针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编...针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编码器和正交约束实现域共享特征和域私有特征的解纠缠,筛除域私有特征并保留域共享特征进行域间对齐;其次,为缩小源域与目标域间的特征分布差异,采用多核最大均值差异(multiple kernel maximum mean discrepancy,MK-MMD)和相关对齐(correlation alignment,CORAL)方法构建融合度量准则;最后,为避免多源域差异带来的负面影响导致诊断精度下降的问题,采用源对抗模块和迁移对抗模块实现源域间及源域与目标域间的域混淆增强,并采用协同决策方式进行特征加权融合,降低弱相关域特征的干扰,实现最终的故障诊断识别。通过两种跨工况下的滚动轴承故障数据集对所提方法开展试验验证,并与单源域诊断方法及其它多源域诊断方法进行了对比分析,证明了所提方法的有效性和优越性。展开更多
针对间歇过程数据不足,单源域迁移存在模型偏移,跨域信息损失导致建模效果不佳、负迁移等问题,结合域适应学习和多源域学习方法的优势,提出一种基于多源域适应联合Y偏最小二乘(joint-Y partial least squares,JYPLS)迁移的间歇过程质量...针对间歇过程数据不足,单源域迁移存在模型偏移,跨域信息损失导致建模效果不佳、负迁移等问题,结合域适应学习和多源域学习方法的优势,提出一种基于多源域适应联合Y偏最小二乘(joint-Y partial least squares,JYPLS)迁移的间歇过程质量预测方法。该方法通过迁移学习使用相似旧过程的数据辅助新过程建模,提高建模效率和模型预测精度;采用多源域适应的方式,通过引入多个源域,有效避免了负迁移;基于域适应思想减少源域和目标域之间的边缘概率分布差异,使得源域知识在目标域更好地泛化。最后,通过青霉素发酵过程的仿真案例验证了所提方法的有效性。展开更多
文摘针对变工况环境下采集到的滚动轴承振动数据特征分布不一致及待诊断样本标签难获取,导致轴承故障难诊断的问题,提出一种基于特征解纠缠和联合域对齐的滚动轴承多源域迁移诊断方法。首先,为更好提取源域和目标域的通用特征,利用卷积自编码器和正交约束实现域共享特征和域私有特征的解纠缠,筛除域私有特征并保留域共享特征进行域间对齐;其次,为缩小源域与目标域间的特征分布差异,采用多核最大均值差异(multiple kernel maximum mean discrepancy,MK-MMD)和相关对齐(correlation alignment,CORAL)方法构建融合度量准则;最后,为避免多源域差异带来的负面影响导致诊断精度下降的问题,采用源对抗模块和迁移对抗模块实现源域间及源域与目标域间的域混淆增强,并采用协同决策方式进行特征加权融合,降低弱相关域特征的干扰,实现最终的故障诊断识别。通过两种跨工况下的滚动轴承故障数据集对所提方法开展试验验证,并与单源域诊断方法及其它多源域诊断方法进行了对比分析,证明了所提方法的有效性和优越性。
文摘针对传统无监督领域自适应方法扩展到多工况滚动轴承故障诊断场景适用性较弱的问题,提出了一种多源域自适应残差网络(multi-source domain adaptive residual network,MDARN),通过对齐来自多个源域的相关子域,从而提高模型在多工况下的故障诊断性能。首先,利用ResNeXt残差网络从源域和目标域充分提取可迁移特征;然后,引入局部最大平均差异(local maximum mean difference,LMMD)准则,以两个源域的子域为基础对齐目标域中相关子域,减少相关子域间和全局域间的分布差异;最后,利用美国凯斯西储大学轴承数据集和MFS机械综合故障试验台产生的真实的轴承振动数据集,对所提方法进行了试验验证。结果表明,该方法在多工况下的平均故障诊断精度高达99.76%。与现有代表性方法相比,所提方法具有更好的故障诊断效果。
文摘针对间歇过程数据不足,单源域迁移存在模型偏移,跨域信息损失导致建模效果不佳、负迁移等问题,结合域适应学习和多源域学习方法的优势,提出一种基于多源域适应联合Y偏最小二乘(joint-Y partial least squares,JYPLS)迁移的间歇过程质量预测方法。该方法通过迁移学习使用相似旧过程的数据辅助新过程建模,提高建模效率和模型预测精度;采用多源域适应的方式,通过引入多个源域,有效避免了负迁移;基于域适应思想减少源域和目标域之间的边缘概率分布差异,使得源域知识在目标域更好地泛化。最后,通过青霉素发酵过程的仿真案例验证了所提方法的有效性。
