基于孪生域对抗迁移学习的滚动轴承故障诊断方法

针对多工况约束下滚动轴承故障诊断的难题,提出一种基于孪生域对抗迁移学习的滚动轴承故障诊断方法。首先,基于重采样扩充故障样本,通过降采样平衡正常样本,以防止样本不平衡带来的过拟合问题;然后,利用孪生神经网络对迁移学习特征提取的卷积层和池化层进行改进,应对故障样本稀缺问题,缩小不同工况下故障样本分布的差异,提高模型的泛化性;最后,基于公开和实测轴承故障数据集对算法进行全面性能评估。试验结果表明:孪生域对抗迁移学习(SDANN)对CWRU,MFPT和实测轴承数据集的诊断准确率及误差均值分别为(97.26±0.42)%,(95.18±0.28)%和(94.04±0.40)%,相比传统域对抗迁移学习(DANN)方法的平均准确率分别提高6.41%,12.5%和2.54%,误差均值分别降低1.16%,2.66%和0.43%,诊断时间分别加快1.39%,3.77%和9.95%;加入0和-10 dB噪声时,孪生域对抗迁移学习的诊断准确率最高仅降低1.63%;对CWRU与MFPT数据集跨域诊断时,孪生域对抗迁移学习的准确率及误差均值为(91.04±1.05)%;总体而言,孪生域对抗迁移学习对滚动轴承的故障诊断准确率较高且具备良好的抗噪性和迁移诊断效果。

基于深度域对抗迁移学习的提升机健康状态诊断系统

提升机系统是煤矿生产中核心的大型机电设备之一,其安全高效运行是煤矿开采全过程自动化、智能化、安全管控的基础。为了实现尽早地发现提升机在运行过程中的各种隐患,提高故障检测和维护效率,研究信号处理和深度迁移学习分析方法,分析提升机关键部件多传感信号变工况时频响应特性,提出了基于自注意力机制的深度域对抗迁移学习诊断模型DASADTLM,提高提升机关键部件运行状态深度特征的跨域不变性和故障诊断准确率。在此基础上,通过系统集成,实现对提升机运行全过程数据的实时数据看板、设备管理、趋势分析等功能,该系统能够支撑监控看板、维保管理、知识管理等多场景需求,从而满足煤矿生产提升机稳定健康安全运行的需要。

基于域对抗迁移卷积神经网络的小样本GIS绝缘缺陷智能诊断方法

近年来,数据驱动的人工智能模型在气体绝缘组合电器(GIS)绝缘缺陷诊断上取得了一定突破。然而,这些以海量实验数据构建的模型难以部署到现场复杂工况和小样本条件下,导致现有诊断方法现场应用困难。为了解决现场制约传统诊断方法应用的数据匮乏难题和现有诊断模型现场应用困难的问题,该文提出了一种新颖的域对抗迁移卷积神经网络用于小样本下的GIS绝缘缺陷智能诊断。首先,以自动寻优构建的卷积神经网络从缺陷样本中学习可迁移绝缘缺陷表征特征,自动寻优构建方法在减少网络构建过程人为干预的同时,有效提升了网络精度等多方面性能。然后,引入域对抗迁移学习,实现海量数据(源域)下训练模型到复杂工况和小样本(目标域)下的迁移,以提升诊断准确率。通过对抗训练方法学习类边界表征特征和域空间表征特征,实现了诊断知识的迁移。在域对抗训练中引入两个领域分类器来进行决策边界域空间的对齐,获得了更合适的特征匹配。在实验室和现场实验验证中,所提方法在目标域下分别达到了99.35%和90.35%的诊断准确率。结果表明,该方法可以有效学习可迁移特征,实现小样本GIS绝缘缺陷的高精度、鲁棒性诊断。

基于域对抗迁移的变工况滚动轴承故障诊断模型

将变工况下轴承状态识别的难题归结为领域自适应问题,提出了一种基于域对抗迁移的变工况滚动轴承故障诊断模型。模型以一维振动信号为输入,主要包含特征提取器、故障分类器和领域分类器三部分功能结构。特征提取器由卷积层、残差单元和双向长短时记忆(Bi_LSTM)神经单元组成,用于提取振动信号的特征;故障分类器负责振动信号的状态分类;领域分类器负责区分信号来自源域或目标域。模型通过在分类器间添加梯度翻转层构建对抗迁移网络,完成领域自适应工作,能够借助有标签的定工况源域数据集实现对无标签的变工况目标域数据集的诊断识别,进而完成变工况下的故障诊断。试验结果表明,该模型能够提取适用于不同工况间迁移的特征,提升了变工况下各故障类型的诊断表现;变工况下平均诊断准确率可达97.42%,诊断表现优于直接跨域诊断的模型。

领域对抗自适应的短任务负载预测模型

负载预测的精度是影响云平台弹性资源管理的主要因素之一。而云平台中存在着大量的短任务负载序列,其历史信息不足和不平滑的特性导致难以选择合适的模型进行精准预测。对此提出了一种领域对抗自适应的短任务负载预测模型。该模型采用奇异谱分析(singular spectrum analysis,SSA)对样本进行平滑处理;联合第四版本的Mueen相似度搜索算法(the fourth version of Mueen’s algorithm for similarity search,MASS_V4)与时间特征进行域间相似性计算,获得合适的源域数据来辅助迁移预测;将门控循环单元(gated recurrent unit,GRU)作为基准器构建网络,并利用Y差异定义新的损失函数,通过对抗过程建立出表征能力强的短任务负载预测模型。将所提方法在两个真实的云平台数据集上与其他常用的云负载预测算法对比,均表现出较高的预测精度。

基于IADSA深度迁移网络的金属表面缺陷检测

针对领域偏移环境下金属表面缺陷检测精度不高的问题,提出一种基于改进对抗性域分离与自适应(Improved adversarial domain separation and adaptation,IADSA)深度迁移网络的金属表面缺陷检测方法。首先,建立基于分类损失的IADSA模型性能评价机制,感知模型训练状态,利用空间线性插值方法自适应挖掘迁移空间隐藏的样本信息,以提升网络的特征提取能力;然后,将挖掘的新样本的分类结果作为衡量其对网络贡献性能的主要度量指标,并将贡献性能作为权重应用在分类损失上,旨在消除噪声样本对模型造成的影响;在对抗训练过程中,通过添加动态权重优化对抗损失、平滑网络参数,提高模型的判别性能;最后,融合原始样本与新样本的任务分类器、域分离鉴别器以及域适应鉴别器的损失,利用动态训练实现金属表面缺陷检测。试验结果表明,与其他无监督域自适应方法相比,所提方法实现了更高的金属表面缺陷检测精度。

复杂工况下的直升机行星传动轮系故障诊断

行星传动轮系是直升机动力传动系统的核心部件,是直升机健康和使用监测系统重要的监测对象。针对复杂工况下直升机行星传动轮系的故障诊断难题,提出了结合域对抗与深度编码网络的自适应域对抗深度迁移故障诊断方法。方法输入归一化频谱数据,基于堆栈收缩自动编码网络建立训练负载与测试负载编码网络,从训练域数据进行有监督学习提取高质量深度故障特征,并结合参数迁移和对抗学习策略,通过测试域数据无监督自适应优化测试域深度故障特征提取网络,以适应负载条件变化引起的样本数据分布差异以及恶劣噪声环境引起的样本数据波动的影响。方法在直升机行星传动轮系实验平台上通过故障注入试验进行了对比验证,证明了方法的有效性与健壮性。