在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数...在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。展开更多
齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD...齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD)的自适应动态阈值健康监测方法。首先,对原始振动信号进行处理,从处理信号中提取特征,并依据单调性排序;使用核主成分分析对单调性较好的特征进行降维,构建退化趋势。再使用健康数据训练高斯混合模型,确定模型参数,并计算贝叶斯推断的距离(Bayesian inference distance,BID)。最后使用LDD动态调整滑动窗口大小并结合核密度估计(kernel density estimation,KDE)建立自适应阈值,对齿轮箱的健康状态进行监测。通过实验对比分析表明:本方法的预测准确性为99%,假警率为0.05%,灵敏度为98%,相较于其他方法有较大优势。展开更多
文摘在实际应用中,旋转机械设备的运行工况通常是不断变化且未知的,这会导致基于域自适应的故障诊断方法性能下降甚至失效。为应对这一挑战,提出了一种基于域泛化的旋转机械故障诊断方法,用于不可见工况下的故障诊断。利用多个可用的源域数据来训练故障诊断模型,通过特征提取器和域分类器之间的对抗性学习获取域不变特征来有效解决域偏移问题,从而使得模型能更好地适应不可见目标域。采用多核最大平均差异(multi-kernel maximum mean discrepancy,MK-MMD)对不同源域之间相同故障类别的特征进行距离度量,从而对齐它们的条件分布,使故障诊断模型获得更好的泛化能力。在轴承数据集和齿轮箱数据集上开展了广泛的实验,结果表明该方法能在不可见工况下取得了较高的诊断精度。
文摘齿轮箱的健康监测对于机械传动系统以及机械设备的健康管理极为重要。针对变工况齿轮箱在使用过程中的健康状态较难监测的情况,提出一种基于高斯混合模型(Gaussian mixture model,GMM)和局部分布差异(local distribution difference,LDD)的自适应动态阈值健康监测方法。首先,对原始振动信号进行处理,从处理信号中提取特征,并依据单调性排序;使用核主成分分析对单调性较好的特征进行降维,构建退化趋势。再使用健康数据训练高斯混合模型,确定模型参数,并计算贝叶斯推断的距离(Bayesian inference distance,BID)。最后使用LDD动态调整滑动窗口大小并结合核密度估计(kernel density estimation,KDE)建立自适应阈值,对齿轮箱的健康状态进行监测。通过实验对比分析表明:本方法的预测准确性为99%,假警率为0.05%,灵敏度为98%,相较于其他方法有较大优势。
