【基于网络学习的故障诊断方法研究国内外文献综述5000字】

基于网络学习的故障诊断方法研究国内外文献综述 1 1 3 1.1.1故障诊断方法分类故障诊断方法分为定性、定量两类。分类如图1.1所示11。2图错误!文档中没有指定样式的文字。.1故障诊断方法分类障诊断方法输出结果便于理解，应用范围广和建模简单的特性。不过，当系统复杂度高时，图论的方法就失去了效果，可能无法得到诊断结果。库。在此基础上还原推理与决策过程[14]。该方法需要知识库、推理机、数据库等组成。其中知识库和推理机是其核心[15]。尽管专家系统无需对系统进行数学建模且可解释性强，但是在专家经验基础上建立的知识库不确定性较高，且语言条件难以转化为计算机语言，更重要的是知识获取十分困难。近年来，专家系统发展较慢。基于解析模型的方法可以从状态空间，等价空间，参数估计三方面进行分析。这三种方法虽然独立发展，但又彼此联系。这是因为等价空间方法与观测器方法在结构上是等价的，参数估计法和观测器方法之间也是互补关系[13][16]。基于机器学习的方法是通过系统数据训练神经网络等算法进行故障诊断。近年来，随着机器学习的快速发展，该方法也有许多突破，详细讲述见下节。基于多元分析的方法是利用变量间相关性进行过故障诊断。较常见的方法是利用多元投影将多个变量投影到低维空间，在其基础上进行进一步的分析。该方法不基于信号处理的方法是使用信号处理方法对测量的在信号时域或者频域中提取特征来进行分析。该方法的方式主1.1.2典型故障诊断方法本小节将介绍部分典型的故障诊断方法，这些方法或与本文提出的小样本学习于WPI和卷积神经网络来进行性轴承故障诊断，见图1.2。得到振动信号后基于相空间重构生成WPI。与传统的特征向量不同的是，该WP相空间图像可以反映二维空间中节点的物理关系。然后将得到的WPI输入卷积神经网法来优化网络参数。过程中，卷积网络会学习频率的多尺度层，能将最后的特征与前面的输出相结合。相较于普通卷积神经网络输出的特征，多尺度特征细节精确，可以有效地进行特征分类。这法很有启发。此外，此类方式都是将输入的一维数据进行小波变换，将故障诊断问题转化为图像分类问题。这样的转化可以借鉴图像处理领域的自编码器及深度学习是一种无监督学习算法[18,可以自适应地学习特征来克服在特征提取时遇到的问题。自编码器结构简单，易于实现。可4的识别。具体流程如下：先获得旋转机械在不同健康状态下的原始数据，并经过频谱变换得到光谱。之后搭建有多个隐藏层的深度神经网络，并用一维自动编码器对深度神经网络的每一层进行预训练。这一步中如图1.3所示，自编码器对深度神经网络的第一层预训练后得到编码向量，然后再利用编码向量作为输入和输出训练神经网络的第二层参数。这样神经网络的所有隐藏层都经过了预训练的初始化。最后，通过有监督数据实现后向传播算法来微调深度神经网络参数。该方法直接使用原始振动数据，但是性能不理想，因为对于复杂信号，自编码器鲁棒性不好，而且不能保证提取特征的有用性。aa深度卷积生成对抗网络(DCGAN)是一种使用了卷积网络与生成对抗网络的方法[191。该方法的思想是通过生成对抗网络来平衡数据集。具体方法是先对输入数据进行时频域分析，生成二维信号，再通过六种信号处理方法进行变化生成卷积神经的输入数据。其外，该方法还通过标签数据生成新的数据来解决数据之间的不平衡问题，提高了检测性能。最后使用得到补充的数据集来训练卷积神经网络以完成分类。这种结合方法的性能要好于一般的卷积神经网络，而且直接在数据集中解决数据不平衡问题，是一个很好的思路。但该方法的问题是尽管能够生成补充数据集，不过生成补充数据集的过程前，要能够得到准确的识别特征来保证补充数据集的准确性。而该方法使用时频变换的多种手段难以保证特征提取的质量，因此会影响该方法的准确性。迁移学习也可以用于故障诊断，如图1.5所示的多核迁移学习便是例子24]。该方法是通过在源域中学习分类与聚类能力，再减小目标域与源域之间的分布差异来完成训练。具体来说，样本经过时频域变化成为光谱，输入三层网络。使用源域数据对这三层网络与分类器训练，通过最小化损失函数使模型具有学习能力。此时三层网络中的后两层h与h,能体现数据的高层信息。这时将h与h,在源域与目标域之间的分布差异作为损失函数，最后最小化损失函数得到模型。该方法虽然能解决解决数据跨域的能力，但是仍需要大量的源域样本和训练。基于域共享卷积神经网络125也是如此，其结构如图1.6所示。其搭建了用于域共享的多层卷积神经网络，而为了从中学习特征，减小跨域带来的分布差异，对每一卷积层和所有全连接层都进行MMD评价分布的不同。之后根据各卷积层L.BackpropagationofL.BackpropagationofLa₂与全连接层在网络中的深浅，调整各MMD的权重并生成损失函数。同时，目标域数据经过网络生成伪标签，得到损失函数。总损失函数即为源域数据和标签，目标域数据与伪标签，多层MMD三者之和。与多核迁移相似的有基于自编码器的迁移学习来用于故障诊断[26]。该方法与上面介绍的基于孪生网络的小样本学习有些类似。该方法是将数据划分成源域和目标域，之后建立三层自编码器网络。对于源域数据，其经过自编码器网络后得到特征，再经过softmax回归后结合标签数据得到损失函数。接着，使用源域数据与目标域数据得到的三层自编码器的最后一层特征，通过最大平均差异两类特征得到损失函数。此时将两部分损失函数相加或者按权重相加得到总损失函数，以此来优化网络参数。实验证明了该方法的潜力。不过该方法对数据量还是有一定的要求。此外，在迁移学习部分还有使用测地线流核的方法[27。总体结构如图1.7所示。输入数据首先进行时频变换，然后计算测地线流核，即先获得最有维数，然后通过测量计算地线流核，再进行softmax回归得到特征。接着通过Z-score标准化，通过训练优化网络参数。与迁移学习相似的是小样本学习方法，而且有的方法是二者的思想的结合。特征转移方法就这样，其先使用源域数据训练特征提取网络，然后固定用源域数据训练好的特征提取网络，之后在该网络后加上新的分类器作为目标域数据使用的网络。该网络在使用目标域中少量数据的训练后就可以对输入进行诊断。SegmentsTrain8ClassificationClassificationLossMSourceLabelMMD(3,5)X;:SourceDatasetX:TargetD孪生神经网络是小样本学习的典型网络结构[21]。小样本学习的步骤与大多数传统机器学习相似，选择相应的数据集，并根据任务要求得到训练数据与测试数据，建立学习网络，从训练数据中随机采样生成每一次训练的训练数据，最后使用测试数据检测学习网络的性能表现。此外，传统的机器学习是数据与标签的简单集合，而小样本学习需要先将数据划分为支撑集与问询集，并形成任务，每次任务中的小样本学习的输入为分别来自支撑集与问询集的样本对。对于经过样本对训练后得到的模型，其输出是在输入样本对的集合中用于评价样本对是否是同一类型的概率距离。图1.10表示的是使用了孪生神经网络的用于轴承故障诊断的小样本学习模型，其特点是孪生神经网络基于深度卷积神经网络构建，并增大网络中第一个卷积核宽度，这样的深度卷积神经网络称为WDCNN²1]。这种对卷积核的调整方式能让宽内核来卷积提取全局特征，然后为了获得更好的特征表示，再使用小内核来进行卷积。这种设计能避免工业环境中常见的高频噪声的干扰。此网络模型建立了两个WDCNN网络，并且具有相同的网络体系结构与权重参数。该孪生网络的设计可以让模型使用有限的标签数据进行训练，训练得到的神经网络可以从原始数据中提取得到具有区分度的特征，方便后续比较，以特征向量的距离判断样本对是否是同一类别。ShareweightsFeature除了通过学习特征的方法，还有学习学习本身的元学习方法。如图1.11所示，是学习如何度量的方法[22】。该方法改善了度量方式，用特征自适应地学习新的度量函数。因此，该网络在训练时，任务中支撑集与问询集数据分别进入特征网络得到高级特征。然后将两类高级特征进入关系学习网络并结合度量学习器，经过学习可以在让关系学习网络与度量学习器自适应地为问询集的类别设置分数。半监督元学习网络是故障领域十分有新意的想法[231。其使用编码器和注意力机制设置特征提取网络，之后通过半监督的方式进行原型细化。而且不同于大部分对特征提取网络做预训练的方法，其通过原型进行判断，即现在得到有标签数据的原型，然后无标签数据特征得到原型并对其进行更新细化，最后在问询集中，其特征可通过已经得到的原型判断自己的类型。fe图错误!文档中没有指定样式的文字。.11一维元关系网络RefinednELossEpngE图错误!文档中没有指定样式的文字。.12SSMN网络元学习方法故障检测，即通过学习学习过程本身来增强模型自在监督学习中，目的是拟合一个函数，能将输入映射到输出的督元学习中，目的是通过带标签的数据训练集与测试练集通常是包含不同类别的小的数据集的集合。而测试的输入则是不在训练数据类别中的新数据，该模型也被称为与模型无关的元学习MAML。具体络的结构和损失函数都是未知的，但是可以通过优化内循环与外循环快速适应梯度下降的参数，来使其保持泛化能力。在使用时，MAML分为元训练阶段与元测试阶段。模型经过元训练阶段双循环参数更新得到模型参数，在元测试阶段MAML就能基于新样本计算新模型参数，并使用新模型参数来对样本进行预测。在故障诊断中的应用如图1.13所示。在元训练阶段使用不同场景数据(VL₁,VL₂,VL₃)不断优化参数集θ来实现元测试阶段对新类的适应。该方法能够在一定程度上解决故障数据OuterOuterracedefect—→[2]黄富.液压系统故障诊断方法综述[J].液压与气动，2006,57(1).[3]池红卫.复杂过程工业系统故障诊断与预测方法的研究[D].天津大学，2004.[4]沈剑贤，周霞.故障容错免疫系统[J].汽轮机技术，2007,3.[5]GuoL,LeiY,XingS,eintelligentfaultdiagnosisofmachineswithunlabeleddatElectronics,2018,66(9):7316-7325.[6]WittenIH,FrankE.Daimplementations[J].AcmSigmodRecord,2002,31(1):76-77.[7]LeiY,LiN,GuoL,etal.MachineryhealthprognosticsacquisitiontoRULprediction[J].MechanicalsIEEETransactionsonIndustrialElectronics,2016,64(3):2296-2305.[9]P.M,Frank.AnalyticalandQualitativeModel-bSomeNewResults[J].EuropeanJournalofControl,1996,2(1):6-[10]高智.离合器综合性能试验台控制与故障诊断系统研究[D].长春工业大学，2010.[11]周东华，胡艳艳.动态系统的故障诊断技术[J].自动化学报，2009,35(006):748-758.[12]张萍，王桂增，周东华.动态系统的故障诊断方法[J].控制理论与应用，2000(2).[13]王仁杰.智能飞控故障诊断系统的研究与实现[D].电子科技大学，2020.[14]胡静波，周前飞.基于故障树的专家系统在起重机运行机构故障诊断中的应用[J].机械[15]吴明强，史慧.故障诊断专家系统研究的现状与展望[J].第十四届全国测试与故障诊断技术研讨会，2007:22-29.[16]陈玉东，施颂椒，翁正新.动态系统的故障诊断方法综述[D].,2001.[17]DingX,HeQ.Energy-fluctuatedmultiscalefeaturelearningwithdespindlebearingfaultdiagnosis[J].IEEETransactionsonInstrumentationandMeas66(8):1926-1935.[18]JiaF,LeiY,LinJ,etal.Deepneuralnetworks:ApromisingtoolandintelligentdiagnosisofrotatingmachinerywSignalProcessing,2016,72:303-315.[19]ViolaJ,ChenYQ,WangJ.FaultFace:Deepconvolut(DCGAN)basedball-bearingfailuredetectionm[20]ZhangS,YeF,WangB,etal.Few-ShotBearingAnomalyDMeta-Learning[C]//2(ICEMS).IEEE,2020:1341-1346.learning[J].IEEEAccess,2019,7:110895-110904.[22]SungF,YangY,ZhangL,etal.Learningtocompare:learn