基于Yu范数深度迁移度量学习的夹送辊剩余寿命预测

针对夹送辊历史数据少和相关寿命预测方法匮乏的问题,提出基于Yu范数深度迁移度量学习的夹送辊剩余寿命预测方法。首先使用Yu范数深度度量学习(DMN-Yu)对振动信号提取深层特征,并以主成分分析法(PCA)和自组织映射神经网络(SOM)相结合对特征进行约简,构建一维健康因子(HI);再结合长短时记忆网络(LSTM)模型,通过迁移策略利用共享隐含层的方法对目标夹送辊进行预测分析。实验验证,经过深度迁移学习的LSTM模型预测效果更好,对夹送辊设备的健康状态评估及剩余使用寿命预测具有一定的指导意义。

基于ART和Yu范数的聚类方法在齿轮故障诊断中的应用

针对传统聚类方法需预先指定类别个数而导致应用受限的问题,提出一种基于ART和Yu范数的聚类方法,可自适应地确定类别个数。通过对齿轮无标记故障样本的诊断分析对该方法进行验证。从多个角度提取反映故障信息的特征参数集,利用距离区分技术对其进行优选,并结合ART的机制和基于Yu范数的聚类技术,对齿轮故障类别进行诊断分析,并与Fuzzy ART方法的诊断结果进行比较。结果表明,该方法可以有效地对齿轮故障进行区分,且效果优于Fuzzy ART方法。

基于软竞争Yu范数自适应共振理论的轴承故障诊断方法

传统自适应共振理论网络模型利用硬竞争机制对故障类边界处的样本进行分类时易造成误分类,为此,提出了基于软竞争Yu范数自适应共振理论的轴承故障诊断方法。将基于模糊竞争学习的软竞争方法引入Yu范数自适应共振理论模型中,根据模式节点与输入样本间隶属度的大小,对竞争层多个节点进行训练和学习。通过对轴承故障试验数据的诊断分析可知,该方法不但能有效识别不同类型的故障,而且能识别不同严重程度故障,且诊断精度优于自适应共振理论模型和模糊C均值聚类模型。