液压泵和滚动轴承多种样本量的改进多任务故障诊断

基于充足样本的多个设备元件导致多任务学习网络规模庞大,轻微和严重的跨元件零样本问题难度大。在多种样本量(充足样本和零样本)下,针对基于充足故障样本的多元件诊断网络规模过于庞大问题,引入MicroNet方法对多任务学习网络进行轻量化处理,然后利用热重启余弦退火算法优化上述网络,提出一种多任务轻量化学习网络模型,改善多任务学习网络的准确率和效率。针对更高难度的跨元件零样本问题,引入元学习方法进一步改进上述MT-MN-CA,进而提出一种改进多任务轻量化学习网络模型,解决轻微和严重的跨元件零样本问题。通过实测液压泵和滚动轴承故障验证所提两个网络模型的有效性和优越性,试验结果表明所提网络具有很高的实时性和准确率。

基于两种改进RedNet的滚动轴承故障诊断方法研究

RedNet网络自带的余弦退火算法易使学习率陷入局部极小值,出现拟合现象,导致精度过低。针对此问题,对RedNet进行改进处理,提出了两种MicroNet-RedNet和MobileNetV3-RedNet新型网络。基于RedNet的Involution核思想,用MicroNet网络的微分解卷积和Dynamic Shift-Max动态激活函数对RedNet网络进行改进处理,提出了MicroNet-RedNet新型网络;利用MobileNetV3网络的h-swish激活函数和Squeeze-and-Excitation模块对RedNet进行改进处理,提出MobileNetV3-RedNet新型网络。通过对滚动轴承的实测内圈、外圈和滚动体3种故障的诊断分析可知:所提MicroNet-RedNet和所提MobileNetV3-RedNet可有效地诊断上述故障,诊断精度分别高达98.57%和93.81%,且较传统CNN和原算法RedNet的诊断精度提高很多。

基于改进多任务学习网络的零样本故障诊断

多任务学习网络结构和参数冗余、网络规模过大,导致网络实时性差的问题;无法获取元件的部分或者全部故障类型样本,导致零样本问题。针对上述问题,提出一种基于元学习优化的轻量化多任务学习网络。为了提高实时性,利用MobileNetV3轻量化网络构建具有多个子任务诊断网络的轻量化多任务学习网络模型;研究了跨元件零样本问题,利用模型无关(MAML)元学习方法,对轻量化多任务学习网络的训练方式进行优化,构建基于元学习优化的轻量化多任务学习网络;最后,从不同微调步数和测试任务数角度,测试了所提网络的诊断性能。通过齿轮和轴承多元件的实测故障分析可知,所提方法可以实时高精度地解决多任务故障诊断问题和跨元件零样本问题。

基于log-SAM改进Autogram的滚动轴承故障诊断

针对Autogram算法中的无偏自相关方法所得包络结果受到强噪声污染,导致无法有效地对滚动轴承进行故障诊断问题,提出改变原算法内部处理流程,同时将无偏自相关方法替换为log-SAM方法,形成一种改进Autogram算法。首先,对实测滚动轴承振动信号进行最大重复离散小波包变换分解(Maximal Overlap Discrete Wavelet Packet Transform,MODWPT),在不同分解层数形成一系列小波包子信号;其次,对小波包子信号求取谱峭度,并筛选最大谱峭度值所对应的子信号作为数据源;最后,对数据源进行阈值处理,进而将log-SAM替代无偏自相关方法进行包络分析,实现最优故障诊断。针对滚动轴承内圈仿真故障信号和实测故障信号,实验表明,改进Autogran算法具有良好的去噪能力和诊断效果,且较原Autogram算法和其他传统方法均更具有效性和优越性。