基于BiLSTM-Attention的迁移学习变工况故障识别方法研究

针对传统深度学习网络模型在变工况条件下的故障诊断泛化能力差的问题,提出一种基于迁移学习的双向长短时记忆网络和注意力机制(TLBA)融合的故障识别方法。将原始故障数据划分为源域及目标域;并构建融合注意力机制的双向长短时记忆网络(BiLSTM-Attention,BA)模型,之后使用此模型学习源域数据特征;最后利用迁移学习通过对目标域数据的学习,进一步优化调整BA模型的网络参数,最终得到目标域的故障分类辨识模型。以航空器翼梁故障为案例,结果表明,该方法与传统故障诊断方法BiLSTM-Attention相比,其综合评价指标F1-score有3.4%的提高,故障平均诊断准确率在91%以上;同时针对变工况下的故障分类结果较为稳定。

基于改进生成对抗网络与ConvLSTM的航空发动机剩余寿命预测方法

针对航空发动机运行周期内故障数据难以采集而造成的数据失衡等问题,提出一种基于Wasserstein距离与梯度惩罚措施的条件生成对抗网络与卷积长短时记忆网络相结合的预测模型。首先,使用WCGAN-GP模型学习预处理后的时序数据的深层分布特征;然后,利用生成器生成故障样本并与真实样本混合,作为训练集输入到基于ConvLSTM网络的预测模型中进行训练。基于C-MAPSS数据集开展验证比较,结果表明:与单一真实样本训练预测模型相比,使用混合数据时性能指标RMSE和Score平均下降了12.65%和48.95%。

基于卷积孪生神经网络的滚动轴承故障定位方法

在不同设备及不同工况的条件下,滚动轴承的振动数据分布存在差异,采用传统的深度学习模型难以应对数据集分布不一致的状况,针对这一问题,提出了一种基于卷积孪生神经网络的轴承故障定位方法。首先,选择孪生网络作为基本框架,对预处理后的设备数据进行了扩充,使之达到了数据增强的目的;然后,选择随机池化-ELU-CNN(SE-CNN)模型作为特征提取器,对设备运行数据进行了深度特征提取,利用反向传播算法更新模型参数,使模型的特征提取性能和分类性能达到了最优;最后,利用训练好的网络模型,通过集合两种数据集的混合数据集进行了实验,得到了滚动轴承的故障定位结果。研究结果表明:采用基于卷积孪生神经网络的轴承故障定位方法,其故障定位的各项评价指标均在95%以上,且其综合数据指标达到0.9863;与其他先进方法相比,在跨设备多工况下,该模型的故障定位准确度提高0.0246;模型能有效适应数据分布的差异性,且具备良好的泛化性能。