题名 基于数据增强与领域泛化的轴承跨域故障诊断
被引量：1
1
作者
徐宁富 彭云建 张清华
机构
华南理工大学自动化科学与工程学院 广东石油化工学院
出处
《机床与液压》
北大核心
2024年第16期183-193,共11页
基金
国家自然科学基金项目(6193000428)。
文摘
在实际故障诊断任务中,待诊断任务往往不可预知,现有的一些迁移学习方法在构建迁移模型时,大多只集中在单一数据来源的学习上,并且极大依赖于目标域数据的样本数量等。针对此问题,提出一种基于数据增强与领域泛化的故障诊断方法。提出一种将一维振动信号转换为二维特征指标灰度图的数据预处理方法;利用带有梯度惩罚的深度条件Wasserstein对抗网络对多源域数据进行数据增强;最后,采取多域对抗学习策略,缩小多域间的分布差异,从而实现各域的特征域自适应。在轴承数据集上对所提方法的有效性和可靠性进行了充分的实验验证。实验结果表明:所提方法具有较高的稳定性和泛化性能,并且诊断精度优于其他方法。
关键词
数据增强 领域 泛化 生成对抗 卷积神经网络 跨域故障诊断
Keywords
data augmentation domain generalization generative adversarial convolutional neural network cross-domain fault diagnosis
分类号
TH133.3
[机械工程—机械制造及自动化]
题名 旋转机械异源跨域故障的参数迁移网络诊断
2
作者
杨小青 王志俊
机构
山西工程科技职业大学计算机工程学院
出处
《机械设计与制造》
北大核心
2025年第8期41-46,共6页
基金
2022年度山西省教育科学“十四五”规划课题(GH-220625)。
文摘
为了提高旋转机械在异源样本下的跨域故障诊断准确率,提出了基于参数迁移卷积神经网络的故障诊断方法。从空间映射的角度描述了旋转机械故障诊断问题,并采用数据增强技术解决了故障样本不足的问题。针对变工况导致的样本异源跨域问题,基于参数迁移的思想设计了迁移批归一化模块;针对深层网络训练时的梯度消失问题,基于残差结构的思想设计了残差模块;将批归一化模块和残差模块嵌入到卷积神经网络中,得到了参数迁移卷积神经网络,并制定了故障诊断流程。经实验验证,带残差结构的DCNN1网络诊断精度为98.67%,比无残差结构的DCNN2网络高9.34%,且DCNN1网络的训练速度更快。在异源样本条件下,DCNN-TL网络的诊断准确率为99.55%,比分布适配法高7.22%,比传统DCNN网络高12.55%。实验结果表明,参数迁移卷积神经网络在异源样本条件下具有更高诊断准确率。
关键词
参数迁移 卷积神经网络 残差模块 异源样本 跨域故障诊断
Keywords
Parameters Migration Convolution Neural Network Residual Module Heterologous-Source Sample Cross-Domain Fault
分类号
TH16
[机械工程—机械制造及自动化]
TH133.33
[机械工程—机械制造及自动化]
TP18
[自动化与计算机技术—控制理论与控制工程]
题名 基于联合分布偏移差异的跨域滚动轴承故障诊断方法
被引量：5
3
作者
雷杨博 朱智勤 柴毅 齐观秋 安翼尧 徐鹏
机构
重庆邮电大学自动化学院 重庆大学自动化学院 布法罗州立学院计算机信息系统系
出处
《电子测量与仪器学报》
CSCD
北大核心
2022年第10期146-156,共11页
基金
国家自然科学基金(61803061,61906026) 重庆市教委重庆市高校创新群体“成渝双城经济圈建设”科技创新项目(KJCXZD2020028) 重庆市技术创新与应用发展专项(cstc2019jscx-zdztzx0068)项目资助
文摘
现有的无监督域自适应故障诊断方法大多只基于单一域信号实现,提取的故障信息不够全面。只注重实现源域和目标域特征的边缘分布对齐,忽略了样本的条件分布差异,限制了诊断精度的提升。为克服以上问题,提出一种基于联合分布偏移差异(joint distribution offset difference,JDOD)的跨域滚动轴承故障诊断方法。使用两个结构一致的卷积神经网络(CNN)分别提取信号的时域与频域特征,获取更完整的故障信息。提出联合分布偏移差异,实现不同域特征的边缘分布对齐和条件分布对齐。在两个多工况轴承数据集上与多种先进方法展开对比实验,取得了99%以上的平均诊断精度。实验结果表明联合分布偏移差异有效提升了跨域故障精度。
关键词
跨域故障诊断 域 自适应分布对齐 卷积神经网络
Keywords
cross-domain fault diagnosis domain adaptation discrepancy alignment CNN
分类号
TP277
[自动化与计算机技术—检测技术与自动化装置]
TH133.33
[机械工程—机械制造及自动化]
题名 基于中间桥层和相似矩阵的深度对抗迁移故障诊断方法
4
作者
蔡能 武兵 李翔宇 李聪明
机构
太原理工大学机械与运载工程学院 太原理工大学新型传感器与智能控制教育部重点实验室
出处
《机电工程》
CAS
北大核心
2023年第5期655-663,672,共10页
基金
国家自然科学基金青年基金资助项目(72101173) 山西省科技重大专项(20181102027)。
文摘
采用深度对抗迁移学习算法进行故障诊断时,受到领域中丰富的特征属性的影响,在领域自适应中无法充分学习可用于迁移的共有知识特征,且其在类别水平上忽略了不同类别的对齐程度的差异。针对这一问题,提出了一种基于中间桥层和相似矩阵(MB-SM)的对抗故障诊断模型,以实现对滚动轴承故障进行跨域诊断识别的目的。首先,利用改进的一维多尺度残差网络对数据的特征进行了提取;然后,引入了中间桥层和相似矩阵,完成了对共有知识特征的充分学习,降低了整体网络的数据传输难度,进一步加强了源域和目标域中同一类别内的聚类和类别之间的分离,提高了故障数据的领域适配能力;最后,采用实验室轴承数据集和美国凯斯西储大学(CWRU)数据集,对基于中间桥层和相似矩阵的模型方法进行了验证。研究结果表明:在自建实验室数据集中,采用基于中间桥层和相似矩阵的方法可以达到90.37%的平均准确率;在美国凯斯西储大学(CWRU)数据集中,也可以达到99.34%的平均准确率。相较于其他迁移学习对比模型,采用该模型方法可以获得更好的诊断性能。
关键词
滚动轴承 故障 跨 域 诊断 识别中间桥层和相似矩阵 对抗性迁移学习 领域 自适应 深度卷积神经网络
Keywords
rolling bearing fault cross-domain diagnosis and identification middle bridge layer and similarity matrix(MB-SM) adversarial transfer learning domain adaptation deep convolutional neural networks(DCNN)
分类号
TH133.33
[机械工程—机械制造及自动化]
TH17
[机械工程—机械制造及自动化]
