针对风电机轴承历史运行数据来源单一、数据量少,导致风电机轴承故障诊断性能受限问题,提出一种基于数据生成与迁移学习的轴承小样本故障诊断方法。首先,对于轴承数据集中存在类不平衡、数据稀缺的问题,提出一种基于门限机制的数据生成方法,采用与轴承驱动端同轴的桨叶端数据为模板产生足量的生成数据,结合真实数据作为源数据集;然后,根据数据的时序关联性和小样本的应用场景,提出一种基于一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)和双向门限单元(Bidirectional Gated Recurrent Unit,BiGRU)的迁移学习(Transfer Learning)方法,先用源数据集在训练网络上训练获得源模型,再用少量驱动端数据作为目标数据集对其进行微调(Fine-tuning)获得目标模型;最后,对目标模型全连接层的输出采用Softmax函数进行故障诊断。实验表明,提出的故障检测方法在...

燃油泵是飞机燃油系统的核心部件。燃油泵的工作环境恶劣,一旦发生故障,会对飞机的飞行安全造成严重的后果,所以对飞机燃油泵进行故障诊断至关重要。现阶段飞机燃油泵故障存在一些问题,如故障较为随机,故障数据稀缺等。针对这些问题,提出了基于深度迁移学习的飞机燃油泵故障诊断算法。首先,将飞机燃油泵和其他结构相似泵的数据分别作为目标数据和训练数据,利用小波包分解,对两种泵的原始数据进行特征提取。其次,对分解后的两种故障数据进行过采样处理,增加数据量。使用最大均值差异算法(MMD)作为衡量域损失的度量,并将其嵌入到1维卷积神经网络(CNN)结构中。使用该算法对数据进行训练,最终完成故障分类。实验结果表明,该算法相对于BP神经网络、LSTM以及CNN有更好的准确性。

合理的弹性橡胶密封垫断面形状是保障盾构隧道管片接缝防水设计性能的关键。密封垫断面优化设计时,需要反复进行材料大变形、接触分析等复杂的非线性计算,极大限制了优化效率。为此,以闭合压力与有效接触压力占比为双控目标,提出了一种结合深度神经网络代理模型的结构优化算法。在遗传算法框架下,深度神经网络代理模型可以实现由断面形状到接触应力场的快速映射。同时,迁移学习的引入实现了不同类型断面形状代理模型的知识复用,仅利用小样本即可建立高精度的接触应力预测模型,从而有效提高了闭合压力约束条件下的密封垫结构断面优化效率。

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应(Subspace Embedded Distribution Adaptation with Coupled Classifiers,SEDACC)方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐(Subspace Alignment,SA)方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异(Weighted Conditional Maximum Mean Discrepancy,WCMMD)作为度量进行特征分布的适配。同时,基于结构风险最小化(Structural Risk Minimization,SRM)准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器...

为了提升利用微调构造的深度神经网络代理模型(又名深度代理模型)的性能,提出了一种主动闭环蒙特卡罗试验设计方法,通过费雪尔信息矩阵将设计点与模型梯度关联,并利用乘法算法求解,然后引入随机离散蒙特卡罗算法进行闭环采样,使得设计点具有覆盖整个设计空间的统计学特性。基于该方法,利用多层感知器建立了某伸缩臂叉车臂架动作特性深度代理模型,并结合最小预测和预期改善,实现了液压控制系统的设计优化。实验结果显示:与当前基准相比,提出的方法所需仿真数据减少了64.3%;优化后叉车臂架变幅缸压力波动更加平稳,且最大值减小了46%。

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL。卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签。根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异。结果表明:与现有诊断模型相比,该迁移模型的准确率更高。

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。

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

针对滚动轴承故障严重程度与复合故障难以准确识别的问题,提出了一个基于提升双树复小波包(Lifting Dual-TreeComplex Wavelet Packet,LDTCWP)和深度小波自编码器(Deep WaveletAuto-Encoder,DWAE)的轴承故障诊断方法。首先,使用迁移学习扩展目标数据量;其次,对轴承振动数据进行3层提升双数复小波包分解,分别计算各子频带信号的样本熵、排列熵和能量矩,作为初始特征向量;最后,将初始特征向量输入DWAE,进行二次特征提取并实现故障诊断。实验结果表明,该方法能有效地对滚动轴承进行多种故障类型和多种故障程度的识别,与传统机器学习方法相比,在目标数据较少的情况下也具有较强的泛化能力、特征提取能力和识别能力。

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。