基于无监督迁移学习的核范数最大化轴承故障诊断方法

针对实际工业运行中带标签的轴承故障数据难以获取,导致有监督学习故障诊断效果不佳的问题,提出一种基于无监督迁移学习(transfer learning,TL)的核范数最大化轴承故障诊断方法。该方法通过结构优化深度卷积神经网络(structure optimized deep convolutional neural networks,SOCNN)进行故障特征提取,利用最大均值差异(maximum mean discrepancy,MMD)提升源域和目标域的分布相似度,并结合快速批量核范数最大化(fast batch nuclear-norm maximization,FBNM)来提升目标域批量输出矩阵的可分辨性和多样性。实验结果表明:所提方法在不同噪声环境中都具有较高的诊断精度,能准确识别出轴承的故障类型和故障危害等级,为轴承故障诊断提供有效技术支撑。

基于无监督迁移学习的电梯制动器剩余寿命预测

为了改善电梯制动器在真实工作环境下的寿命预测效果,提出一种基于长短期记忆网络自编码器(LSTM-ED)的无监督深度迁移学习方法,利用仿真数据实现制动器在工作时的健康状态分析.利用源领域数据初步训练LSTM-ED和全连接网络;以LSTM-ED为特征提取器,将仿真和实际数据映射到特征空间并利用最大平均差异实现数据对齐;利用全连接网络回归特征空间中的目标领域数据,从而实现对制动器在真实工作环境下的剩余生命周期预测.在训练阶段中,采用分步训练法替代传统的联合训练法,以保证单个模块的准确性.对比试验仿真数据与电梯塔中的实际工作数据,以验证方法的有效性.结果表明:通过引入迁移学习和分步训练法,所提方法可以将剩余生命周期预测的均方误差降低至0.0016,能够实现电梯制动器在真实工作环境下的剩余生命周期精准预测.

基于深度收缩残差网络的轴承变工况故障诊断

目前,深度学习相关技术在旋转机械故障诊断领域得到了广泛应用。为提升深度学习算法在面对大量未标注数据和变工况运行方式下的诊断效果,构造了融合深度学习的特征学习能力与迁移学习的泛化能力的网络模型。通过添加软阈值构建深度收缩残差网络提取噪声冗余下的轴承振动数据的特征信息;采用联合最大平均偏差准则和条件对抗学习域适配网络对齐源域和目标域,同时添加正则项提高类间对齐性能;通过变负荷、变速度与变噪声三种实验设置验证了模型的有效性。实验结果证明,该方法能够有效克服传统深度学习和浅层迁移学习算法的不足。

基于残差注意力机制和子领域自适应的时变转速下滚动轴承故障诊断

针对强噪音、时变转速下滚动轴承振动信号数据特征分布不一致及待监测故障样本不含标签的问题,提出一种残差注意力机制和子领域自适应的无监督迁移学习滚动轴承故障诊断方法。首先,为充分发挥卷积神经网络(convolutional neural networks, CNN)的图像分类能力,将时变转速下采集到的一维时域故障振动信号采用连续小波变换(continuous wavelet transform, CWT)转换成二维灰度图,作为该研究模型的输入;其次,为更好提取源域与目标域的通用特征,特征提取器利用该研究提出的残差通道注意力弱共享网络模型,该模型采用了残差网络的跨层连接方式和通道注意力机制,并弱化了传统网络模型强共享条件;再次,为匹配源域与目标域的条件分布差异,网络自适应层选择局部最大均值差异(local maximum mean discrepancy, LMMD)度量准则;最后,采用时变转速滚动轴承公开故障数据集进行试验验证与分析。结果表明,该研究提出的方法在强噪音、时变转速下平均识别精度达到93%以上,相比于传统CNN模型具有较好的泛化性、鲁棒性。