摘要
随着现代工业信息化、数字化、智能化的不断发展，面对现代机械设备复杂系统的智能诊断技术成为了当今的研究重点。在当今大数据爆炸时代，传统的故障诊断方法已经无法处理海量的数据，深度学习凭借着其强大的数据处理自适应能力走进了故障诊断领域。本文以旋转机械的关键零部件为研究对象，将深度学习算法与迁移学习算法相结合，设计了一个简单、高效并且能适应变工况、变设备条件的故障诊断框架。本文的主要研究内容如下: （1）针对传统故障诊断方法严重依赖人工经验且提取特征不完全，现有的诊断方法设置参数比较复杂、单一网络故障诊断的效率低等问题。在有标签数据相对充足的情况下，提出了基于DCCNN-BiLSTM模型的旋转机械故障诊断方法。该方法可以充分提取信号的空间与时间的特征，而且该方法为相对小数据集提供了有效的途径。实验表明提出的方法具有简单、高效的诊断性能。 （2）针对普通基于深度学习的诊断方法在变工况、变设备条件下通用性差，而且实际工程中采集的数据样本分布不同且难标记的问题。在有标签数据不充足的情况下，提出了基于迁移学习的旋转机械故障诊断方法。该方法可以通过动态“冻结”网络层数的方式去自适应不同分布差异的数据样本。实验表明提出的方法可以有效的解决变工况、变设备条件下有标签数据不足的问题。 （3）对旋转机械故障诊断系统进行了总体方案和软件架构设计和开发，最后对系统的故障诊断功能进行了实现。
NETL