近些年由于深度学习技术的介入,机械故障诊断算法也日新月异。但是现有的方法过于依赖大量数据支撑并缺乏较好的泛化能力。针对目前存在的两个问题,这里提出了一种基于多尺度卷积神经网络的全新算法(MSCNN)。该方法以轴承原始振动时序信号作为输入,为了实现预期效果,这里采取了如下三种解决思路;(1)模型使用具有一定重复率的样本数据,大幅扩充了样本数量;(2)引入多尺度卷积核进行特征提取;(3)模型根据振动信号的固有特征选择卷积核尺寸。MSCNN不仅能在少量数据下得到近乎100%的故障识别精度,还能够在不同数据集交叉中,表现出优秀的泛化性能。

针对轴承实际工况复杂多变,现有的智能故障诊断模型和方法诊断效果不理想等问题,设计一种深层特征相关性对齐迁移学习的故障诊断方法。首先,对原始轴承振动信号预处理并将所获得的数据样本划分为训练集、迁移集和测试集;其次,建立一维卷积神经网络,采用训练集对网络模型进行初始化训练;再次,利用迁移集对微调模型进行迁移,提取源域和目标域的深层特征,在迭代过程中不断提高两域所提取特征之间的相关性;最后,使用测试集对所得到的轴承智能故障诊断模型的有效性进行验证。实验结果表明,相对于传统故障诊断方法,该方法可以提高模型的泛化能力,更好地完成实际工况下的轴承故障诊断任务。

针对飞机整体驱动发电机(Integrated Drive Generator,IDG)可靠性要求高而故障数据较少的问题,提出小样本下基于LSSVM算法的飞机IDG可靠性分析方法。引入威布尔分布描述飞机IDG寿命分布可靠性模型;采用网格搜索法和交叉验证法对LSSVM回归模型进行参数寻优得到最优回归直线,结合图估计法得到威布尔分布的未知参数;与传统的最小二乘法所得结果进行对比分析。算例分析结果表明,新方法下飞机IDG可靠性分析精度较高,可更加客观地评价飞机IDG的可靠性;并根据该结果针对737-800飞机IDG部件提出相关维修建议。

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...

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...

支持向量机是由统计学习理论发展起来的机器学习算法，它从结构风险最小化的角度保证了模型的最大泛化能力。文中运用支持向量机进行小样本数据回归分析研究。首先利用推广性的界理论指导支持向量机回归模型参数的选取，以保证模型具有最大的推广能力；其次，运用基于正态分布和基于t分布的两种区间预测方法进行了预测值的区间估计；最后，利用模拟序列和真实的航空发动机油样光谱分析数据作为实验数据，建立了支持向量机回归分析模型，并与最小二乘法进行了比较。结果表明，所提出的支持向量机模型参数选取和区间估计方法适用于小样本数据的回归分析，具有较高的预测精度。

为了实现对生物医学仪器中移液过程的精确检测,提高仪器的测试精度,提出了一种在小样本下利用灰自助法获取微量移液过程压力控制区间的方法。首先,针对小样本问题,将灰色预测模型和自助再抽样方法相结合建立微量吸液灰自助法模型(GBM(1,1));然后,利用模型在小样本信息下获取压力控制区间;最后,通过搭建微量移液系统对该方法进行验证。实验结果表明,灰自助法用10条压力曲线能准确获取正常压力控制区间,并对正常吸液过程以及气泡、堵针、样本量不足等异常吸液过程进行准确检测及报警。

针对目前基于深度神经网络的柱塞泵故障诊断方法在小样本条件下精度低、模型欠拟合问题,提出一种小样本条件下基于孪生神经网络的柱塞泵故障诊断方法。搭建了柱塞泵故障实验台,采集柱塞泵在不同健康状态下的壳体振动信号;使用由卷积层和池化层组成孪生子网络自适应地从原始振动信号中提取低维特征,使用欧式距离判定输入样本对的特征相似度;通过相似度对比的方法扩大训练样本数量并训练孪生神经网络模型;最后,对测试样本进行健康状态识别。实验结果表明:与传统深度神经相比,所提方法在小样本情况下具有更高的准确率。同时,多通道数据融合实验表明:所提方法能够从不同通道的信号中学习到有关故障信息,多通道数据融合可以进一步提高诊断准确率。

针对自润滑关节轴承寿命试验耗时长、费用高、数据量少的现状,根据试验过程中轴承磨损量的变化规律,提出了一种样本扩充的方法,并利用扩充后数据的分析结果等效评估轴承寿命。结果表明,该评价方法操作简便,所得结果与实际应用情况一致。

在数控机床可靠性建模过程中,经常遇到子系统故障数据较少的情况即小样本数据情况,使用传统经典可靠性建模方法进行建模往往会有较大的误差。回归折算法可将不同环境下的试验数据进行折算,弥补数据少的缺陷。针对小样本数据,引入回归折算法,将参考产品的故障数据折算到目标产品,增加数据量,再使用最小二乘法估计出威布尔分布模型的参数,提高其准确性。通过Monte Carlo模拟结果表明,所提方法的评估结果误差较小。最后,运用实例对所提方法和经典建模法进行对比分析,证明了所提方法的正确性和对小样本数据的适用性。