论文部分内容阅读
为解决复杂多工况设备的模式识别问题,消除专家经验对特征提取与数据融合的影响,提高故障诊断模型泛化能力,开展了基于深度学习模型与信息融合的故障智能诊断方法研究。论文提出了基于多维图像特征融合及卷积神经网络的智能诊断方法,构建基于多源信息自适应融合策略的深度学习网络,发展了基于多源数据融合的迁移学习智能诊断方法,实现典型设备故障及复合故障的智能模式识别及迁移诊断。论文主要内容及研究成果如下:(1)提出了基于多维图像特征融合的改进卷积神经网络智能诊断方法。传统用于卷积神经网络分析识别的设备故障数据特征图大多依赖于专家经验生成,繁琐的工程特征筛选及图像预处理过程耗时耗力,普适性较差。为了构建特征明显并无需设置过多参数的样本特征图,提出了信号转彩色特征图和灰度特征图的方法。基于两种特征图的特点构建相匹配的卷积神经网络框架,用于捕捉彩色和灰度特征图中的深层信息。通过置于网络顶层或底层的瓶颈层,显著丰富特征图中信息并且无需改变特征图尺寸,有益于网络模型识别准确率的提升。通过特殊尺寸的卷积核融合在特征图中的多源传感器数据,高效压缩了灰度特征图尺寸。通过Adam优化器算法不断优化迭代获得收敛的网络模型,实现多源数据的智能识别。此外,t-分布领域嵌入算法可视化全连接层的数据获得聚类图用于评估网络性能,有效地验证了所提网络的在诊断任务中的高精度及稳定性。(2)构造了基于多源信息自适应融合策略的深度学习网络。针对传统的多源数据分析需专家经验指导,数据融合过程中一些有效的信息损失,非智能的融合算法通常不具有普适性的问题,提出了针对多源数据融合的智能诊断网络框架。为了提高融合算法的通用性,提出自适应尺寸卷积核用于融合多源数据。该融合策略处理多源数据无需繁琐的预处理,并且不限制数据源数目。获得的多源数据的一维最佳表示序列通过具有最佳感受野的膨胀卷积核提取特征,高效压缩融合序列,提高了系统的稳定性。进一步通过一维卷积、池化以及带参数的激活函数深度挖掘特征,全局平均池层用于汇集特征映射到样本标签,降低了网络复杂度。此外,添加批标准化保证数据分布相同,加速网络收敛过程。基于原始数据融合的诊断模型获得了稳定高效的识别结果。(3)发展了基于多源数据融合的迁移学习智能诊断方法。在源域构建预训练网络模型用于迁移,提高目标域模型收敛速度及模式识别准确率。为解决网络泛化能力弱及收敛缓慢的问题,根据已研究的基于多源数据自适应融合策略的卷积神经网络诊断方法获得预训练模型。由网络结构框架划分迁移模块组合,确定多种迁移策略。验证了目标域及源域在传感器源数目及模式识别分类数目不同时,网络权重部分冻结后的迁移效果。网络底层卷积模块的迁移保证网络学习到有利于模式识别的故障特征,最后一层卷积模块的迁移能够有效提高模型在不同域上的收敛速度。通过确定最佳迁移策略,给予模型合理的初始化,实现了多源数据融合的网络模型在目标域上的高效诊断。