论文部分内容阅读
旋转机械广泛应用于航空航天、轨道交通、石油化工、汽车制造和风力发电等关乎国计民生的重要工程领域。开展旋转机械及其关键部件的状态监测和故障诊断,对保障设备健康稳定运行、提升运转效率和避免重大事故发生具有重要的意义。深度学习是包含多个隐藏层的深度神经网络,通过模拟人脑的分层结构,构建多层非线性变换,挖掘输入数据内部隐藏的分布式特征表示。迁移学习,作为一种新的学习范式,基于数据或任务的相似性,能将一个或多个领域学到的知识,通过模型自适应调整,迁移和应用到新的场景中,使模型具备举一反三的能力。因此,本文以深度迁移学习为核心,围绕旋转机械智能诊断领域的若干关键问题,在特征提取和增强、小样本学习、变工况诊断和多传感器信息融合方面展开深入研究,主要内容包括以下四个方面:1)针对机械设备核心部件故障发生时,故障信号微弱,特征提取和学习困难的问题,提出一种基于卷积神经网络和子空间迁移的特征增强方法。考虑信号的循环平稳特性,采用循环谱分析技术获取循环谱相干映射图,有效揭示不同健康状况的特征差异。同时,建立卷积神经网络诊断模型,引入子空间迁移学习技术,构造组归一化和关联对齐两个无监督适配层,自适应调整网络的深度特征,提高模型学习的有效性。通过轴承不同故障类型和不同载荷下的诊断试验,验证了所提方法具有很强的特征表示和分类能力。2)针对样本稀缺情况下,深度神经网络训练容易过拟合、网络泛化能力差等问题,提出一种基于模型迁移的小样本故障分类方法。通过构建深度神经网络模型直接端到端从原始数据自动提取特征,提高特征学习的智能性。进一步采用模型迁移方案,将大型标签源域数据的诊断知识迁移到目标域网络上,改进网络在目标域任务小样本条件下的学习和分类能力。在跨工况和跨设备迁移任务上进行算法评估,并与传统深度神经网络诊断模型进行比较,验证了所提方法可有效改进诊断性能和计算效率。3)针对变工况下,源域数据和目标域数据存在的分布差异问题,提出一种域对抗迁移网络的变工况状态识别方法。通过构建两个独立的编码网络,分别对源域数据和目标域数据进行学习,并引入权值迁移策略和对抗训练机制,有效减少源域和目标域的数据分布差异,改进网络诊断能力。同时,考虑标签空间异构的部分域诊断问题,提出一种加权对抗迁移网络部分域诊断方法。在目标域标签空间是源域标签空间的一个子集情况下,考虑源域不相关样本对特征适配的影响,在诊断网络中引入加权学习方案,减少不相关源域样本的干扰,促进源域和目标域共享类别样本的适配。通过轴承和齿轮箱诊断试验,验证了上述方法可有效改进设备在变工况下的诊断精度和抗噪能力。4)为有效利用工业测试系统中多传感器信息,提出一种基于深度迁移网络的多传感器信息融合及诊断方法。利用深度神经网络的强大特征提取能力,对来自多个传感器的信息采用稀疏自编码网络进行特征融合,并利用深度置信网络分类,初步验证信息融合的有效性;进一步考虑测试数据和训练数据可能来自多个不同位置传感器,导致的数据分布差异问题,将深度神经网络和迁移学习相结合,提出一种多传感器决策层融合方法,通过构建深度迁移网络对多个源域传感器数据与目标域传感器数据进行域适配,减少数据分布差异,并在输出层采用决策层融合,改进了诊断模型的故障分类能力。所提方法有效提高了旋转机械在特征提取和增强、小样本学习、变工况诊断和多传感器信息融合等任务上的分类精度和泛化能力,扩展了现有诊断方法的应用范围,为复杂环境下机械设备的智能故障诊断提供了新的手段和思路。