利用不充分造成风险要素遗漏的问题,提出了基于改进LDA的机务风险要素识别模型(TF-IDF and Gaussian function-LDA,TG-LDA)。通过构建机务维修领域词典,改善文本挖掘预处理中分词精度不高的问题;针对LDA主题模型输入样本量大、噪声多的问题采用TF-IDF算法与高斯函数结合的词条双重优化模型对其优化,最终识别出26类机务维修不安全事件风险要素,并通过可视化进行了风险要素分析。结果表明,与传统算法对比,困惑度由7.19×10^(-4)降低至2.13×10^(-4),改善了文本挖掘中风险要素遗漏的问题,同时识别出机务维修领域主要的风险要素为人员认知存在偏差、维修过程违规作业、人员遗忘/疏漏、检查不全面及飞机部件出现故障。