發(fā)布時間：2021-08-10 22:04

  工業(yè)設(shè)備的結(jié)構(gòu)日益復雜,對設(shè)備安全性和可靠性的要求也越來越高,對設(shè)備的故障進行實時監(jiān)測和分析就顯得十分必要�，F(xiàn)在許多企業(yè)依然使用紙質(zhì)點檢、人工分析的工作方式,對檢修人員的專業(yè)知識也有很高的要求,更重要的是,這個過程很可能存在著由于人工疏忽而產(chǎn)生的誤差,造成對設(shè)備故障的漏判、誤判。因此工業(yè)故障智能診斷技術(shù)的研究具有十分重要的意義。本文針對故障診斷問題中存在的有標記訓練樣本數(shù)量不足的問題,以遷移學習方法為基礎(chǔ),提出了兩種故障診斷方法。針對源域和目標域同構(gòu)的情況,將對抗思想和遷移學習相結(jié)合,提出了雙重對抗遷移學習方法(Adversarial-Adversarial Transfer Learning,AATL)。利用編碼器對源域和目標域數(shù)據(jù)進行特征提取,然后用一個域分類器評價源域和目標域分布差異,找到二者之間潛在的分布差異,通過對抗地訓練編碼器和域分類器,使源域和目標域在特征空間內(nèi)分布相近。為進一步減小源域目標域分布差異帶來的損失,在目標函數(shù)中加入了最大均值差異。在網(wǎng)絡(luò)中加入一個與主網(wǎng)絡(luò)目標相反的輔助網(wǎng)絡(luò),通過拉開主網(wǎng)絡(luò)和輔助網(wǎng)絡(luò)之間的距離,提高了主網(wǎng)絡(luò)的學習能力,避免了對抗過程中“模式崩潰問題”的發(fā)生。針對源域和目標域異構(gòu)的情況,提出了基于棧式稀疏自編碼的異構(gòu)遷移學習算法(Domain adaptive based on Sparse Auto-Encoders,DSAEs)。利用兩個不同的棧式自編碼器分別對源域和目標域數(shù)據(jù)提取相同維度的特征,提出域間中心距離的概念來評價源、目標域特征分布差異,將其加入到編碼器的目標函數(shù)中,交替地更新兩個編碼器的參數(shù),最終使源域和目標域在特征空間內(nèi)分布相同,最后利用源域特征訓練出分類器,并將其應用到目標問題的診斷中。對提出的雙重對抗遷移學習方法,先后在凱斯西儲大學軸承故障診斷標準數(shù)據(jù)集和某鋼廠采集的軋機顫振歷史數(shù)據(jù)集上進行了實驗。實驗結(jié)果顯示,AATL的診斷精度較其他遷移學習算法有明顯的提高,而對比于經(jīng)典的機器學習算法,優(yōu)勢更加明顯。通過對比實驗,證明了輔助網(wǎng)絡(luò)的加入提高了模型的收斂速度。對提出的基于棧式稀疏自編碼的異構(gòu)遷移學習算法,在手寫數(shù)據(jù)集、西儲大學軸承故障診斷標準數(shù)據(jù)集以及軋機顫振歷史數(shù)據(jù)集上進行了實驗,實驗結(jié)果表明,不同源域數(shù)據(jù)輔助訓練的分類器對目標任務(wù)有不同的性能。在目標域內(nèi)標記數(shù)據(jù)不足的情況下,該方法的性能優(yōu)于傳統(tǒng)的機器學習方法。
【學位授予單位】：大連理工大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP181;TB114.3

【相似文獻】

 

相關(guān)期刊論文 前10條

1 韓麒麟;荊竹;;飛機故障診斷中飛參的數(shù)據(jù)支持作用研究[J];電子制作;2019年12期

2 王彥梅;李佳民;;農(nóng)用汽車發(fā)動機狀態(tài)監(jiān)測系統(tǒng)與診斷方法研究[J];農(nóng)機化研究;2018年02期

3 王淵明;徐策;侯繼超;張禹生;;煙草機械中故障診斷技術(shù)的應用[J];南方農(nóng)機;2018年04期

4 周雪軍;;故障診斷技術(shù)在煙草機械中的應用和發(fā)展趨勢[J];科技風;2018年22期

5 陳亞明;顏云;;故障診斷方法現(xiàn)狀及發(fā)展方向研究[J];電工技術(shù);2018年18期

6 單建虎;;石化轉(zhuǎn)動設(shè)備狀態(tài)監(jiān)測與故障診斷平臺及應用[J];石化技術(shù);2017年10期

7 石志軍;陳信在;高金寶;;艦船電子裝備電路板的故障診斷策略研究[J];科技與企業(yè);2016年01期

8 謝敏;樓鑫;羅芊;;航天器故障診斷技術(shù)綜述及發(fā)展趨勢[J];軟件;2016年07期

9 付麗莉;;汽輪機故障診斷技術(shù)的發(fā)展分析和研究[J];科技創(chuàng)新與應用;2015年08期

10 謝春萍;梁家榮;;星型網(wǎng)絡(luò)的幾種故障診斷度研究[J];廣西大學學報(自然科學版);2015年03期

相關(guān)博士學位論文 前10條

1 張玉彥;基于深度自編碼器的機械故障診斷方法研究[D];華中科技大學;2019年

2 茆志偉;活塞式發(fā)動機典型故障診斷及非穩(wěn)定工況監(jiān)測評估方法研究[D];北京化工大學;2018年

3 劉頡;基于振動信號分析的旋轉(zhuǎn)機械故障診斷方法研究[D];華中科技大學;2018年

4 杭芹;用于聚變電源的故障診斷算法研究[D];中國科學技術(shù)大學;2019年

5 黃杰;基于智能學習的電噴汽車故障診斷與監(jiān)測評估系統(tǒng)的研究[D];中國農(nóng)業(yè)大學;2018年

6 王奉濤;非平穩(wěn)信號故障特征提取與智能診斷方法的研究及應用[D];大連理工大學;2003年

7 錢華明;故障診斷與容錯技術(shù)及其在組合導航系統(tǒng)中的應用研究[D];哈爾濱工程大學;2004年

8 蔣麗英;基于FDA/DPLS方法的流程工業(yè)故障診斷研究[D];浙江大學;2005年

9 韓彥嶺;面向復雜設(shè)備的遠程智能診斷技術(shù)及其應用研究[D];上海大學;2005年

10 張君;小波分析技術(shù)在汽輪機故障診斷中的應用研究[D];華北電力大學（河北）;2005年

相關(guān)碩士學位論文 前10條

1 黃書翰;基于Fisher判別及ICS-RBF的TE過程故障識別及診斷[D];湘潭大學;2019年

2 劉湘婉;基于智能算法的機載蒸發(fā)循環(huán)制冷系統(tǒng)故障診斷[D];南京航空航天大學;2019年

3 李帥飛;基于數(shù)據(jù)驅(qū)動的輪轂驅(qū)動汽車失扭故障診斷方法研究[D];哈爾濱工業(yè)大學;2019年

4 宋凱歌;產(chǎn)品交互式電子手冊的設(shè)計與實現(xiàn)[D];哈爾濱工業(yè)大學;2018年

5 于恩寧;激光捷聯(lián)慣性測量組合故障診斷技術(shù)研究[D];哈爾濱工業(yè)大學;2018年

6 褚良宇;汽車發(fā)動機冷卻系統(tǒng)故障診斷方法研究[D];重慶郵電大學;2019年

7 楊晶;基于數(shù)據(jù)的風電機組整機故障診斷研究[D];上海交通大學;2018年

8 龔杰;基于數(shù)據(jù)挖掘的配電變壓器故障診斷[D];廣東工業(yè)大學;2019年

9 王春峰;基于遷移學習的工業(yè)過程故障診斷方法研究與實現(xiàn)[D];大連理工大學;2019年

10 付莎莎;基于人工智能的空間環(huán)境下航天器故障診斷[D];西安電子科技大學;2019年

本文編號：2612401