为了在计算量有限的平台上实现对轴承故障的准确和实时诊断,提出一种基于轻量化Mobilenet V3模型结合数据增强和迁移学习技术的轴承故障诊断方法。将一维振动信号通过连续小波变换转换为二维时频图,以更好地揭示信号的时频特性;采用数据增强技术对时频图进行图像增强,并将它作为网络模型的输入,进一步提高模型的鲁棒性和泛化性能;最后,通过迁移学习调整网络模型,有效减少模型的训练迭代次数,提高诊断精度。采用所提方法在凯斯西储大学数据集上进行了实验验证。实验结果表明所提方法在源域下达到了100%的诊断精度,诊断时间为41.3 ms,模型大小为16.3 MB,相比同类型中最优的网络模型,其精度提高了0.437%;在不同信噪比的噪声下,平均诊断精度仍达到97.406%;在跨域实验中,平均准确率达到了98.188%,比同水平中最优的模型提高了1.563%。综合考虑诊断精度...

不同工况下的轴向柱塞泵故障数据存在分布差异,现有的基于特征迁移学习的变工况故障诊断方法大多只通过单个传感器信号进行分析,具有一定的局限性和片面性。为了利用多传感器信号提高变工况下轴向柱塞泵故障诊断的性能,该研究提出一种耦合分类器子空间嵌入分布自适应(Subspace Embedded Distribution Adaptation with Coupled Classifiers,SEDACC)方法。该方法利用多传感器信号的频谱数据构造主要数据集和辅助数据集,通过子空间对齐(Subspace Alignment,SA)方法将源域和目标域的主要数据投影到公共子空间中,并采用加权条件最大均值差异(Weighted Conditional Maximum Mean Discrepancy,WCMMD)作为度量进行特征分布的适配。同时,基于结构风险最小化(Structural Risk Minimization,SRM)准则在源域标签数据上学习主分类器,根据主分类器对于目标域的预测结果在目标域辅助数据上学习辅助分类器...

针对采煤机故障诊断过程中有效故障样本不足问题,提出变工况下采煤机故障诊断的迁移学习方法。对原始振动信号作小波变换得到时频图,利用图像增强原理凸显故障的时频特征,并对图像进行归一化后组成故障样本;利用大量不同工况下的现有故障数据组成源域数据,对卷积神经网络进行训练,以初步获取故障诊断模型;将训练后的模型迁移至采煤机故障诊断实验台,以最大均值差异(MMD)作为优化指标,利用实验台中的样本继续训练模型,实现权值微调。结果表明

针对滚动轴承故障严重程度与复合故障难以准确识别的问题,提出了一个基于提升双树复小波包(Lifting Dual-TreeComplex Wavelet Packet,LDTCWP)和深度小波自编码器(Deep WaveletAuto-Encoder,DWAE)的轴承故障诊断方法。首先,使用迁移学习扩展目标数据量;其次,对轴承振动数据进行3层提升双数复小波包分解,分别计算各子频带信号的样本熵、排列熵和能量矩,作为初始特征向量;最后,将初始特征向量输入DWAE,进行二次特征提取并实现故障诊断。实验结果表明,该方法能有效地对滚动轴承进行多种故障类型和多种故障程度的识别,与传统机器学习方法相比,在目标数据较少的情况下也具有较强的泛化能力、特征提取能力和识别能力。