压缩感知字典迁移重构的小样本轴承故障诊断

针对实际应用中智能轴承故障诊断面临标签样本严重不足的问题,提出一种结合压缩感知、字典学习和迁移的数据增强算法,用于小样本故障诊断研究。首先,利用源域标签数据通过小波包字典学习和优化方法生成特定源域字典,并得到共享表示系数,获取故障内在信息;之后采用少量目标域信号微调共享表示系数,并更新源域字典生成迁移字典;最后通过共享表示系数和迁移字典生成大量具有目标域特征的新样本,实现数据增强。采用常用的深度故障诊断网络对该数据增强算法进行了诊断性能验证,结果表明该方法产生的信号具有故障的有效信息,用于模型训练和识别能够取得较好的诊断性能。该方法为小样本故障诊断问题提出了新的思路。

基于压缩采集与深度学习的轴承故障诊断方法

机械健康监测正进入大数据时代,针对传统轴承故障检测存在的采样数据量大、故障特征依赖主观选取等问题,研究了轴承故障信号变换域的压缩采集、自动特征提取及诊断方法。基于压缩感知和深度学习理论,研究用随机高斯矩阵实现轴承信号的变换域压缩采集,并将此信号输入深度神经网络实现故障的智能诊断。该方法克服了传统针对时域信号的特征提取计算复杂、受先验知识和主观经验影响较大等问题,直接利用含有大量故障信息的压缩感知域采集信号训练深度神经网络,充分利用深度学习挖掘少量压缩采集数据中隐藏的故障信息,从而实现智能、准确的分类。实验结果表明,该方法实现了对不同故障位置和缺损程度的故障特征自动提取与准确故障诊断。

深度卷积长短期记忆网络的轴承故障诊断

针对传统数据驱动故障诊断方法难以从轴承信号中自适应提取有效特征、没有充分利用故障数据的时序特点以及缺乏自适应处理动态信息能力的问题,提出了一种深度卷积神经网络与长短期记忆网络相结合的智能故障诊断方法。本文方法构建的深度模型能够从轴承原始信号中自适应地提取鲁棒性特征,然后利用长短期记忆网络学习特征中的时间依赖关系实现了高准确度的轴承故障诊断。该方法克服了传统特征提取方法依赖专家经验和信息利用不完全等问题,实现了故障的智能、准确诊断。实验结果表明,该方法可以提取更准确的特征而且由于利用了故障演变过程中的时序信息,使得故障诊断更加智能、可靠。

基于深度迁移学习的复杂环境下油气管道周界入侵事件识别

长输油气管道沿途运行环境复杂,传统方法中假设的标准样本与实际样本分布一致的前提遭到破坏,导致单一的识别模型在不同环境下对入侵事件识别准确率降低。为了改善识别模型偏差问题,提出一种基于域不变特征深度迁移学习的管道入侵事件识别方法,通过堆叠稀疏自编码网络实现不同环境条件下的入侵事件自适应特征提取,并引入迁移学习实现复杂环境中入侵事件的准确识别。该方法通过场景差异性评测,缩小复杂真实场景与典型场景间分布差异,获得有效的域不变模型。实验结果表明,所提方法能明显改善复杂环境下油气管道入侵事件识别效果,提高识别准确率。

改进稠密块轻量化神经网络的管道泄漏孔径识别

深度神经网络的管道泄漏孔径识别方法虽然识别率高,但因结构复杂造成参数量大、内存占用大,极大地限制了其在资源有限的工业环境及实时处理中的应用。提出一种优化卷积改进稠密块的轻量化神经网络用于管道泄漏孔径识别。首先将深度可分离卷积与异构卷积结合,构造了新的多卷积稠密块实现泄漏信号的特征提取;之后采用卷积注意力机制对特征进行权重划分,实现特征的重要性区分;最后通过分类器获取结果。实验结果表明,本文方法识别准确率达到了96.59%,参数量仅为781 KB。本文方法在保证高识别准确率的同时,参数量及浮点数大幅下降,训练时间也有所减少,改善了实时响应能力,对于实际工业监测应用有指导意义。

压缩感知结合卷积网络的天然气管道泄漏孔径识别

针对传统天然气管道泄漏孔径检测面临的原始数据冗余性大、特征选取主观依赖性强以及复杂环境下识别准确率低等问题,提出了一种将压缩感知与深度卷积神经网络相结合的泄漏孔径识别方法。首先利用随机高斯矩阵对原始泄漏信号进行压缩采集,以较少的压缩感知域数据获取全部泄漏信息;然后构建深度一维卷积神经网络,将压缩采集数据送入网络中实现自适应特征提取及高准确度泄漏孔径识别;还对主要参数的影响进行了深入的分析。实验结果表明,该方法能够快速、准确地实现天然气管道泄漏孔径识别,且在低信噪比环境下具有较好的鲁棒性,总体识别效果优于传统的分类方法。

类别标签辅助改进稠密网络的变工况轴承故障诊断

基于数据驱动的滚动轴承智能故障诊断得到广泛研究,但多数研究中均假设训练数据与测试数据同分布,考虑到旋转机械实际运转中复杂多变的工况往往导致数据分布产生偏差,使得识别方法的通用性差、实际识别效果不佳。将域适应引入轴承故障诊断过程中,基于迁移学习提出了一种特征空间域和标签概率分布同步适应的迁移学习网络。该网络将一维稠密卷积网络及注意力机制融合实现复杂故障特征的自动提取;域适应处理通过联合最小化特征概率分布差异和标签概率分布差异来约束网络学习域不变特征;最终对变工况滚动轴承故障实现了高准确度的识别。实验结果表明了该方法的可行性及良好的性能。

基于小波包字典优化的旋转机械振动信号压缩感知重构方法

采用工业无线传感器网络的机械状态监测系统需要进行复杂的数据压缩和高精度的重构,而传感器网络节点资源受限,针对这一问题提出基于小波包字典优化的旋转机械振动信号压缩感知重构方法。该方法结合小波包多分辨率分析及K-SVD字典训练方法,提出了小波包字典优化方法代替传统的正交基字典稀疏表示方法,提高稀疏度。根据旋转机械振动信号自身特征,提出用块稀疏贝叶斯学习最大期望值算法,代替传统仅依赖于稀疏假设的算法实现信号重构。实际轴承振动信号仿真结果表明,该方法相对于传统的压缩感知方法重构性能明显提高。

残差卷积自编码网络无监督迁移轴承故障诊断

深度学习类轴承故障智能诊断研究中,一般会假设训练数据与测试数据同分布且典型故障样本充足,而实际工况复杂多变,难以获得大量标签数据。将残差学习引入卷积自编码,并结合迁移学习,提出了基于残差卷积自编码无监督域自适应迁移的故障诊断方法。堆叠一维卷积自编码进行特征提取,通过残差学习避免过拟合,提高学习效率;融合多层多核概率分布适配来约束网络学习域不变特征;实现了基于无监督域自适应迁移学习的故障诊断,并获得了较高准确率的识别结果。采用凯斯西储大学轴承数据集进行验证,结果证明了所提出方法的有效性,此外还对主要参数及其影响进行了探讨并给出了对比结果。

多域信息融合结合改进残差密集网络的轴承故障诊断

针对滚动轴承原始时域信号信息单一、深度卷积神经网络提取的特征对信息的传递存在差异等问题,该研究提出了一种多域信息融合与改进残差密集网络的轴承故障诊断方法。为了获取故障的多方面信息,先对原始数据进行多域变换,再将融合信息输入经卷积注意力改进的残差密集网络进行深度学习。经注意力机制改进的网络能够实现对提取特征的重要性区分,提高网络的训练速度、改善识别准确率。试验结果及对比分析表明该算法可以提取较为全面的特征,较传统方法具有更好的识别效果。

基于EWT及模糊相关分类器的管道微小泄漏检测

针对管道微小泄漏难以检测的问题,提出一种基于经验小波变换(Empirical Wavelet Transform,EWT)及模糊相关分类器的检测方法。该方法首先对传感器采集的信号进行EWT分解,计算分解后分量的峭度值,根据分量的峭度值提出基于EWT的自适应降噪法对信号进行降噪处理,提取无噪声分量并重构;分析重构信号的模糊函数图像,结合相关系数提出模糊相关分类器检测管道微小泄漏。仿真及实验结果表明,该方法能够对管道微小泄漏进行检测,且检测率较支持向量机及神经网络高。

基于多层面压缩深度神经网络的轴承故障诊断

针对在资源有限的工业环境中难以应用基于深度神经网络的故障诊断模型的问题,提出一种压缩深度神经网络的轴承故障诊断方法,将结构化剪枝、非结构化剪枝、参数量化及矩阵压缩多层面处理相结合,实现了网络多级压缩。首先用结构化剪枝剔除卷积层中输出低秩特征图对应的滤波器;再用非结构化剪枝去除全连接层中非重要性连接;最后通过对权重矩阵的参数量化减少参数表示所需比特数,并结合权值矩阵压缩存储方法进一步减小了网络的参数存储量。实验表明提出的压缩方法在保证较高诊断准确率的前提下,极大减少了网络的参数存储量和浮点运算量,缩短了网络训练时间,加快了网络响应速度,为深度神经网络方法的工业实际应用进行了有益探索。

Mixing matrix estimation of underdetermined blind source separation based on the linear aggregation characteristic of observation signals

Under the underdetermined blind sources separation(UBSS) circumstance,it is difficult to estimate the mixing matrix with high-precision because of unknown sparsity of signals.The mixing matrix estimation is proposed based on linear aggregation degree of signal scatter plot without knowing sparsity,and the linear aggregation degree evaluation of observed signals is presented which obeys generalized Gaussian distribution(GGD).Both the GGD shape parameter and the signals' correlation features affect the observation signals sparsity and further affected the directionality of time-frequency scatter plot.So a new mixing matrix estimation method is proposed for different sparsity degrees,which especially focuses on unclear directionality of scatter plot and weak linear aggregation degree.Firstly,the direction of coefficient scatter plot by time-frequency transform is improved and then the single source coefficients in the case of weak linear clustering is processed finally the improved K-means clustering is applied to achieve the estimation of mixing matrix.The proposed algorithm reduces the requirements of signals sparsity and independence,and the mixing matrix can be estimated with high accuracy.The simulation results show the feasibility and effectiveness of the algorithm.