在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数...在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。展开更多
针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故...针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。展开更多
文摘在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。
文摘针对深度残差网络无法在噪声环境下精确诊断的问题,提出了一种基于直接快速迭代滤波(direct fast iterative filtering,DFIF)和自适应深度残差网络(adaptive deep residual network,AResNet)的方法,并将其应用于噪声环境下旋转机械的故障诊断中。首先,在采集的振动信号中增加不同强度的噪声,再经DFIF分解得到若干个本征模态函数(intrinsic mode function,IMF)分量,选取综合评价指标值最小的IMF分量作为输入样本;其次,提出了自适应残差单元(adaptive residual building unit,ARBU),ARBU通过计算各个通道的最优系数,自适应地放大故障敏感特征和抑制无关特征,能够更好地替代传统的残差单元;最后,基于ARBU构造AResNet,输入样本经过AResNet得到故障诊断结果。将所提方法应用于噪声背景下旋转机械的故障诊断中,在两个不同数据集中进行了验证。研究结果表明,与现有方法相比,所提方法具有更高的噪声鲁棒性、稳定性和更优的计算效率,且能够更好地解决旋转机械在噪声背景下故障特征难以有效挖掘的问题。
