针对数控机床主轴故障诊断中标记样本量小的问题,提出了一种基于多传感器的迁移学习的故障诊断方法。首先,采集安装在数控机床主轴上的多个三轴加速度传感器采集的原始振动信号,并将信号转换成图像的变换方法得到输入。其次,比较了TrAdaBoost迁移算法和基于CNN网络迁移模型算法。最后,针对CNN网络迁移模型,用目标类替换输出层,并用最优网络提取较低层次的特征,对更高层次的神经网络进行微调。实验结果表明,该方法能够正确识别机床主轴状态,具有很好的故障检测能力。

为了判断高铁线缆扣件的装配是否正确,这里采用一种基于迁移学习的卷积神经网络的算法对高铁线缆扣件装配进行检测。首先将预训练的网络与目标检测算法相结合,建立完整的装配检测网络,然后对制作好的数据集进行训练和测试。实验结果表明,相比传统对象识别的方法,该方法不仅提高了工件装配检测的准确度,还保证了工业检测中对实时性的要求。另外,由于卷积神经网络可以获取工件图像的深层特征,从而使得目标检测算法更加稳健,更能适应光照、灰尘等环境噪声的变化。

起重机具有诸多类型,不同类型的起重机具有不同的分析或保养方法,因此对起重机类型进行识别意义重大。针对深度卷积神经网络中存在的数据需求量大、训练时间长、计算成本高等问题,提出一种基于迁移学习和微调的起重机类型识别策略。通过搭建不包含分类层的预训练InceptionV3模型并连接自定义的分类层,利用迁移学习和微调技术,训练出适用于起重机类型识别任务的卷积神经网络。实验结果表明,相较于从头搭建并训练深度卷积神经网络,利用迁移学习和微调方法对预训练模型进行训练可得到较高的识别准确率,并且训练速度更快,训练时间显著缩短。验证集和测试集的识别准确率分别为98.24%和97.67%。

基于视觉对驾驶行为进行异常检测中,出于行车安全的角度考虑,在采集驾驶行为样本时异常驾驶行为不能长时间持续,因此数据集会存在异常样本数较少的问题。而对于高阶小样本数据,线性支持高阶张量机(Support Higher-Order Tensor Machine,简称SHTM)具有很好的分类性能。但视觉图像会包括整个驾驶区域,使其存在较多冗余信息,影响SHTM的分类精度,采用视觉几何群19网络(Visual Geometry Group Network19,简称VGG19)对数据进行特征提取能够有效的解决这个问题。同时,对于VGG19训练过程中样本数不足的问题,迁移学习能够很好的解决。因此,提出迁移VGG支持高阶张量机算法(Transfer VGG-Support Higher-Order Tensor Machine,简称迁移VGG-SHTM),利用VGG19对样本数据进行特征提取,并引入迁移学习的方法解决VGG19训练过程中数据样本较少的问题,最后利用SHTM对提取的特征进行分类,实现驾驶行为异常...

为了提升传统迁移学习故障诊断中信息挖掘深度,实现不同机器间的迁移学习,提出了一种基于特征的迁移神经网络轴承智能故障诊断方法。首先利用一个域共享的卷积神经网络同时从BLMS和BRMS中提取原始振动数据的可传递特征。然后,提出了多层域自适应和伪标记学习的正则化项,对神经网络的参数施加约束,以减小学习的可迁移特征的分布差异和类间距离。利用实验室采集的电机轴承和齿轮箱轴承的数据,识别出实际情况下机车轴承的健康状态。结果表明,该方法能够有效地学习可传递特征,弥补BLMS和BRMS数据之间的差异,验证了该方法的有效性。

合理的弹性橡胶密封垫断面形状是保障盾构隧道管片接缝防水设计性能的关键。密封垫断面优化设计时,需要反复进行材料大变形、接触分析等复杂的非线性计算,极大限制了优化效率。为此,以闭合压力与有效接触压力占比为双控目标,提出了一种结合深度神经网络代理模型的结构优化算法。在遗传算法框架下,深度神经网络代理模型可以实现由断面形状到接触应力场的快速映射。同时,迁移学习的引入实现了不同类型断面形状代理模型的知识复用,仅利用小样本即可建立高精度的接触应力预测模型,从而有效提高了闭合压力约束条件下的密封垫结构断面优化效率。

为了提升利用微调构造的深度神经网络代理模型(又名深度代理模型)的性能,提出了一种主动闭环蒙特卡罗试验设计方法,通过费雪尔信息矩阵将设计点与模型梯度关联,并利用乘法算法求解,然后引入随机离散蒙特卡罗算法进行闭环采样,使得设计点具有覆盖整个设计空间的统计学特性。基于该方法,利用多层感知器建立了某伸缩臂叉车臂架动作特性深度代理模型,并结合最小预测和预期改善,实现了液压控制系统的设计优化。实验结果显示:与当前基准相比,提出的方法所需仿真数据减少了64.3%;优化后叉车臂架变幅缸压力波动更加平稳,且最大值减小了46%。

针对目标域标记数据少导致迁移模型泛化能力差的问题,提出基于伪标签的半监督迁移学习模型WSTLPL。卷积神经网络用于学习原始振动数据的可迁移特征,用源域数据预训练网络;利用该网络预测目标域数据类别,将分类概率最大的类标签作为数据的伪标签。根据域自适应和伪标签学习的正则化项,对神经网络的参数施加约束,以减少学习到的可迁移特征的分布差异。结果表明:与现有诊断模型相比,该迁移模型的准确率更高。

针对现有故障诊断方法多是面向单一故障进行研究,对于实际工况下的复合故障缺乏相应的诊断方法,提出一种基于有监督学习的ConvNeXt滚动轴承多工况复合故障诊断模型(TConvNeXt)。通过合成少数类过采样技术将滚动轴承数据集重构为平衡数据集,以提高复合故障样本的利用率;利用迁移学习使TConvNeXt网络模型掌握判别滚动轴承复合故障信息所需的部分权重,通过格拉姆角场将一维信号转换为RGB图像输入模型,训练模型剩余权重;最后将训练后的TConvNeXt网络模型用

对液压泵建立健康评估模型需要大量训练数据,然而由于其工作条件随时间和地点的变化,使得获取特定条件下的数据比较困难。为了在目标数据不足的条件下对液压泵建立健康评估模型,提出了一种深度学习和迁移学习的液压泵健康评估方法。首先,通过卷积神经网络的方法对已有大量历史条件下液压泵振动的频域信号建立预测模型,再用迁移学习的思想在少量目标液压泵数据上对深度学习模型进行微调。实验结果表明,该方法可以有效地提高预测准确率。