11、基于深度神经网络的机械系统智能故障诊断与无监督深度迁移学习

基于深度神经网络的机械系统智能故障诊断与无监督深度迁移学习

1. 基于DCNN的多信号故障诊断框架

在机械系统故障诊断领域，提出了一种基于深度卷积神经网络（DCNN）的多信号故障诊断框架，并将其应用于感应电机。该框架利用传感器信号的时频分布（TFD）作为输入图像，卷积神经网络（CNN）作为多信号模型的构建模块，能够自动从TFD图像中学习判别特征，实现准确的故障分类。
- 验证信号 ：使用振动和电流信号来验证该框架的性能。
- 架构设计 ：设计了两种不同的基于DCNN的多信号架构，并通过实验探索其性能，其中融合模型取得了最佳性能。
- 不确定性分析 ：基于统计分析讨论了测量不确定性的影响。

2. 智能故障诊断与深度学习

智能故障诊断（IFD）是预测与健康管理（PHM）系统中的重要分支。随着可用数据的增加，具有表示学习能力的数据驱动方法变得越来越重要。深度学习（DL）能够从原始信号中自动提取有用特征，逐渐成为包括PHM在内的许多领域的热门研究话题。

然而，基于DL的IFD存在两个必要假设：
1. 训练数据集（源域）的样本应与测试数据集（目标域）的样本具有相同的分布。
2. 训练阶段有大量的标记数据可用。

但实际情况中，标记数据可能通过动态模拟或故障注入实验生成，与实际场景中的测试数据并不严格一致。此外，旋转机械通常在不同的工作条件下运行，这要求在一种工作条件下训练的模型能够成功迁移到另一种工作条件下的测试数据集。这些因素使得在源域训练的模型难以直接推广或迁移到目标域。