基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。     

基于迁移学习的小样本轴承故障诊断方法研究

针对实际应用中训练样本严重不足的问题,提出了一种改进迁移学习方法,将模型在源域上学习的故障诊断知识迁移至目标域,并将其用于小样本轴承故障诊断研究。采用全局均值池化层代替卷积神经网络中的全连接层进行分类输出,减少了网络的待训练参数量。采用预训练微调的迁移学习方法,使用数量充足的源域样本来训练网络,避免了数据不足导致的过拟合现象。将网络结构和参数迁移至目标域后,微调较深层的网络参数,使得网络适应目标域样本的数据分布。在凯斯西储大学轴承数据集和实验室轴承数据集上进行了迁移学习实验和轴承分类诊断,结果表明:在跨工况和跨型号的情况下,仅使用1%目标域训练集数据进行微调时,所使用的方法获得了92.25%的平均分类准确率。所提方法完成了小样本下的滚动轴承故障迁移诊断任务,对迁移学习理论在轴承故障诊断中的研究应用具有一定价值。     

深度子领域迁移学习：一种细粒度主动迁移视角

迁移学习能以相关领域中的标注数据为基础，提升目标领域的学习效果。当领域间的数据分布差异很大时，会导致严重的负迁移问题。如何充分捕获源域和目标域之间的相似性，进一步挖掘更多有效信息，最终提高目标域的预测精度，是一个值得探索的问题。该文从细粒度主动迁移的视角，提出一种深度子领域迁移学习(Deep subdomain transfer learning, DSTL)算法，能迭代优化源域和目标域之间的相似性，提升模型预测性能。该文首先提出一种伪标签生成策略，对所有样本进行子领域的划分；制定中心+边缘的主动查询策略，获得关键代表性实例的真实标签；设计一种迭代分布优化策略，实现源域和目标域的子领域对齐，避免负迁移。将DSTL算法与传统迁移学习算法以及当前最新的深度迁移学习算法在主流的基准数据集上进行了测试。统计分析的结果表明，该文所提算法能实现性能的有效提升，扩大模型在实际应用中的适用范围。     

基于域适应与分类器差异的滚动轴承跨域故障诊断

基于数据驱动方法诊断滚动轴承故障时，不同工况下的数据特征分布差异会导致模型诊断性能严重下降.针对这一问题，提出了基于域适应与分类器差异的滚动轴承跨域故障诊断方法.首先利用卷积神经网络对带标记的源域样本和无标记的目标域样本进行特征提取;然后通过2个全连接分类器进行故障分类;最后通过分步优化分类损失、域最大平均差异损失和分类器差异损失，实现源域和目标域之间的域分布对齐，从而实现无标记目标域样本的故障诊断.实验结果表明，所提方法与主流的域适应方法相比具有更高故障诊断准确率，验证了该方法的合理性和可行性.     

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。     

基于特征迁移和深度学习的配电网故障定位

故障诊断对电力系统的稳定运行至关重要。当配电网的拓扑结构发生较大变化时,难以获取大量带有标签的暂态数据,导致传统的故障预测模型精度难以提高。针对此问题,提出一种将特征迁移和深度学习相结合的配电网故障诊断新方法。首先,采集配电网不同线路的零序电流构造故障特征集;其次,引入加权半监督迁移成分分析方法(semi supervised migration component analysis,SSTCA),利用混合核函数将不同拓扑结构下的特征样本映射到同一特征空间中,缩小数据间的分布差异性;最后,将映射后的源域样本输入到卷积神经网络中进行分类训练,并测试映射后的目标域样本。通过Simulink仿真表明,在改变配电网拓扑结构的新场景下,文中所提的特征迁移方法与其它方法相比,对目标域故障定位精度最高且达到98%以上。     

基于深度学习和经验模态分解的 双列圆锥滚动轴承故障诊断

双列圆锥滚动轴承在列车走行部应用广泛,由于该类轴承结构比较复杂,传统的故障诊断方法难以识别该类轴承的早期微弱故障.为此,提出基于深度学习的双列圆锥滚动轴承早期微弱故障诊断方法.首先,对轴承的振动信号进行经验模态分解,提取信号的瞬时能量构造特征向量;最后,利用深度学习方法对特征向量进行无监督学习,生成故障诊断分类器,完成故障的分类识别.实验中对某型号双列圆锥滚动轴承的正常状态、内圈故障和外圈故障进行信号分析与故障识别.结果表明,所提方法能有效识别双列圆锥滚动轴承的早期微弱故障,分类准确率达到98%.     

考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法

针对现有深度学习方法对非平稳的滚动轴承故障诊断过程中,先验故障信息利用不充分和故障样本不完备,导致诊断精度不高甚至无法诊断的问题,充分发掘轴承故障位置和损伤程度与振动数据特征间的映射关系,提出一种考虑滚动轴承故障位置与损伤程度的双分支卷积神经网络故障诊断方法。该方法首先将原始振动信号矩阵化,构建二维灰度图像数据集,然后建立双分支的改进VGGNet深度卷积网络,将故障位置与损伤程度进行双标签二值化,每个分支独立提取深层特征,实现故障位置和损伤程度特征与标签的自适应。仿真实验结果表明,相较其他深度学习方法,所提方法能够在部分先验知识缺失条件下,实现滚动轴承潜在的不同故障位置及损伤程度的多状态分类,获得较高准确率的同时兼具良好的抗噪性能。     

基于跨域均值逼近的轴承剩余使用寿命预测

由于轴承退化数据较少及不同工况之间轴承数据分布差异较大,实现在一个轴承上训练的剩余寿命预测模型,能够预测其他同一工况或不同工况不同轴承的剩余使用寿命,是一个待解决的难题。本文提出基于跨域均值逼近的联合分布自适应轴承剩余使用寿命预测方法,首先,对轴承原始振动信号数据进行归一化处理;其次,通过投影矩阵将源域和目标域数据映射到一个低维公共特征子空间中,利用基于跨域均值逼近的联合分布自适应方法对源数据和目标轴承数据进行领域适配;最后,利用门控循环单元对轴承剩余使用寿命进行预测。在IEEE PHM Challenge 2012数据集上进行多组迁移实验,结果表明,所提方法在同一工况或不同工况下不同轴承间有良好的预测精度。     

基于迁移学习的卷积神经网络电网故障诊断

电网拓扑结构复杂、分支众多、潮流分布不平衡、故障样本较少且难以获取。为提高配电网的故障诊断准确性,本文提出将迁移学习的思想与卷积神经网络（Convolutional Neural Networks,CNN）相结合,以此来解决目标域样本不足导致训练效果差的问题,同时利用主成分分析（principal component analysis,PCA）对时序数据进行降维,提升运行速率,形成配电网故障诊断方法。首先对PCA和CNN的结构特点进行分析;然后通过仿真模拟不同的故障条件,生成面向CNN的时序数据。再通过最大均值差异法（MMD）选择出最适合迁移的源域数据,建立源域故障识别的预训练模型。最后使用目标域数据,在预训练模型的基础上进行迁移微调训练,得到故障诊断模型。仿真结果表明,该方法能够在小样本的情况下迅速完成对故障类型的精准预测。     

采用参数自适应最大相关峭度解卷积的滚动轴承故障特征提取

针对滚动轴承故障特征信号因受传输路径和强噪声的干扰而导致周期性故障脉冲难以提取以及最大相关峭度解卷积(MCKD)参数依赖人为经验选择的问题，提出一种参数自适应MCKD的滚动轴承故障特征提取方法。以解卷积信号的包络谱熵作为适应度函数，利用麻雀搜索算法强大的全局搜索能力自适应地选择MKCD方法的最佳参数组合；利用参数优化后的MCKD方法对故障信号进行解卷积运算，滤除掉信号中的噪声，以突显由轴承故障激发的周期性故障脉冲；对解卷积信号进行包络解调，以提取出轴承故障特征频率成分。仿真结果表明，与遗传算法和粒子群算法相比，采用麻雀搜索算法可使MCKD参数在优化中具有更快的收敛速度和更强的稳定性。对滚动轴承进行全寿命周期实验及对工程案例的实验结果表明：所提方法能自适应提取强噪声中的轴承周期性故障脉冲成分，信号的峭度提高了3倍，鲁棒性更强；与直接谱分析和快速谱峭度方法相比，所提方法能完整提取信号中的故障特征频率成分，成功率可达100%,有效提高了滚动轴承的故障诊断精度。     

基于多源迁移学习的数据流分类研究

为解决数据流分类中概念漂移和噪声问题,提出一种基于互近邻的多源迁移学习方法。该方法存储多源领域上训练得到的分类器,求出目标领域数据块中每个样本的互近邻样本集合,然后计算源领域分类器对目标领域数据块中每个样本的互近邻样本集合的局部分类精度,最后将局部分类精度最高的源领域分类器和目标领域分类器进行加权集成,从而将多个源领域的知识迁移到目标领域。在仿真数据集上的实验结果表明,该方法能够有效避免伪近邻现象,与基于K-近邻的多源在线迁移学习方法相比,具有更好的分类准确率和抗噪稳定性。     

基于改进优化算法的轧机滚动轴承深度学习故障诊断方法

近年来，基于深度学习的智能故障诊断方法在理论研究和工程应用方面都取得了显著的效果，滚动轴承是轧机的核心部件之一，对轧机轴承进行精确的故障诊断能够有效保障轧机装备安全运行与生产效率.当前基于深度学习的故障诊断方法通常训练过程不稳定，模型难以收敛，造成工程应用中随机性强.本文提出基于改进优化算法的轧机滚动轴承深度故障诊断方法，在保证模型诊断精度的同时提升训练效率、模型输出结果的稳定性以及模型相对于参数变化所表现出的鲁棒性，并通过实验台获取滚动轴承的故障数据，使用该方法对数据进行诊断来证明方法的准确性.     

自适应频移变尺度振动共振轴承故障诊断

针对广泛应用于水轮机、风电机组等设备中的滚动轴承存在早期故障难以检测的问题,提出了自适应频移变尺度振动共振轴承早期故障诊断方法。该方法利用高频周期激励促使滚动轴承振动信号中的噪声能量转向轴承故障特征频率,并自适应地频移变尺度轴承故障特征频率使其满足振动共振的小参数检测条件,最后通过参数优化最佳地检测出轴承早期故障。利用轴承实验数据验证了该方法的有效性,与最大相关峭度解卷积技术相比,所提方法的诊断结果具有一定的优势和工程应用价值。     

基于多注意力机制的端到端滚动轴承故障诊断方法

针对传统滚动轴承故障诊断中复杂的特征提取问题，利用深层残差网络能够增强诊断模型非线性表征能力的特点，通过引入通道注意力与空间注意力机制，提出一种基于多注意力机制端到端的滚动轴承智能故障诊断方法。首先，通过原始振动加速度信号经过积分运算得到速度和位移；然后，将3者组合成具有特征增强的图像，输入至结合了多注意力机制的深层残差网络实现特征提取；最后，利用多分类函数完成滚动轴承故障分类。在本地实验室轴承数据集上进行了验证，结果表明，所提方法的诊断准确率达到了97.50%。验证了基于多注意力机制端到端的滚动轴承智能故障诊断方法的可行性和有效性，可为滚动轴承的精确故障诊断提供支持。     

基于GRU与PCA-TL的热应力下IGBT故障预测

针对热应力下绝缘栅双极型晶体管(insulated gate bipolar transistor，IGBT)的性能随时间逐步退化的特性，将深度学习中的时间序列预测算法应用到IGBT故障预测中，提出了基于门控循环单元（Gated Recurrent Unit，GRU）与主成分分析-迁移学习（principal components analysis- Transfer Learning，PCA-TL）的故障预测新方法。该方法以电参数集电极-发射极电压VCE作为衰退参数，采用GRU模型构建衰退参数与故障时间的映射关系；利用PCA技术综合相异分布特征的IGBT故障指标，引入TL方法，通过微调GRU预测模型的参数完成从源域到目标域的迁移，实现目标域样本的故障预测。实验结果表明，基于GRU的故障预测模型具有较高的预测精度，与长短期记忆算法（Long Short-Term Memory，LSTM）算法相比，训练速度更快；PCA-TL方法可实现同类器件不同工况下的故障监测任务。验证了所提方法的可行性和正确性。     

采用递归图编码技术与残差网络的滚动轴承故障诊断

针对传统故障诊断方法未充分挖掘故障信号的时间序列间关联性特征的问题,将递归图编码技术引入故障诊断领域,提出了递归图编码技术与残差网络的滚动轴承故障诊断模型。采用递归图编码方式将振动信号转换为增强信号特征的二维纹理图像;将这些特征图像输入残差网络中,结合残差网络对二维图像数据优秀的自适应特征提取能力,对滚动轴承进行故障诊断。使用凯斯西储大学轴承数据集和某局机务段采集的真实机车轴承数据进行试验验证,结果表明：所提模型对轴承故障诊断的识别准确率为99.99%和99.83%;在输入不同的数据长度和变工况的试验中,所提模型均保持了良好的故障诊断效果;对比其他常见的故障诊断方法,所提模型拥有更好的泛化性能和识别准确率。     

基于改进VMD和CNN的滚动轴承故障诊断方法

针对现场采集的滚动轴承信号易受噪声影响而使微弱故障特征难以提取的问题，基于灰狼优化算法(GWO)、变分模态分解(VMD)和卷积神经网络(CNN),提出了一种滚动轴承故障诊断的新方法.首先，利用GWO优化VMD实现其分解层数及二次惩罚因子2个重要参数的自适应选择；其次，提出有效加权相关稀疏度指标(EWCS),并以此筛选VMD分解的有效本征模态函数(IMF);最后，使用GWO优化CNN参数，并采用2层卷积模块的CNN进行识别分类.基于所提方法，对滚动轴承4种不同运行状态的样本进行了分类识别，并与其他几种诊断方法进行比较.结果表明，该方法用于滚动轴承故障诊断是可行的，且具有更高的分类准确率.     

基于支持向量机的滚动轴承早期故障诊断

针对航空发动机故障诊断过程缺乏大量实际故障数据的问题,提出了一种基于支持向量机和小波包相结合的滚动轴承的早期故障诊断方法.该方法利用有限的故障样本,以结构风险最小原理为基础,建立滚动轴承早期故障特征与其运行状态之间的对应函数关系,即故障分类器,并以该函数的输出判定轴承的早期故障类型.实验结果表明,小波包分析能够有效的提取滚动轴承中微弱的早期故障特征,支持向量机可以对这些早期故障特征进行准确识别.