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。

一种不同工艺条件下刀具磨损状态多类域适应迁移辨识方法

在新的工艺条件下,针对采用历史工艺条件进行训练的刀具磨损状态辨识模型识别准确率低的问题,提出了一种基于迁移学习的跨工艺条件刀具磨损状态辨识模型。构建卷积神经网络提取刀具样本可迁移特征,利用最大均值差异测量不同工艺条件下刀具样本分布差异,通过类间-类内距离约束提升源域特征的样本距离,对目标域数据概率矩阵采取最大化核范数的策略,以提取区分性高的目标域样本故障特征。以铣刀加工试验为例验证了模型的有效性,模型的平均辨识准确率为96.8%,比没有类间-类内距离约束与最大化核范数的方法平均辨识准确率提升4.9%。