基于深度迁移度量学习的滚动轴承故障诊断方法
发布时间：2021-06-08 12:54
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...
【文章来源】：武汉科技大学湖北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
轴承试验示意图
武汉科技大学硕士学位论文29也会有过拟合的弊端，计算成本也会加大。为此，本章节DBN网络模型根据经验常选用4层结构，两个隐藏层神经元节点分别为100、100，学习率ζ=0.0001，对于不同工况数据集，DBN迭代次数设置为1500。由于篇幅限制，本章节仅将工况D作为源域数据集，C、B、A分别目标域数据集。为减小随机初始化对训练结果的影响，重复验证15次，不同工况下不同核函数故障识别准确率如图2-8所示。图2-8不同工况下不同核函数滚动轴承故障诊断准确率从图2-8可以看出，以不同工况下滚动轴承振动信号特征样本集进行迁移故障诊断时，由于核函数的选取不同，诊断精度存在差异性。通过对D→A、D→B、D→C建立的源域数据集到目标域数据集诊断结果中，其中CFSSTCADBN方法故障诊断识别率均最高，主要因素是CFSSTCA方法中的组合核函数有更好的特征映射能力，相对于单个核函数效果更好，同时结合SSTCA算法，充分发挥了其特征迁移的能力，通过CFSSTCADBN故障诊断模型，处理不同工况下多健康状态下滚动轴承振动信号有很大的优势性。为了进一步说明CFSSTCADBN实验结果，将其与普通TCADBN、非迁移的机器学习支持向量机（SVM）和深度信念网络（DBN）方法进行实验对比，由表2-4可以看出，CFSSTCADBN的方法故障识别率中平均值最高为97.61%，TCADBN平均识别率为92.43%，很大原因在于故障样本迁移时，迁移成分分析
武汉科技大学硕士学位论文46结合深度学习DBN诊断模型、机器学习SVM诊断模型和BP神经网络诊断模型进行了验证分析，DBN模型参数选取与第二章有相同的网络结构，其网络拓扑结构为600-100-100-6，SVM的核函数为RBF，两个重要参数g设为0.05，c设为1，BP神经网络采用与DBN相同的网络层数，其方法诊断结果如图3-6所示。诊断任务诊断方法D→AD→BD→C平均标准偏差98.13%96.04%94.37%96.18%1.54%94.17%93.13%89.58%92.29%1.97%67.29%60.25%65.33%64.29%2.97%57.91%58.33%62.71%59.65%2.17%53.77%48.78%50.93%51.17%4.56%图3-6不同方法诊断结果对比对比五种方法可知，可以看出DCFSSTCAML-YU模型和DCFSSTCAML-ED模型有更好的诊断能力，其平均诊断率分别为96.18%，92.29%，相对于深度学习DBN模型，平均诊断精度64.29%，机器学习SVM和BP神经网络中，平均诊断率为59.65%，51.17%。深入分析可知，DCFSSTCAML-YU模型和DCFSSTCAML-ED均是采用深层度量学习网络结构，可以使类间差异最大类内差异最小，经过不同工况下的数据样本迁移，在创建的诊断任务源域到目标域的迁移过程中，最小化了源域和目标域之间的分布的不同，故障诊断分析时所提取40%50%60%70%80%90%100%D→AD→BD→C诊断精度(%)诊断任务DCFSSTCAML-YUDCFSSTCAML-EDDBNSVMBP
【参考文献】：
期刊论文
[1]基于深度迁移学习的小样本智能变电站电力设备部件检测[J]. 马鹏,樊艳芳. 电网技术. 2020(03)
[2]基于深度迁移学习理论含风电光伏系统的地区电网网损率计算[J]. 卢志刚,杨英杰,李学平,陈建华,刘建恒. 中国电机工程学报. 2020(13)
[3]无标签数据下基于特征知识迁移的机械设备智能故障诊断[J]. 郭亮,董勋,高宏力,李长根. 仪器仪表学报. 2019(08)
[4]基于迁移学习LSSVM的模拟电路故障诊断[J]. 庄城城,易辉,张杰,刘帅. 电子器件. 2019(03)
[5]基于机器学习的设备剩余寿命预测方法综述[J]. 裴洪,胡昌华,司小胜,张建勋,庞哲楠,张鹏. 机械工程学报. 2019(08)
[6]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[7]考虑多元因素态势演变的配电变压器迁移学习故障诊断模型[J]. 杨志淳,沈煜,杨帆,蔡伟,梁来明. 电工技术学报. 2019(07)
[8]结合深度度量学习的血缘关系识别[J]. 瞿道庆,马琳,邵珠宏. 中国图象图形学报. 2018(10)
[9]一种基于深度度量学习的视频分类方法[J]. 智洪欣,于洪涛,李邵梅,高超,王艳川. 电子与信息学报. 2018(11)
[10]CNN-SVM模型在抽油机井故障诊断中的应用[J]. 仲志丹,樊浩杰,李鹏辉. 河南理工大学学报(自然科学版). 2018(04)
硕士论文
[1]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[2]基于BP神经网络的滚动轴承故障诊断方法[D]. 于婷婷.大连理工大学 2008
[3]基于实例和特征的迁移学习算法研究[D]. 戴文渊.上海交通大学 2009
本文编号：3218497
【文章来源】：武汉科技大学湖北省
【文章页数】：82 页
【学位级别】：硕士
【部分图文】：
轴承试验示意图
武汉科技大学硕士学位论文29也会有过拟合的弊端，计算成本也会加大。为此，本章节DBN网络模型根据经验常选用4层结构，两个隐藏层神经元节点分别为100、100，学习率ζ=0.0001，对于不同工况数据集，DBN迭代次数设置为1500。由于篇幅限制，本章节仅将工况D作为源域数据集，C、B、A分别目标域数据集。为减小随机初始化对训练结果的影响，重复验证15次，不同工况下不同核函数故障识别准确率如图2-8所示。图2-8不同工况下不同核函数滚动轴承故障诊断准确率从图2-8可以看出，以不同工况下滚动轴承振动信号特征样本集进行迁移故障诊断时，由于核函数的选取不同，诊断精度存在差异性。通过对D→A、D→B、D→C建立的源域数据集到目标域数据集诊断结果中，其中CFSSTCADBN方法故障诊断识别率均最高，主要因素是CFSSTCA方法中的组合核函数有更好的特征映射能力，相对于单个核函数效果更好，同时结合SSTCA算法，充分发挥了其特征迁移的能力，通过CFSSTCADBN故障诊断模型，处理不同工况下多健康状态下滚动轴承振动信号有很大的优势性。为了进一步说明CFSSTCADBN实验结果，将其与普通TCADBN、非迁移的机器学习支持向量机（SVM）和深度信念网络（DBN）方法进行实验对比，由表2-4可以看出，CFSSTCADBN的方法故障识别率中平均值最高为97.61%，TCADBN平均识别率为92.43%，很大原因在于故障样本迁移时，迁移成分分析
武汉科技大学硕士学位论文46结合深度学习DBN诊断模型、机器学习SVM诊断模型和BP神经网络诊断模型进行了验证分析，DBN模型参数选取与第二章有相同的网络结构，其网络拓扑结构为600-100-100-6，SVM的核函数为RBF，两个重要参数g设为0.05，c设为1，BP神经网络采用与DBN相同的网络层数，其方法诊断结果如图3-6所示。诊断任务诊断方法D→AD→BD→C平均标准偏差98.13%96.04%94.37%96.18%1.54%94.17%93.13%89.58%92.29%1.97%67.29%60.25%65.33%64.29%2.97%57.91%58.33%62.71%59.65%2.17%53.77%48.78%50.93%51.17%4.56%图3-6不同方法诊断结果对比对比五种方法可知，可以看出DCFSSTCAML-YU模型和DCFSSTCAML-ED模型有更好的诊断能力，其平均诊断率分别为96.18%，92.29%，相对于深度学习DBN模型，平均诊断精度64.29%，机器学习SVM和BP神经网络中，平均诊断率为59.65%，51.17%。深入分析可知，DCFSSTCAML-YU模型和DCFSSTCAML-ED均是采用深层度量学习网络结构，可以使类间差异最大类内差异最小，经过不同工况下的数据样本迁移，在创建的诊断任务源域到目标域的迁移过程中，最小化了源域和目标域之间的分布的不同，故障诊断分析时所提取40%50%60%70%80%90%100%D→AD→BD→C诊断精度(%)诊断任务DCFSSTCAML-YUDCFSSTCAML-EDDBNSVMBP
【参考文献】：
期刊论文
[1]基于深度迁移学习的小样本智能变电站电力设备部件检测[J]. 马鹏,樊艳芳. 电网技术. 2020(03)
[2]基于深度迁移学习理论含风电光伏系统的地区电网网损率计算[J]. 卢志刚,杨英杰,李学平,陈建华,刘建恒. 中国电机工程学报. 2020(13)
[3]无标签数据下基于特征知识迁移的机械设备智能故障诊断[J]. 郭亮,董勋,高宏力,李长根. 仪器仪表学报. 2019(08)
[4]基于迁移学习LSSVM的模拟电路故障诊断[J]. 庄城城,易辉,张杰,刘帅. 电子器件. 2019(03)
[5]基于机器学习的设备剩余寿命预测方法综述[J]. 裴洪,胡昌华,司小胜,张建勋,庞哲楠,张鹏. 机械工程学报. 2019(08)
[6]基于深度学习的飞行器智能故障诊断方法[J]. 姜洪开,邵海东,李兴球. 机械工程学报. 2019(07)
[7]考虑多元因素态势演变的配电变压器迁移学习故障诊断模型[J]. 杨志淳,沈煜,杨帆,蔡伟,梁来明. 电工技术学报. 2019(07)
[8]结合深度度量学习的血缘关系识别[J]. 瞿道庆,马琳,邵珠宏. 中国图象图形学报. 2018(10)
[9]一种基于深度度量学习的视频分类方法[J]. 智洪欣,于洪涛,李邵梅,高超,王艳川. 电子与信息学报. 2018(11)
[10]CNN-SVM模型在抽油机井故障诊断中的应用[J]. 仲志丹,樊浩杰,李鹏辉. 河南理工大学学报(自然科学版). 2018(04)
硕士论文
[1]基于深度学习模型的感应电机故障诊断方法研究[D]. 孙文珺.东南大学 2017
[2]基于BP神经网络的滚动轴承故障诊断方法[D]. 于婷婷.大连理工大学 2008
[3]基于实例和特征的迁移学习算法研究[D]. 戴文渊.上海交通大学 2009
本文编号：3218497
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3218497.html
