滚动轴承作为机床的重要核心零件,对保证机床的正常运转至关重要。然而在实际工作中,机床的工况经常根据不同的工作要求产生相应的变化,对机床轴承的转速以及负载产生一定的影响,从而导致轴承的机械振动信号呈现出非平稳性、非线性和非周期性等特点。目前基于深度学习的轴承故障诊断方法对数据具有一定的依赖性,要求训练(源域)和测试(目标域)数据集具有相同的数据特征且存在足够多的带有故障信息的标签数据。然而,由于机床常在非平稳工况下运行,因此在某一工况上建立的训练模型无法直接用于其他工况。为了解决这一问题,基于迁移学习(TL)技术,设计一维卷积神经网络(1-DCNN)与迁移学习相结合的模型。该模型利用一维卷积网络直接从原始振动信号中提取故障特征信息,并利用对抗策略迁移技术提取两域的公共特征。利用域分布差异度量拉...

基于深度神经网络(Deep Neural Network,DNN)的深度学习(Deep Learning,DL)在图像识别、语音识别和文本分析等领域取得了巨大成功。但是深度学习在工业领域的应用遇到训练样本数量不够和训练算力不足的困难。将深度神经网络的迁移学习(Transfer Learning)应用到工业产品表面质量检测,解决了深度学习样本和算力不足的问题,其准确率达到了99.8%,超过了传统机器学习算法和没有迁移学习的卷积神经网络(Convolutional Neural Network,CNN)。构造的深度神经网络分为两部分前面为已经训练好的深度神经网络GoogLeNet,后面部分为识别表面缺陷专用层,训练的时候只需要训练后面部分。

针对工况复杂多变而产生数据分布不一致,导致传统机器学习进行故障诊断分析时精度低的问题,提出了选择性集成迁移学习的故障诊断方法,基于相似度原理,将相似度高的源域数据迁移至目标域,增加了有效训练样本的数据量,然后结合集成SVM进行故障识别;并在此基础上,提出了一种基于类内类间数据样本分散度的特征选取方法。轴承故障诊断实验结果表明,选择性集成迁移学习可以有效解决工况多变导致设备故障诊断精度低的问题,而且特征优选后诊断精度会得到进一步提升。

针对齿轮故障样本欠缺问题,提出一种基于Hilbert-Huang谱和预训练VGG16模型的迁移学习故障诊断方法。对振动信号进行经验模态分解(Empirical Mode Decomposition,EMD)得到本征模态函数(Intrinsic Mode Function,IMF),同时取相关系数最大的IMF做Hilbert变换,获取时频谱;利用预训练VGG16提取变负载下和各健康状态下齿轮的Hilbert-Huang谱图像特征;采用全局均值池化层取代VGG16模型部分全连接层,进行分类输出。实验结果表明,在少量的样本数据下,该方法的齿轮故障诊断准确率达到98.86%,优于TLCNN和Tran VGG-19等迁移学习方法,证明了该方法在齿轮故障诊断中具有一定研究价值。

针对风电机轴承历史运行数据来源单一、数据量少,导致风电机轴承故障诊断性能受限问题,提出一种基于数据生成与迁移学习的轴承小样本故障诊断方法。首先,对于轴承数据集中存在类不平衡、数据稀缺的问题,提出一种基于门限机制的数据生成方法,采用与轴承驱动端同轴的桨叶端数据为模板产生足量的生成数据,结合真实数据作为源数据集;然后,根据数据的时序关联性和小样本的应用场景,提出一种基于一维卷积神经网络(One Dimensional Convolutional Neural Network,1DCNN)和双向门限单元(Bidirectional Gated Recurrent Unit,BiGRU)的迁移学习(Transfer Learning)方法,先用源数据集在训练网络上训练获得源模型,再用少量驱动端数据作为目标数据集对其进行微调(Fine-tuning)获得目标模型;最后,对目标模型全连接层的输出采用Softmax函数进行故障诊断。实验表明,提出的故障检测方法在...

拆卸目标的自动检测是自动化拆卸的关键。针对基于深层神经网络算法的拆卸目标自动检测算法参数量大,导致的模型部署困难等问题,提出基于轻量级的YOLOX-Nano网络的目标组件智能检测方法。以十字螺钉为对象,构建数据集;提出基于迁移学习的YOLOX-Nano网络训练方法,基于试验法分析目标框回归损失和目标置信度损失对网络检测精度的影响规律,确定了最优的目标框回归损失和目标置信度损失组合,实现了网络检测精度的优化。最后,以某品牌插排为案例,对所提方法进行了实验验证。结果表明:使用轻量级网络实现十字螺钉检测,不仅得到了较为理想的检测效果,也大量减少了模型的部署时间,同时也为部署其他目标检测的轻量级网络提供了实验基础。

准确检测机械装配体在装配过程中的变化零部件,对于监测产品的装配顺序、提高装配质量、保障生产安全具有重要的意义。为了能够从多个角度检测机械装配体的变化零部件,提出基于三维注意力和双边滤波的机械装配体图像多视角变化检测网络(TAF Net)。为了提高机械装配体变化检测的准确性,TAF Net网络引入三维注意力机制,增强网络的细节特征提取能力;引入双边滤波,减少变化图像中的噪声,优化变化图像中零部件的边界。建立2个装配体变化检测数据集,分别为合成深度图像数据集、真实彩色图像数据集,使用2个数据集分别进行实验。结果表明:TAF Net网络能够精确检测出图像中的变化区域,在2个数据集中的综合评价指标F1_score都达到96%以上。

针对实际应用中矿井通风机轴承负样本少导致故障诊断率低的问题,提出一种基于深度迁移学习的矿井通风机轴承故障诊断方法。组合卷积神经网络(CNN)与双向门控循环单元(BiGRU),并采用随机森林(RF)分类器替换CNN的Softmax层,构建CNN-BiGRU-RF诊断模型,提取轴承更深层次故障特征以便于故障识别;利用源域数据对模型训练,确定模型结构参数;最后,引入迁移学习将模型迁移至目标域,使用目标域有标签数据微调模型参数,构建目标域诊断模型进行故障分类。实验结果表明:在矿井通风机轴承负样本稀少情况下,所提方法的故障识别平均准确率在94%以上,与其他方法相比,具有更好的诊断精度和泛化能力。

针对单源信号对回转机组电机多点复合故障信息表征不充分及复合故障信号小样本问题,提出一种小样本下电机复合故障的多头卷积神经网络迁移学习模型,实现小样本下电机复合故障的多源异构迁移诊断。将动力装置中电流、振动等多源原始数据作为输入,构造超参数优化的多头卷积神经网络模型。将大样本单故障的原始数据集作为源域,构建目标域下以原始数据为输入的电机小样本复合故障迁移网络模型。将正则化惩罚项应用到迁移学习模型中,构建模型目标函数参数更新准则,实现模型对源域与目标域参数的自适应更新配适。试验结果表明:单源信息的诊断可靠性依赖于数据源的选取,多源信号的多头卷积神经网络模型可有效融合电流、振动信号并实现特征提取。通过与多个模型比对,所提方法在小样本下对电机复合故障的识别精度显著提升,且收敛时间...

作为石化机组的重要组成部分,轴承发生故障将导致机械运转故障进而影响企业经济效益,故而研究石化机组轴承故障预测、故障诊断具有重大意义。介绍故障诊断中早期基于信号处理的轴承故障诊断方法,阐述应用广泛的深度学习(包括卷积神经网络、迁移学习)等模型在石化机组轴承故障诊断中的应用,并展望基于人工智能的石化机组轴承故障诊断应用。