论文部分内容阅读
机械“大数据”驱动的故障诊断方法研究已成当前设备故障诊断领域研究的重点和热点。深度学习因以强大的自动特征提取能力和处理高维、非线性大数据等方面的优势而被广泛应用,但机械大数据存在正常样本多、故障样本少问题,而迁移学习则能将源域知识运用到不同但相关的目标域之中,能有效解决故障样本少的问题。为此,本文结合深度学习和迁移学习的特点,开展了深度迁移方法在滚动轴承故障诊断方面的研究。首先,针对实际机械故障样本少以及不同工况下数据分布不一致,导致传统机器学习方法诊断精度低的问题,提出基于特征迁移的深度学习轴承故障诊断方法。在不同工况辅助数据集中利用迁移成分分析方法(TCA)将源域数据与目标域数据映射到潜在的Hilbert空间,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题。并且,为了解决单一核函数作为映射函数导致诊断可靠性低的问题,提出了组合核函数半监督迁移成分分析(CFSSTCA)算法模型,并利用DBN模型对源域样本进行训练,对映射后无标记的目标域样本进行故障诊断分析。通过对不同工况下轴承公开数据进行诊断分析,验证了所提出方法CFSSTCADBN的有效性和高精度,且精度高于其他方法。其次,为解决故障边界处数据样本难以区分及诊断物理意义难以理解的问题,提出了基于Yu范数深度迁移度量学习的轴承故障诊断方法,利用组合核函数半监督迁移成分分析(CFSSTCA)算法完成不同工况下数据样本的迁移,并结合Yu范数相似性测度准则,在深度度量网络模型中,使类间差异最大类内差异最小,同时最小化该学习网络顶层训练和测试样本之间的分布差异,验证了诊断模型DCFSSTCAML-YU在故障诊断中有较好的诊断效果。最后以滚动轴承振动实验台为对象,利用上述两种方法对不同工况轴承故障状态数据进行了诊断分析,CFSSTCADBN对同工况平均识别率达到92.61%,单个诊断任务识别率最高达到95.56%,DCFSSTCAML-YU对不同工况平均识别率达到93.75%,单个诊断任务识别率最高达到96.56%,诊断精度更高。由此可见,本文提出的诊断方法可有效对少样本故障下的机械故障进行诊断分析,丰富了故障诊断理论和方法。