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Noisy-Max 模型和邻、对缸振动信号的柴油机失火故障概率诊断

针对目前柴油机的失火故障诊断过程中振动信号分析可进一步完善、诊断准确率可进一步提高的问题,提出了一种基于Noisy-Max模型和邻、对缸振动信号的柴油机失火故障概率诊断方法.构建了故障诊断贝叶斯网络,建立了故障类型节点和故障特征节点及其对应关系,并采用了Noisy-Max模型对节点进行设置,有效降低了参数设置复杂度,实现了在故障诊断过程中输入信号对多节点状态的触发,提高了诊断推理准确率.通过一台12缸V型柴油机进行失火故障模拟试验,采集失火缸及其邻、对缸数据,分析并得出失火故障发生概率,对诊断理论进行了验证,试验表明该方法具有较高准确度.