基于深度迁移学习的机械系统智能诊断方法研究

Constructing an intelligent fault diagnosis model is continuously a big challenge because fault training data are very difficult to collect due to uncertainties of variable operation conditions and harsh environments. To deal with this problem, this study will construct a deep-transfer learning based universal intelligent diagnosis model, focusing on how to transfer the trained model from laboratory study to practical industry applications. Taking the wind turbine planetary gearbox as an example, the similarities and diversities existed in the faults under different environments, e.g. lab and real-world, are first investigated, and then the adversarial learning and deep neural-networks (such as CNN and RNN) will be used to construct the intelligent diagnosis model to implement the transfer; and Gaussian mix model will be used for novel detection to improve the generalization of the proposed model; according to fault mechanisms, finite element modelling will be adopted to simulate the faults of different machine components, the compound fault de-coupling model will be built via multi binary classifier and deep-transfer learning; a machine condition prognosis model will be constructed using state-frequency memory based RNN to recognize the machine running state. All the models mentioned above will be further verified through simulation, experiments in the laboratory and real-world wind turbine drive systems. It is expected that the proposed study, if successful, will provide a novel solution for intelligent fault diagnosis of complex mechanical system and drive the fault diagnosis technology to be applied in practical applications.

复杂机械系统工况不确定性及恶劣作业环境导致故障数据难以获取，对于构建智能诊断模型是极大的挑战。本项目研究如何将实验室建立的模型用于工业环境，构建基于深度迁移学习的通用智能诊断模型。项目以行星齿轮箱为例，首先分析机械故障数据在实验室环境与工业环境等不同工况条件下的共性和个性，拟利用对抗学习、深度神经网络(CNN/RNN)等构建基于对抗学习的深度神经网络迁移模型，实现诊断模型由实验室数据到工业数据的迁移；拟通过混合高斯分布对新模式样本进行检测，提高模型的泛化能力；拟根据故障机理进行有限元故障仿真，通过多个二分类网络深度迁移学习构建复合故障的智能解耦模型；基于状态-频率记忆循环神经网络构建机械系统状态预测模型，开展机械系统运行状态预测研究。上述模型将通过仿真、故障模拟实验以及实际风电系统测试等进行验证。可以预见，本项目将为复杂机械系统的故障诊断提供新的方法和手段，推动故障诊断技术走向实用。

针对复杂机械系统工况不确定性及恶劣作业环境导致的故障数据难以获取的问题，借助深度学习在工业大数据上的特征学习能力及迁移学习在故障稀疏数据上的知识迁移能力，本项目深入研究了如何将实验室建立的模型用于工业环境，构建基于深度迁移学习的通用智能诊断问题。1）在深度迁移学习基础理论方面,从算法角度系统地归纳了深度迁移学习方法的类别，并从多种工程应用角度详细地阐述了不同工业应用场景下的研究成果及其应用；2）在深度迁移故障诊断方法方面，提出多种基于深度迁移学习的智能故障诊断模型，在变工况、跨设备、小样本等场景下，提升了故障诊断模型的决策精度与场景泛化性能；3）在新故障识别方面，提出了一系列基于深度对抗迁移的智能检测方法，解决工业现场运行工况难定、故障数据多样的实际问题；4）在复合故障解耦方面，提出了多标签解耦驱动的复合故障智能解耦模型的构建与训练方法，并应用于复杂服役场景下机械装备的复合故障智能诊断；5）在寿命预测方面，提出了装备关键部件的退化状态评估或剩余寿命预测方法，极大地补充了机械系统退化状态评估及剩余寿命预测理论与方法，为工业装备的智能诊断与预测性维护提供重要的决策依据，具有较强的工程应用价值。.本项目出版中文专著1部；发表期刊论文38篇（其中SCI热点论文及高被引论文共9篇次），国际会议论文14篇；申请发明专利11项(已授权4项）；培养毕业博士研究生3名，培养毕业硕士研究生4名，发表的文章被其他学者引用2100余篇次。项目的研究成果为功能、结构和耦合关系极为复杂的机械系统运行状态的智能故障诊断提供了新的分析思路和技术手段，推动基于深度迁移学习的机械系统智能诊断方法从实验室环境走向实际工业场景，对保证装备可靠性、提高系统利用率和避免安全事故等有着重大的意义。