关键词:
齿轮箱
深度迁移学习
对抗训练
开放集
故障诊断
摘要:
齿轮箱作为核心的传动部件,对于推进技术进步有着举足轻重的影响。齿轮箱经常在高温、高速等苛刻条件下运行,因此特别容易发生故障。当故障发生时,往往难以迅速发现,有时候这些问题甚至能导致整个系统的停摆,造成严重的财产损失和人员伤害。因此,确保齿轮箱的安全运作显得尤为关键。恶劣的工作环境还意味着难以直接从齿轮箱上收集振动数据,这进一步加大了开发有效故障诊断模型的难度。
近年来,深度神经网络因其端到端建模、自适应特征提取等优势,在故障诊断方面取得了显著成效。深度学习技术通常要求所有数据在相似的环境条件下,拥有一致的分布和特征空间。但实际上,在工程应用场景中,设备与机械往往在多变的工作条件下操作,受到众多不确定性因素的干扰,如载荷的波动和新型故障的出现等。这些因素会导致收集到的数据在不同的工作条件下具有不同的分布,即数据分布偏移。深度学习模型在训练过程中通常假设训练和测试数据具有相同的独立分布。当出现分布偏移时,这一假设的不成立可能会显著影响模型的泛化和诊断性能。
针对实际工作条件变化频繁和新故障出现的问题,本文以齿轮箱作为研究对象,研究基于对抗性学习的深度迁移学习方法,采用领域自适应策略达到不同域数据的适配,减小数据分布差异,并检测出源域中未出现的故障类型,在此基础上构建故障诊断模型,从而提高故障诊断的效果。本文的主要工作如下:
(1)针对诊断模型在无监督迁移情境中难以掌握数据的先验分布,从而无法有效缩小不同领域间分布差异的问题,提供了一种基于Wasserstein距离的深度迁移学习故障诊断方法,采用改进的特征提取模块用于特征提取,添加对抗性训练策略来最小化源和目标特征分布之间Wasserstein距离,采用域对抗性损失引导分布差异逐步减小,增加分类损失项来保证分类效果。通过齿轮箱数据集进行实验,证明了所提方法的有效性。最后通过对比其他方法的结果,证明所提方法在故障分类上的优越性。
(2)针对在不同工作条件下源域与目标域的标签空间差异引起的模型无法辨识新类别而产生的问题,研究基于迁移学习的齿轮箱开放集故障诊断方法。首先,基于改进的残差网络构建特征提取模型提取源域和目标域的特征,训练分类器来识别源域和目标域的已知故障类型,添加阈值将目标域中新出现的故障分为新类。利用齿轮箱数据集进行了实验,证明了新类识别的有效性。最后,通过PHM2009数据集的多次迁移实验进一步说明在齿轮箱的故障诊断中模型的有效性。
(3)针对实际工作中齿轮箱中往往会出现多种新故障模式,使得传统的注重边缘分布对齐的方法效果不佳的问题,在基于迁移学习的开放集故障诊断实验的基础上,添加加权学习策略来代替固定阈值,增加卷积自编码器和K-means聚类方法,解决了传统诊断方法难以识别在目标样本中未标记新故障类别问题,并识别出新的故障类别的数量。齿轮箱数据集的实验结果表明,采用的故障诊断方法提高了设备的故障诊断率。