针对汽轮机转子故障样本不足的典型故障检测方法研究

目前深度学习在机械系统的故障诊断方面得到较大普及和发展,这些智能模型需要大量的训练数据确保其泛化能力。然而实际汽轮机转子故障数据缺乏或者难以获取,这给智能故障诊断带来新的挑战。提出一种基于汽轮机转子数值模拟生成故障数据并进行智能故障诊断的方法,通过建立转子有限元模型,生成能够反映其工作状态的故障信息,从而为智能模型提供数据样本。采用根据实际转子信号建立的高精度转子有限元模型,能够有效解决故障样本不足的问题,从而提高智能诊断准确率。通过将有限元技术与深度卷积神经网络相结合,所提出的方法能够在故障样本不足及部分故障信号难以测量的情况下实现汽轮机转子端到端的智能故障诊断,具有准确率高、鲁棒性强的特点。

基于改进联合分布适应的轴承智能故障诊断方法

在轴承故障诊断过程中,存在缺乏足量故障样本、变工况下信号分布差异等问题。虽然基于机器学习和深度学习方法的智能故障诊断方法的运用取得了许多成果,但该方法在应用过程中仍面临一些挑战,阻碍了智能故障诊断方法在实际工业场景下的应用。为此,提出了一种基于改进联合分布适应的轴承智能故障诊断方法(BIFD-IJDA)。首先,利用小波包变换对振动信号进行了分解与重构,再计算了重构信号的统计参数,构成了原始特征集;然后,设计了基于特征重要度与KL散度的迁移特征选取方法,对各统计参数特征进行了量化评估;采用了改进联合分布适应方法,对源域和目标域特征集进行了分布适应处理,降低了域间分布差异;最后,利用源域特征样本训练的故障诊断模型预测了目标域样本故障类别,采用美国凯斯西储大学实验台和机械故障模拟(MFS)实验台的轴承故障数据,开展了不同工况下的故障诊断实验。实验结果表明:该故障诊断方法在2种轴承故障数据下取得的最大故障诊断准确率分别为100%和96.29%,明显优于其他对比模型。研究结果表明:该故障诊断方法具有应用于实际工业场景的潜力。

基于深度特征选取的旋转机械跨域故障诊断

在实际的工业场景中,对旋转机械进行故障诊断时,存在着标签故障样本不足和数据分布差异的问题,为此,基于深度特征选取和迁移学习方法,提出了一种新的跨域故障诊断方法。首先,利用深度自编码器进行了深度特征提取,利用不同激活函数下的深度自编码器提取出的深度特征,构建了深度特征池;然后,采用提出的面向跨域诊断的特征选取方法,选取了可迁移特征用于后续的特征迁移学习,利用所提出的改进联合分布适应方法,降低了源域和目标域特征数据间分布差异;最后,基于经迁移学习后的有标签源域样本和无标签目标域样本,对故障识别分类器进行了训练,并利用机械故障模拟实验台的轴承和电机故障数据,开展了旋转机械跨域故障诊断的实验。研究结果表明:与对比模型相比,所提出的方法能够取得更优秀的跨域故障诊断性能;在选取合适的特征数时,其最大故障诊断准确率明显高于其他对比模型(其中,轴承为95.42%,电机为88.67%)。