深度多模态迁移学习在轴承故障诊断中的研究

在工程实际中,设备数据样本往往以正常数据居多。故障样本稀缺且模态单一使得可用于训练的故障信息特征提取不足,同时训练和测试数据分布往往存在差异,从而导致模型迁移诊断能力较弱。针对该问题,提出将深度学习模型CNN与多模态融合迁移学习技术相结合(Deep Multimodal Fusion Transfer Learning,DMFTL)应用于轴承的故障诊断中。首先以CNN为基本学习框架,将原始一维振动信号的时域和频域进行多模态信息融合对模型预训练;然后以最大均值差异(MMD)为度量准则,通过域自适应来最小化源域和目标域的差异;最后引入构造的正则项到模型中,以完成跨域诊断。通过对CWRU轴承数据集的迁移诊断试验及对比分析,验证了该方法的有效性和优越性。

声学成像和深度学习的诊断与定位方法

针对传统的基于振动信号的故障诊断技术无法兼顾定位与诊断的问题,提出一种基于声音信号的反卷积成像和深度学习的智能故障诊断与定位模型,该模型在传统波束形成算法的基础上,引入反卷积成像算法确定噪声源位置;同时,使用深度学习对声音信号进行训练分类从而判断故障类型,可兼顾噪声源识别定位以及故障检测的特点,拓展声像识别的应用场景,并进一步推动故障诊断技术在多领域交叉发展。实验结果表明,与传统的基于振动信号的故障诊断方法对比,该方法在设备故障诊断方面的故障识别率达到97.22%,并能够准确识别故障所在位置。

基于空间平滑差分的鲁棒自适应波束形成

针对当采样协方差矩阵中包含期望信号时,模型失配会使MVDR自适应波束形成算法性能大幅下降的问题,本文提出一种基于空间平滑差分算法(SSDA)的鲁棒自适应波束形成算法。该算法首先通过空间平滑差分算法获得源数目先验知识,再对MVDR空间功率谱进行波峰搜索得到期望信号,最后再从采样协方差矩阵中去除期望信号协方差矩阵。仿真结果表明,在高信噪比输入的情况下,改进后的算法在去除期望信号后其输出信干噪比有了很大提升,比MVDR算法提高了2~3倍。

基于FR-4的压电能量采集器参数研究

为了进一步研究非线性材料基底对于压电能量采集器输出性能的影响,该文对以FR-4绝缘板为基底的悬臂梁式压电能量采集器的结构参数进行优化研究。在正交实验和单因素实验方案的指导下,通过仿真及实验验证得出各参数对采集器输出影响的一般规律。结果表明,基底厚度对结构固有频率影响最大,贡献率达到了91.98%。悬臂梁长L、厚S和宽H改变时,输出响应曲线呈现出非线性特性;而末端质量m与输出性能间则存在近似线性的关系。实验中,当L=80 mm,S=13 mm,H=1 mm,m=1 g时,输出功率可达37μW。通过方差分析结果表明,末端质量对输出性能的影响最大,梁宽对输出性能的影响次之,梁长对输出性能的影响最小。