针对实际工程中故障振动信号数据分布不同、数据量小的问题,提出一种基于卷积神经网络进行迁移学习的滚动轴承诊断方法。利用递归图对滚动轴承的一维时序数据进行图像转换,得到二维图像下的源域数据和目标域数据;将源域数据输入到添加ECA注意力机制的ResNet网络中进行预训练,得到预训练权重;将预训练权重迁移至模型当中,用少量样本进行训练,以验证集准确率为基准,获取此时的训练权重,并保存至目标模型中,最后将测试集数据输入到此时的模型进行验证。结果表明所提方法能够在目标域仅有少量训练样本的情况下,达到较高的故障识别准确率,且具有较强的鲁棒性能和泛化性能。

针对变工况条件下现有深度学习网络模型对滚动轴承故障分类效果不佳的问题,以滚动轴承实验台数据为研究对象,提出迁移学习和注意力机制相结合的滚动轴承故障诊断方法。结合域对抗神经网络(DANN)与宽卷积核卷积神经网络(WDCNN)得到新的网络诊断模型(WDAANN),并通过对目标域的带标签数据进行训练以优化网络参数;结合注意力机制方法使所提网络获得更好的分类能力,从而实现变工况下的滚动轴承故障诊断。最终将该方法与传统CNN、DANN、WDAANN等模型进行对比验证。结果表明所提方法的准确率提高,且模型的跨域诊断能力提高;所提网络的性能相比WDCNN、CNN及WDAANN网络明显提升,验证了所设计模型的优越性。

针对数控机床主轴故障诊断中标记样本量小的问题,提出了一种基于多传感器的迁移学习的故障诊断方法。首先,采集安装在数控机床主轴上的多个三轴加速度传感器采集的原始振动信号,并将信号转换成图像的变换方法得到输入。其次,比较了TrAdaBoost迁移算法和基于CNN网络迁移模型算法。最后,针对CNN网络迁移模型,用目标类替换输出层,并用最优网络提取较低层次的特征,对更高层次的神经网络进行微调。实验结果表明,该方法能够正确识别机床主轴状态,具有很好的故障检测能力。

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测。首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试。实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求。另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化。

针对现有基于深度学习的刀具磨损状态监测方法训练样本少、识别精度低的问题,建立基于迁移学习(TL)与深度残差网络(ResNet)的铣刀磨损状态监测模型。将刀具加工过程中的振动监测信号通过连续小波变换转换成能量时频图,作为网络模型的输入;将在ImageNet数据集上训练的ResNet50模型作为预训练模型,通过迁移学习的方法,应用到刀具磨损状态监测领域当中。实例验证表明:TL-ResNet模型的平均识别准确率达到98.52%,实现了刀具不同磨损状态下的智能识别,有效提高了刀具磨损状态监测的准确性和稳定性。

拆卸目标的自动检测是自动化拆卸的关键。针对基于深层神经网络算法的拆卸目标自动检测算法参数量大,导致的模型部署困难等问题,提出基于轻量级的YOLOX-Nano网络的目标组件智能检测方法。以十字螺钉为对象,构建数据集;提出基于迁移学习的YOLOX-Nano网络训练方法,基于试验法分析目标框回归损失和目标置信度损失对网络检测精度的影响规律,确定了最优的目标框回归损失和目标置信度损失组合,实现了网络检测精度的优化。最后,以某品牌插排为案例,对所提方法进行了实验验证。结果表明:使用轻量级网络实现十字螺钉检测,不仅得到了较为理想的检测效果,也大量减少了模型的部署时间,同时也为部署其他目标检测的轻量级网络提供了实验基础。

准确检测机械装配体在装配过程中的变化零部件,对于监测产品的装配顺序、提高装配质量、保障生产安全具有重要的意义。为了能够从多个角度检测机械装配体的变化零部件,提出基于三维注意力和双边滤波的机械装配体图像多视角变化检测网络(TAF Net)。为了提高机械装配体变化检测的准确性,TAF Net网络引入三维注意力机制,增强网络的细节特征提取能力;引入双边滤波,减少变化图像中的噪声,优化变化图像中零部件的边界。建立2个装配体变化检测数据集,分别为合成深度图像数据集、真实彩色图像数据集,使用2个数据集分别进行实验。结果表明:TAF Net网络能够精确检测出图像中的变化区域,在2个数据集中的综合评价指标F1_score都达到96%以上。

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明:单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间...

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型(TConvNeXt)。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用