基于深度网络的领域自适应振动数据故障诊断方法研究

In complex industrial systems, the research of advanced mechanical fault diagnosis method is an important content in ensuring the safety of equipment and personnel. Deep learning theory, with its powerful modeling and representing capabilities, has become one of the most active frontiers in data-driven intelligent fault diagnosis. However, the generalization ability of deep network models suffers from the insufficiency of vibration labeled data or the drift of the sample distribution. There is no effective solution to make the trained deep network model under one work condition adapt to different fault diagnosis tasks under different working conditions. Therefore according to the characteristics of vibration data, based on deep convolution neural network, we apply domain adaption method to integrate the correction of data distribution difference and feature extraction into one fault diagnosis model in this project, which can get a better diagnosis result under different working conditions compared with the existing deep neural network methods. The research contents including: the deep representation of fault features based on convolution neural network, deep domain adaptation method for fault diagnosis of vibration data and experimental and engineering verification of the fault diagnosis method. This project can overcome the limitations of existing deep network models which cannot generalize well to target domain with the small sample data or different data distribution. This project provides a new research idea and research approach for the intelligent fault diagnosis of vibration data.

在复杂工业系统中，研究先进的机械故障诊断方法是保障设备与人员安全的重要内容。深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断最活跃的前沿方向之一。然而在振动样本数据不充分或者样本分布漂移的条件下如何保证深度网络模型的泛化能力，使得一种工况下训练出的深度网络模型能够适应不同工况下的故障诊断任务，尚未得到有效解决。本项目针对机械振动数据的特征，在深度卷积神经网络模型的基础上，利用领域自适应方法，将概率分布差异修正和特征提取统一到一个故障诊断模型，可以在变工况环境下取得比现有深度网络的故障诊断更好的效果。研究内容包括：基于卷积神经网络的故障特征提取的深度表示方法；深度领域自适应的振动数据故障诊断方法；振动数据故障诊断的实验研究与工程验证。项目可以克服现有深度网络模型无法泛化到与训练数据服从不同概率分布的小样本数据的局限，为振动数据的智能故障诊断提供一种新的研究思想和研究方法。

在复杂工业系统中，研究先进的机械故障诊断方法是保障设备与人员安全的重要内容。深度学习理论以其强大的建模和表征能力成为数据驱动的智能故障诊断最活跃的前沿方向之一。然而在振动样本分布漂移、样本数据不充分的条件下如何保证深度网络模型的泛化能力，使得一种工况下训练出的深度网络模型能够适应不同工况下的故障诊断任务，尚未得到有效解决。本项目针对机械振动数据的特征，在深度卷积神经网络模型的基础上，利用领域自适应、小样本学习、零样本学习等方法，将概率分布差异修正和特征提取统一到一个故障诊断模型，可以在不同工况和不同部件中取得比现有深度网络的故障诊断更好的效果。项目的主要研究内容包括三方面：（1）基于深度领域自适应的跨域故障诊断方法；（2）基于小样本学习的跨部件故障诊断方法；（3）基于零样本学习的复合故障诊断方法。.经过三年的研究，项目工作已完成。项目组共发表相关论文10篇，其中包括5篇期刊论文，2篇CCF推荐的C类会议论文，3篇EI检索会议论文。授权发明专利4项，软件著作权2项。项目组共毕业研究生4人，指导在读硕士6名。项目执行过程中，指导的研究生周龙参加在济南举办的IIKI 2019国际学术会议。由于疫情影响，指导的研究生周龙、徐占峰参加线上举办的IJCNN 2021国际学术会议。指导的研究生李康参加在南京举办的ICSMD 2021国际学术会议。.项目也还存在进一步的研究空间。针对模型的可解释性方面值得深入研究，今后可以考虑采用正则化技术引导具有物理学信息的神经网络的优化，或者将领域知识嵌入局部模型设计，进而逐步提高深度网络模型的可解释性，更好指导故障诊断的工程化应用。