针对长短时记忆网络(Long Short Term Memory,LSTM)处理大数据集时运行时间长、存在维数灾难的问题,提出基于能量熵和CL-LSTM(Long Short Term Memory Network with Center Loss)的智能故障诊断模型。利用自适应白噪声的完整集合经验模态分解对原始信号进行分解;结合相关系数筛选IMF分量并计算其能量熵作为新样本输入到LSTM中,增强了样本间的差异性,减小了数据维度。将中心损失引入Softmax损失中,使类内距离更小,进一步提高分类精度。利用西储大学轴承数据集进行实验,验证了所提方法在识别滚动轴承故障状态时准确率高、稳定性好。

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。

现有的基于凸壳的支持向量机(SVM)算法处理机械装备产生的大规模原始数据时间太长。针对这一问题,通过结合轮廓提取算法(Alpha Shapes)和快速凸壳算法,提出一种结合改进快速凸壳算法的SVM用于故障诊断研究。该融合算法利用改进简化的Alpha Shapes算法提取点集的边界数据点,作为改进的快速凸壳算法的对象,减少凸壳算法递归的工作量。实验结果表明:该算法平均只提取了数据集0.26%的数据点,且计算的时间也相应降低。最后实验同样表明该算法的性能优于单一

针对滚动轴承故障诊断过程中因采集数据不平衡而导致诊断精度下降的问题开展研究。面向原始一维振动信号多尺度复杂性的特点,提出一种基于多尺度代价敏感卷积神经网络的不平衡故障诊断方法。构建串并联结构的多尺度一维卷积特征提取层,通过设计不同卷积层的连接方式和选取不同的卷积核大小实现多特征提取;利用注意力机制自适应设置Adacost代价敏感损失函数的代价矩阵,实现权重的自适应分配。通过在多种不平衡比率的西储大学轴承数据集上的

作为轴承故障诊断依据,振动传感器采集的信号易受工作环境噪声干扰。为更加准确提取特征信息,采用改进传统小波阈值去噪方法,利用中间比例系数过渡方法,将传统硬阈值和软阈值结合,信号去噪更加平滑有效。去噪后的信号进行二维短时傅里叶变换,得到二维时频域数据结构。通过胶囊注意力方式改进ResNet网络直连结构,从而得到更好的分类模型Capsut-ResNet。通过对比去噪前后和不同注意力模型结构,证明了方法的有效性,能够实现更高的准确率。

针对液压系统出现故障隐蔽性强、可变性强的问题给出基于修正的D2S(Dempster2Shafer)证据理论的多传感器时空域信息融合方法。通过测试待诊断部分的压力、温度、流量并结合经验值得到各部分信度函数分配根据D2S组合、决策规则对多个传感器多个测量周期的时空域信息进行融合识别出故障部分。实验表明:该方法在证据高度冲突时仍有效果并有效防止了指数爆炸现象算法简单能准确定位故障。