摘要
随着互联网的迅猛发展，工业机械设备逐渐朝着数字化、自动化以及智能化方向趋势发展。由于工业设备所处环境恶劣且信号容易受多方面干扰，因此采集到的工业设备信号通常是复杂且多分量的小样本数据。由于传统机械故障诊断方法在复杂工况且小样本情况下难以准确提取到目标信号故障特征，因此研究可实现有效、快速、精准故障诊断的新方法具有重大意义。本文将滚动轴承作为研究对象，将深度学习和迁移学习方法运用于滚动轴承故障诊断领域，研究深度学习网络的特征提取能力，并将其用于滚动轴承故障信号的识别和生成中。本文具体研究内容如下: (1)首先对深度学习方法的机械故障诊断性能进行评估，提出了一种基于改进ResNet的滚动轴承故障诊断方法。该方法首先对不同样本状态下输入采用了不同结构的特征输入层;然后对不同卷积残差结构的多维特征输出进行特征拼接融合;最后通过全连接层和交叉熵损失函数将提取的特征与故障类别建立关系实现故障分类。在不同数据集和不同样本状态输入之间进行了横向和纵向实验对比，实验结果验证了改进ResNet深度学习网络的强大特征提取能力，表明了ResNet34网络模型在滚动轴承故障诊断上有一定的研究价值。 (2)针对在工业过程中出现的小样本不平衡数据集问题，提出了一种基于CCGAN和ResNet的滚动轴承故障诊断模型方法。该方法首先采集了滚动轴承振动信号数据，并将振动信号转换为灰度图像并增强其数据特征;然后采用了CCGAN网络学习原始小样本数据的特征，扩展小样本不平衡数据集;最后在滚动轴承振动信号的数据扩充和特征增强的基础上，采用原始和改进ResNet34网络模型进行一维振动信号的小样本不平衡故障诊断和分类。实验结果表明该方法在不同数据集中故障诊断的准确性均得到了有效提高，证明了其特征提取能力优于典型的机器学习和深度学习网络，从而验证了该方法在小样本不平衡故障诊断中的优势。 (3)针对在工业过程中出现的小样本和不同工况下的无标签数据集问题，提出了一种基于MMD的滚动轴承跨工况辅助故障诊断方法。该方法首先在西储大学数据集上对ResNet34网络进行模型预训练，从而得到高精度预训练模型;然后采用局部转移法和全局转移法来实现网络模型参数转移;最后在辅助转移法上采用最大均值差异(MMD)方法度量目标样本和辅助样本之间的分布差距，改进双向结构A和B的损失函数并对模型进行参数微调，实现了基于MMD的跨工况辅助故障诊断。实验结果验证了基于MMD的滚动轴承跨工况辅助故障诊断方法能够提升小样本故障诊断性能，可将不同工况下的无标签数据应用于小样本滚动轴承故障诊断，解决了无标签数据跨工况辅助小样本滚动轴承故障诊断问题。
NETL